使用稀疏PCA和堆叠组合方法预测DDI诱导的怀孕和新生儿ADR
Anushka Chaurasia1, Deepak Kumar1, Yogita2
1Computer Science and Engineering, 385889 National Institute of Technology Meghalaya , Shillong, India.
Journal of integrative bioinformatics
|June 9, 2025
概括
这项研究引入了一种新的计算方法,用于预测怀孕和新生儿中药物相互作用 (DDI) 诱导的不良药物反应 (ADR). 该方法有效地处理稀疏数据和阶级不平衡,改善这些关键人群的预测准确性.
科学领域:
- 药物基因组学和计算毒理学
- 药物安全和药理学 药物安全和药理学
- 孕产妇和新生儿健康
背景情况:
- 预测药物相互作用 (DDI) 诱导的不良药物反应 (ADR) 是复杂的,因为数据有限,稀少,高维度,和类不平衡.
- 现有的DDI-ADR预测计算方法主要集中在一般人群上,在了解孕妇和新生儿的风险方面存在差距.
研究的目的:
- 开发和评估一种基于稀疏组合的新型计算方法,用于预测DDI诱导的副作用,特别是在怀孕和新生儿群体中.
- 在预测这些特定的ADR方面,应对高维度,稀疏数据和阶级不平衡的挑战.
主要方法:
- 利用SMILES字符串作为药物表示的分子特征.
- 采用Sparse主要组件分析 (SPCA) 来处理高维和稀疏数据,显示出比标准PCA更好的性能.
- 应用了多标签合成少数群体过量采样技术 (MLSMOTE) 来缓解阶级不平衡问题.
- 开发了一个堆叠组合模型,将这些技术整合到最终ADR预测中.
主要成果:
- 与主要组件分析 (PCA) 相比,SPCA在处理稀疏数据方面显示了2.67%-5.45%的改进.
- 拟议的堆叠组合模型显著超过了六个最先进的预测器.
- 在真实阳性率 (TPR),F1评分,假阳性率 (FPR),精度,哈明损失和ROC-AUC评分方面取得了优异的微观和宏观评分,改进幅度从1.16%到14.94%.
结论:
- 建议的稀疏组合方法有效地解决了预测DDI诱导的妊娠和新生儿群体的副作用的数据挑战.
- 这种计算方法为增强弱势群体药物安全性评估提供了一个有前途的工具.
- 这项研究强调了先进的机器学习技术在专业药物监测中的潜力.
