以为中心的机器学习方法用于分析三环抗抑郁药物的特性
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
使用拓指数和机器学习预测三环抗抑郁药的特性,在所有含有原子的情况下更有效. 支持向量回归模型在这些预测中表现出卓越的准确性.
科学领域:
- 计算化学是一种计算化学.
- 药品化学 药品化学 是一个
- 药物发现 药物发现
背景情况:
- 三环抗抑郁药 (TCA) 对于治疗抑郁症至关重要.
- 传统的物理化学性质评估是资源密集的.
- 预测模型提供了一个具有成本效益的替代方案.
研究的目的:
- 调查拓指数用于预测TCA物理化学性能的实用性.
- 评估原子表示对预测准确性的影响.
- 为了完成这个任务,比较线性回归和支持向量回归模型.
主要方法:
- 对两个分子配置的分析:只有明确的与所有.
- 应用线性回归 (LR) 和支向量回归 (SVR) 模型.
- 使用拓指数进行定量结构与属性关系 (QSPR) 建模.
主要成果:
- 包括所有原子在内显著改善了极化性,摩尔折射率和摩尔体积的相关性.
- 在预测准确性方面,支向量回归 (SVR) 的表现优于线性回归 (LR).
- 的代表性对SVR模型的性能有更明显的影响.
结论:
- 机器学习,特别是SVR,结合拓指数,为预测TCA属性提供了一种高效的方法.
- 在分子表示中包含所有原子对于准确的QSPR建模至关重要.
- 这项研究支持开发用于药物性质预测的先进计算工具.
更多相关视频
07:58Behavioral and Network Pharmacology-Based Analyses for the Traditional Mongolian Medicine Zadi-5 in a Rat Model of Depression
Published on: February 24, 2023
11:44Cellular Membrane Affinity Chromatography Columns to Identify Specialized Plant Metabolites Interacting with Immobilized Tropomyosin Kinase Receptor B
Published on: January 19, 2022
相关概念视频
Antidepressant Drugs: Overview
Antidepressant Drugs: Tricyclics, SSRIs, and SNRIs
Antidepressant Drugs: MAOIs and Other Agents
Drug Therapy
Antianxiety Medications
Structure-Activity Relationships and Drug Design
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...
Classification of Neurotransmitters
