通过整体机器学习和结构图案识别进行药物诱导心脏毒性的in silico预测

科学领域:

• 计算毒理学计算毒理学
• 药理学 药理学是指药理学的学科.
• 机器学习 机器学习

背景情况:

• 药物诱导的心脏毒性是一个主要的安全问题.
• 准确的预测模型对于药物安全性评估至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 和深度学习 (DL) 模型,用于预测五种心脏毒性终点:心力衰竭 (HF),心律失常 (ARR),心脏阻塞 (HB),高血压 (HP) 和心脏病发作 (HA).
• 识别与心脏毒性化合物相关的分子特性和结构警报.

主要方法:

• 使用各种算法和分子描述器,为每个终点构建110个预测模型.
• 基于表现最好的个人分类器的共识模型的开发.
• 分子特性 (分子量,logP,HBD,HBA,TPSA) 和结构警报 (SAs) 的分析.

主要成果:

• 在交叉验证和外部验证方面,共识模型在单个模型中表现优越.
• 心脏毒性化合物的特点是较高的分子量,增加的脂性,较低的结合能力和减少的TPSA.
• 确定了关键的结构性警报,包括二次胺,衍生物,硫胺和异环.

结论:

• 该研究提出了一个集成的ML/DL计算框架,用于评估药物心脏毒性.
• 鉴定的结构特征为心脏毒性机制 (例如,离子通道抑制,氧化应激) 提供了洞察力.
• 发现有助于发现更安全的药物和化学风险评估.