PLASMOpred:一种基于机器学习的Web应用程序,用于预测向皮膜抗原的抗疟疾小分子1-子蛋白2入侵复合体

科学领域:

• 计算化学和寄生虫学
• 药物的发现和开发.
• 机器学习在医学中的应用.

背景情况:

• 型疟疾仍然是全球健康的重大威胁,每年造成50多万人的死亡.
• 寄生虫对人体红细胞的入侵对疟疾的生存至关重要,涉及诸如阿皮膜抗原1 (AMA-1) 和子蛋白2 (RON2) 等关键蛋白质.
• 抑制AMA-1-RON2相互作用阻断了寄生虫的入侵,为抗疟疾药物开发提供了一个有前途的战略.

研究的目的:

• 利用机器学习 (ML) 来预测针对AMA-1-RON2相互作用的小分子抑制剂.
• 为进一步的化疗探索确定新型抗疟疾化合物.
• 开发一种用于抗疟疾药物发现的预测工具.

主要方法:

• 使用了PubChem (AID 720542) 的364,447种抑制剂和非抑制剂的数据集.
• 使用摩根指纹进行特征提取和使用合成少数群体过量采样技术平衡数据.
• 开发和评估了五种ML模型:随机森林,梯度提升机,CatBoost,AdaBoost和支持矢量机,通过精度,F1分数和ROC-AUC来评估性能.

主要成果:

• 梯度提升机 (GBM) 以89%的精度和92%的ROC-AUC.表现出卓越的性能.
• CatBoost (CB) 和随机森林 (RF) 模型也显示出高效率,ROC-AUC分数分别为93%和91%.
• 适用性领域分析证实了在定义的塔尼莫托距离值内预测的可靠性.

结论:

• 经过实验验证的AMA-1-RON2抑制剂是下一代抗疟疾药物的宝贵起点.
• 开发的ML模型作为Web应用程序PLASMOpred部署,为识别潜在的抗疟疾化合物提供了强大的工具.
• 这项研究突出了机器学习在加速发现有效治疗型疟疾的潜力.