相关实验视频

Updated: Sep 17, 2025

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

用机器学习方法对ULK1抑制剂的分类和SAR分析

X Wang, H Yin, A Yan¹

¹State Key Laboratory of Chemical Resource Engineering, Department of Pharmaceutical Engineering, Beijing University of Chemical Technology, Beijing, P. R. China.

SAR and QSAR in environmental research

|July 4, 2025

概括

研究人员开发了39个计算模型来预测ULK1抑制剂的抗癌活性. 最好的模型,一个基于ECFP4的DNN,实现了超过95%的准确性,识别了药物优化关键结构特征.

科学领域:

计算化学是一种计算化学.
药物发现药物发现
在瘤学瘤学.

背景情况:

Unc-51类似激酶1 (ULK1) 是自的关键调节者,也是有前途的抗癌标.
开发有效的ULK1抑制剂需要强大的药物设计预测模型.

研究的目的:

构建和评估用于预测ULK1抑制剂活性的计算模型.
通过结构-活性关系 (SAR) 分析,确定驱动ULK1抑制剂活性的主要结构特征.

主要方法:

收集了846种具有IC50值的ULK1抑制剂.
开发了39个使用ECFP4,MACCS指纹,Mordred描述符,SVM,RF,XGBoost,DNN和FP-GNN的分类模型.
使用K-平均集群和SHAP值进行SAR分析.

主要成果:

性能最好的模型 (Model_1D_1,一个基于ECFP4的DNN) 实现了>95%的准确性和MCC>0.9.9.
模型_1D_1证明了可靠的预测>84%的化合物在其适用性领域.
在高活性子集中确定了一个常见的支架 (2-amino-4-(2-thienyl) -5-(trifluoromethyl) pyrimidine),并突出了关键的活性片段.

结论:

为预测ULK1抑制剂活性,开发了一种高度准确的DNN模型.
SAR分析提供了对优化ULK1抑制剂的关键分子碎片和支架的见解.
这些发现为设计针对ULK1.1的新型抗癌药物提供了理论基础.

关键词:

这是一种ULK1抑制剂.分类模型的分类模型.深度学习是一种深度学习.机器学习是机器学习.结构-活动关系 (SAR)

更多相关视频

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

相关概念视频