探索基于图形的模型,用于预测抗三阴性乳腺癌的活性化合物
Hridoy Jyoti Mahanta1,2, Amarjeet Boruah3, Bikram Phukan4
1Advanced Computation and Data Sciences Division, CSIR-North East Institute of Science and Technology, Jorhat, 785006, Assam, India. hridoy@neist.res.in.
Molecular diversity
|July 9, 2025
概括
研究人员开发了人工智能模型来预测新的三阴性乳腺癌 (TNBC) 候选药物. 最好的模型确定了有前途的化合物,在FDA批准的药物上实现了高精度,加速了TNBC治疗发现.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 三阴性乳腺癌 (TNBC) 是一种具有有限治疗选择的侵袭性亚型.
- 在TNBC中缺少HER2,孕激素和雌激素受体,需要新的治疗策略.
- 人工智能 (AI) 和机器学习 (ML) 加快生物数据分析和治疗结果预测.
研究的目的:
- 开发和验证人工智能驱动的计算模型,用于对TNBC预测活性化合物.
- 确定关键的结构碎片,负责化合物对TNBC细胞的抑制活性.
- 评估模型在识别潜在的TNBC候选药物的稳定性.
主要方法:
- 策划了来自三个细胞系的756种突变型化合物的数据集.
- 开发了四个基于图形的AI/ML模型,用于预测TNBC活性化合物.
- 采用了分层嵌套十倍交叉验证和Optuna模型优化和验证框架.
- 利用可解释性技术来解释模型预测和识别关键结构特征.
主要成果:
- 实现了预测准确度,AUC值从0.65到0.82不等,消息传递神经网络 (MPNN) 模型表现出卓越的性能.
- 确定了与细胞抑制和模型预测相关的关键结构碎片.
- 使用FDA批准的药物的外部验证表明预测准确度从66%到97%.
结论:
- 开发的AI模型有效地预测了对TNBC细胞具有潜在抑制活性的化合物.
- 该MPNN模型显示显著的希望加速新型TNBC候选药物的发现.
- 可解释性技术为化合物活性的结构基础提供了洞察力,有助于药物设计.
更多相关视频
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
9.1K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K