机器学习辅助的代查,以有效检测药物发现起点
Alex T Müller1, Markus Hierl1, Dominik Heer1
1Pharma Research and Early Development, Roche Innovation Center Basel, F.Hoffmann-La Roche Ltd, Grenzacherstrasse 124, 4070 Basel, Switzerland.
Journal of medicinal chemistry
|July 14, 2025
概括
机器学习 (ML) 引导的代高通量选 (HTS) 显著降低了药物发现中的实验成本. 这项前性研究表明,ML辅助的HTS有效地识别了强大的小分子,同时选了更少的化合物.
科学领域:
- 药用化学 医学化学
- 计算化学计算化学
- 药物发现 药物发现 药物发现
背景情况:
- 高通量选 (HTS) 对于识别小分子导体至关重要.
- 测试复杂度的增加和大型复合库对传统的HTS构成了挑战.
- 在大规模项目中,主动学习引导选的前景验证是有限的.
研究的目的:
- 在大规模的药物发现环境中对机器学习 (ML) 辅助的代HTS进行前性评估.
- 与全HTS相比,评估ML引导选的效率和命中恢复.
- 证明ML降低实验成本的潜力,同时保持击中质量.
主要方法:
- 采用基于质谱的测定方法,准盐诱导性激酶2.
- 一个200万个组合库被选代使用ML指导在三个批次.
- 性能与平行全HTS和基于相似性的方法进行了比较.
主要成果:
- 仅对5.9%的图书馆进行选,就得出了全HTS中发现的所有主要活性化合物的43.3%.
- 用ML指导的选成功识别了几乎所有由药物化学家优先考虑的化合物系列.
- 与基于相似性的方法相比,ML方法显示出优越的打击回收和化学空间覆盖率.
结论:
- 基于ML的代HTS为大规模药物发现提供了实验成本的显著降低.
- 这种方法保持了高质量的命中发现,与传统方法相比或超过了传统方法.
- 辅助ML的代HTS代表了一个有希望的策略,以提高现代药物发现管道的效率.
