EGFR^AP:一种预测机器学习模型,用于评估针对表皮生长因子受体的小分子活性

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 分子建模分子建模

背景情况:

• 皮表皮生长因子受体 (EGFR) 对于细胞生长至关重要,但其突变驱动瘤发生.
• 向EGFR是癌症治疗的一个关键策略.
• 开发新的EGFR抑制剂需要有效的预测工具.

研究的目的:

• 开发一种机器学习工具,EGFR^AP,用于预测新型分子对EGFR的生物活性 (pIC₅₀).
• 为EGFR抑制剂的发现创建一个强大的定量结构-活性关系 (QSAR) 模型.

主要方法:

• 利用现有的EGFR抑制剂的大数据集来训练机器学习算法.
• 使用额外树回归器 (ET) 算法开发了一个QSAR模型.
• 使用训练和测试数据集以及10倍交叉验证验证了模型的性能.
• 进行基于结构的药物设计实验以证实预测.

主要成果:

• 在训练集上,ET模型实现了高精度 (R²=0.99,RMSE=0.07,MAE=0.009).
• 在测试组的验证显示了令人满意的性能 (R²=0.67,RMSE=0.89,MAE=0.61).
• 交叉验证和药物设计实验证实了该模型的稳定性和预测能力.

结论:

• EGFR^AP工具显示出识别新型EGFR抑制剂的巨大潜力.
• 这种计算方法可以加速药物化学家的药物发现过程.
• EGFR^AP是开发向癌症治疗的宝贵资产.