通过将深度学习和分子指纹整合到成本效益和向癌症治疗的成本效益和向,精确增强了对氨酸激酶抑制剂的生物活性预测

科学领域:

• 计算化学和生物信息学
• 机器学习在药物发现中的作用
• 瘤学和精密医学领域.

背景情况:

• 失调的氨酸激酶信号驱动癌症的进展和治疗耐药性.
• 氨酸激酶抑制剂 (TKI) 对于向癌症治疗至关重要.
• 预测TKI生物活性对于有效的药物开发至关重要.

研究的目的:

• 开发一个机器学习框架,用于准确的TKI生物活性预测.
• 加速技术知识的临床前药物开发阶段.
• 为了确定具有最佳生物活性的化合物,用于向癌症治疗.

主要方法:

• 利用来自ChEMBL数据库的28,314个小分子的数据集,针对11个氨酸激酶.
• 采用深层人工神经网络 (dANN),卷积神经网络 (CNN) 和结构分子指纹 (摩根指纹).
• 通过随机超参数搜索训练和优化十个监督模型,并通过F1分数,ROC-AUC和日志损失评估性能.

主要成果:

• 支持矢量机 (SVM) 获得了最高的F1得分 (87.9%) 和精度 (85.1%).
• 深层人工神经网络 (dANN) 显示出优异的概率可靠性,日志损失最低 (0.25096).
• 摩根指纹在所有模型中显著提高了生物活性预测的准确性.

结论:

• 机器学习,特别是dANNs和SVM,在合理的药物发现中发挥着变革性的作用.
• 开发的模型管道减少了实验负担,并优化了针对个性化癌症治疗的化合物选择.
• 这一框架推进了激酶抑制剂查,并为精密瘤学应用提供了基础.