图形理论和机器学习方法用于预测膀癌治疗的分子性质

科学领域:

• 计算化学的计算化学
• 化学信息学 化学信息学
• 机器学习在药物发现中的作用

背景情况:

• 预测药物的物理化学性质对于有效的药物发现和开发至关重要.
• 来自分子图的拓描述符提供了一种方法,以计算方式表示分子结构.
• 机器学习模型可以学习分子结构和特性之间的复杂关系.

研究的目的:

• 开发和评估一种混合计算方法,用于预测膀癌药物的物理化学特性.
• 使用拓描述器比较各种回归模型和人工神经网络 (ANN) 的性能.
• 通过可解释的AI方法识别影响药物特性的关键分子描述因素.

主要方法:

• 为17种膀癌药物生成分子图.
• 基于度的拓描述符的计算,包括扎格勒布索引,兰迪克索引,原子键连接 (ABC) 和对称除法度 (SSD).
• 线性回归,立方回归和前人工神经网络 (ANN) 的应用,使用计算描述符作为输入特征.
• 使用平均平方误差 (MSE),根平均平方误差 (RMSE),平均绝对误差 (MAE) 和确定系数 (R2) 的性能评估.
• 使用SHAP (夏普利添加式扩展) 进行模型解释性.

主要成果:

• 人工神经网络 (ANN) 与传统回归模型相比,表现出优越的预测性能.
• 性能最好的ANN模型实现了0.99.9的确定系数 (R2).
• SHAP分析成功地确定了个别拓描述符对预测准确性的贡献.
• 混合方法在构建准确和可解释的模型用于分子性质预测方面被证明是有效的.

结论:

• 图形理论描述符和机器学习,特别是ANN的组合,为预测药物特性提供了强大的工具.
• 这种方法具有显著的潜力,可以加速在瘤应用中的药物发现和优化.
• SHAP分析提供的可解释性提高了对结构-属性关系的理解,有助于合理的药物设计.