针对神经退行:使用PubChem和scikit-learn发现G9a抑制剂的三种机器学习方法
Mariya L Ivanova1, Nicola Russo2, Konstantin Nikolic2
1School of Computing and Engineering, University of West London, London, UK. mariya.ivanova@uwl.ac.uk.
Journal of computer-aided molecular design
|August 6, 2025
概括
开发了三种机器学习模型来预测G9a抑制剂的有效性和活性,为神经科学研究提供了时间和成本有效的工具. 这些模型利用PubChem数据和scikit学习算法,以提供高效的药物发现支持.
科学领域:
- 神经科学是一个神经科学.
- 计算化学的计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 对G9a在神经过程中的作用越来越感兴趣,需要有效的研究工具.
- 现有的识别G9a抑制剂的方法可能耗时且昂贵.
- 机器学习为加速G9a相关疗法的发现和开发提供了一个有前途的途径.
研究的目的:
- 开发三种不同的机器学习模型来预测G9a抑制剂的特性.
- 为G9a研究提供研究人员节省时间和成本的有效计算工具.
- 利用PubChem数据和scikit学习算法来增强预测能力.
主要方法:
- 使用Python和scikit-learn库开发了三种机器学习模型.
- 模型1:渐变增强回归器用于预测G9a抑制剂的有效性.
- 模型2:基于PubChem标识符 (CID_SID) 预测G9a抑制的极端渐变增强分类器.
- 模型3:使用IUPAC名称预测G9a抑制的随机森林分类器.
主要成果:
- 梯度增强回归器实现了17.81%的平均相对误差,用于有效性预测.
- 极端梯度增强分类器证明了79.7%的准确性,83.2%的准确性和78.4%的ROC来预测PubChem IDs的G9a抑制,在七项研究中平均准确率为82.75%.
- 随机森林分类器使用IUPAC名称实现了68.2%的准确性,识别了与G9a活性相关的关键分子碎片,如""和"酸".
结论:
- 机器学习模型为神经科学中的G9a抑制剂研究提供了有效和高效的工具.
- 开发的模型展示了计算方法在加速药物发现方面的潜力.
- 该研究强调了PubChem数据和各种ML算法的实用性,用于预测化合物的疗效和活性.
更多相关视频
10:03Studying Pre-formed Fibril Induced α-Synuclein Accumulation in Primary Embryonic Mouse Midbrain Dopamine Neurons
Published on: August 16, 2020
10.7K
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
500
