一个准确的NAFLD集体学习,针对NAFLD治疗
Andi Endang Kusuma Intan1, Kanokwan Jarukamjorn2, Tarapong Srisongkram2
1Graduate School in the Program of Research and Development in Pharmaceuticals, Faculty of Pharmaceutical Sciences, Khon Kaen University, Khon Kaen 40002, Thailand.
ACS omega
|September 2, 2025
概括
研究人员开发了一种机器学习模型,用于预测非酒精性脂肪肝 (NAFLD) 抑制剂. 这种方法提高了可以减缓NAFLD进展的分子的预测,有助于药物发现.
科学领域:
- 生物医学信息学
- 计算化学
- 药物发现
背景情况:
- 非酒精性脂肪肝 (NAFLD) 具有复杂的病理生理机制,使治疗具有挑战性.
- 预测抑制NAFLD进展的分子需要先进的计算方法.
研究的目的:
- 开发和验证基于机器学习 (ML) 的堆叠组合模型,用于预测NAFLD抑制剂.
- 确定与NAFLD抑制有关的关键分子特征.
主要方法:
- 从临床前研究中收集了75种药物,将它们分为诱导剂或抑制剂.
- 计算了12个分子指纹, 并训练了3个基线ML模型.
- 开发了一个基于基线预测而训练的堆叠组合模型,并使用5倍交叉验证和LOOCV进行验证.
主要成果:
- 堆叠组合模型在预测NAFLD抑制活性方面表现优于基线模型.
- 该模型的稳定性和适用性领域得到了验证,确保可靠的预测.
- 关键的分子特征,包括碳酸,和芳香环,被确定为具有影响力的.
结论:
- 堆叠组合学习为改善NAFLD研究中的分子性质预测提供了一种有效的方法.
- 开发的模型和相关软件在GitHub上可用于支持药物发现管道.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.2K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
