可解释的QSAR建模用于使用增强指纹和基于SHAP的特征选择进行免疫毒性预测.
D R Shin1, I H Song1, S K Lee1
1Department of Chemistry, Hannam University, Daejeon, Republic of Korea.
SAR and QSAR in environmental research
|November 5, 2025
概括
这项研究开发了一种新的可解释的定量结构-活性关系 (QSAR) 模型,以使用免疫细胞数据预测化学免疫抑制毒性. 该框架有助于早期识别有害化学物质,以实现更安全的药物开发和化学设计.
科学领域:
- 毒理学 毒理学 毒理学
- 计算化学的计算化学
- 免疫学 免疫学 免疫学
背景情况:
- 准确预测化学免疫毒性对于安全评估和药物开发至关重要.
- 目前的方法面临的局限性是由于稀缺的体外数据和复杂的免疫反应.
研究的目的:
- 引入一种可解释的基于结构-活性关系 (QSAR) 的定量建模框架,用于评估免疫抑制毒性.
- 通过机器学习和特征选择来识别免疫抑制的关键分子决定因素.
主要方法:
- 利用了Jurkat,外围血液单核细胞 (PBMC) 和THP-1免疫细胞系的IC50数据.
- 采用了三种基于树的机器学习算法,具有特征选择.
- 应用了SHapley添加式解释 (SHAP) 来实现模型解释性和结构警报提取.
主要成果:
- 确定了与免疫抑制作用相关的关键分子决定因素.
- 增强的模型解释性为免疫毒性提供了机理性的洞察力.
- 通过集成的细胞特异性数据和可解释的建模,证明了免疫毒性预测的可靠性提高.
结论:
- 开发的框架为早期识别免疫毒性化学物质提供了科学基础的方法.
- 这项研究支持更安全的化学设计和在毒理学和药物开发领域的知情决策.
- 细胞特异性数据和可解释模型的整合提高了免疫毒性预测的准确性.
更多相关视频
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
2.1K
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.9K
