使用XGBoost工程概率和深度神经网络增强预测建模:用于构建可靠的激酶抑制QSAR模型的混合方法

科学领域:

• 药用化学 医学化学
• 计算化学计算化学
• 药理学 药理学是指药理学的学科.

背景情况:

• 新型抗瘤疗法向蛋白激酶,需要分子来调节激酶活性.
• 准确预测酶抑制对于开发有效的癌症药物至关重要.

研究的目的:

• 开发一种混合机器学习架构,用于改进酶抑制定量结构-活性关系 (QSAR) 预测.
• 提高用于瘤药物设计的QSAR模型的准确性和稳定性.

主要方法:

• 一个混合ML模型,结合了极端梯度增强 (XGBoost) 和深度神经网络 (DNN).
• XGBoost 处理结构化数据特征; DNN 改进概率估计.
• 来自XGBoost的预测概率被用作DNN的输入特征.
• 在大型数据集上训练了40个QSAR模型 (559-5675个化合物,约400-500个描述符).

主要成果:

• 混合模型显著提高了比独立的XGBoost,随机森林 (RF) 和支持矢量机器 (SVM) 的准确性和稳定性.
• 对JAK2,BRAF和TRK-α的精度提升达到了14%.
• 获得了VEGFR2和PIK3Cδ的13%增强,以及其他30个激酶数据集的5-12%.

结论:

• 拟议的混合ML方法为酶抑制QSAR建模提供了卓越的性能.
• 这种方法对瘤药物设计和一般的QSAR建模有价值.
• 模型是公开可供使用的.