前药ML:通过机器学习对样本负诱进行前药相似性预测

科学领域:

• 计算化学和化学信息学
• 药物发现和开发 药物发现和开发
• 机器学习在药理学中的应用

背景情况:

• 产药是不活性药物衍生物,通过体内转化改善溶解性,透性和向性.
• 目前的in silico前药物查受到缺乏可靠的负面示例的阻碍,导致有偏见和不可重复的基准.
• 这种局限性阻止了基于机器学习的高效前药物查方法的开发.

研究的目的:

• 引入Prodrug-ML,这是一个高效的基于机器学习的选工具,用于评估产药相似性.
• 为了使药物化学家能够对前药物创意进行分类,过候选图书馆,并识别可能的前药物化学型.
• 通过优先考虑高得分的候选人进行合成和测试,减少湿实验室的工作量和实验成本.

主要方法:

• 使用LightGBM分类器开发了Prodrug-ML框架,其中包含三个互补的,属性控制的阴性队列.
• 实现了硬度控制,标签噪声防护,域偏差控制和跨诱验证与多型号功能选择.
• 通过严格的验证协议,对保留数据的模型和未见测试基准进行了评估.

主要成果:

• 多模型组合始终改善了早期检索和基准评估中的整体歧视.
• 实现了高性能指标,包括BEDROC,ROC AUC,平均精度和F1分数.
• 在排名第一的候选药物中显示出可能的前药物的度,这意味着实验时间和成本的显著减少.

结论:

• Prodrug-ML提供了一种高效的基于机器学习的方法来优先考虑前药物候选者,而不是断言机械真理.
• 该框架通过构建可靠的负面队列和采用强大的验证策略来解决现有方法的局限性.
• Prodrug-ML促进了药物发现的实际应用,帮助药物化学家减少实验负载,同时保持化学多样性.