学术速运|利用深度学习方法进行血液毒性的结构分析和预测

学术速运|利用深度学习方法进行血液毒性的结构分析和预测_第1张图片

题目:Structural Analysis and Prediction of Hematotoxicity Using Deep Learning Approaches

文献来源:https://doi.org/10.1021/acs.jcim.2c01088

代码: 无(部分的分子表征工具为商业化工具,可见正文ACKNOWLEDGMENTS)

简介:在药物发现中,血液毒性已成为一种严重但被忽视的毒性。然而,只有少数模型被报道用于预测血毒性。在本研究中,作者构建了一个由759种血液毒性化合物和1623种非血液毒性化合物组成的高质量数据集,然后基于七种机器学习(ML)算法和九种分子表征的组合建立了一系列分类模型。基于两种数据划分策略和应用领域(AD)分析的结果表明,基于注意FP的最佳预测模型的平衡准确率(BA)为72.6%,验证集的接收机工作特征曲线下的区域(AUC)值为76.8%,测试集的BA为69.2%,AUC为75.9%。此外,与现有的过滤规则和模型相比,作者模型在外部验证集上获得了67.5%的最高BA值。此外,shapley附加解释(SHAP)和原子热图方法被用来发现与血液毒性相关的重要特征和结构片段,这可以为检测不想要的阳性物质提供有用的提示。采用匹配分子对分析(MMPA)和代表性亚结构衍生技术进一步表征和研究了血毒性化学物质的转化原理和独特的结构特征。本研究中提出的新颖的基于图的深度学习算法和富有洞察力的解释,可以作为新药开发中评估血液毒性的可信而有效的工具。

主要内容:

学术速运|利用深度学习方法进行血液毒性的结构分析和预测_第2张图片

------------------------------------------

来自公众号DrugPython分享

欢迎点赞收藏转发!

下次见!
 

你可能感兴趣的:(学术速运,人工智能,算法,微信公众平台,其他)