机器学习在抗乳腺癌候选药物预测模型中的应用

为了提高抗乳腺癌候选药物特征筛选与模型预测的准确性,提出一种新的多种组合特征筛选方法对抗乳腺癌候选药物——雌激素受体α亚型(ERα)的分子描述符进行特征筛选,并根据筛选的分子描述符构建化合物活性预测(QSAR)模型。采用1DCNN算法模型预测化合物活性,该模型的RMSE、MAE、MAPE评价指标值分别为0.40、0.41和0.08,相比传统随机森林和支持向量机算法的预测效果提高了10%。基于多种组合的特征筛选方法和1DCNN模型预测为药物化合物特征筛选与活性预测提供了新思路,后续可用于其他药物化合物的预测。