基于随机森林和深度神经网络的药物ADMET性质预测

针对抗乳腺癌药物研发中ADMET占据比例过大且难以准确预测等问题,提出一种基于随机森林及深度神经网络模型的候选药物ADMET性质预测模型。模型在保留分子结构信息的前提下,能够减少特征冗余和样本维度,以随机森林算法及特征选择过程结合变量重要性评分方法,获取最优分子描述符变量特征。通过改进DNN模型结构中各层之间的快捷连接方式,更有效地保留分子结构信息。在公开数据集中进行对比试验,结果表明所模型在测试集中5种ADMET性质分类预测平均准确度可达89.15%,优于当前主流模型,具有更强的适用性。

基于随机森林的逻辑回归预测抗乳腺癌药物的ADMET性质

药物的ADMET性质(即药代动力学性质和安全性)是影响药物研发成败的最主要因素。为提高抗乳腺癌候选药物的研发成功率并减少开发成本,针对抗乳腺癌药物ADMET性质预测,采用一种基于随机森林的逻辑回归模型。基于该模型对抗乳腺癌药物ADMET性质进行预测,并进行对比验证。结果表明,该方法对抗乳腺癌药物ADMET性质预测的准确率较高且性能良好,为优化抗乳腺癌药物ADMET性质的预测提供了新的方案。

化合物ADMET性质预测平台的构建

在药物研发早期阶段对化合物成药性和安全性进行评估,对于提高药物研发成功率、降低研发成本具有十分重要的意义。为了能够帮助药物研究工作者快速准确地判断候选化合物的成药性与安全性,开发了一个基于计算机方法的化合物ADMET性质预测平台。首先,通过文本挖掘的方法收集了化合物药代动力学性质和毒性(ADMET)的高质量实验数据。然后,根据原始文献复原了13个预测模型,同时采用支持向量机方法自建了15个具有较高预测能力的计算模型。最后,基于分布式架构,结合高性能计算集群优势,开发了化合物ADMET性质预测平台(http://www.vslead.com/?r=admet/index),用于预测28种重要的化合物ADMET性质。研究者可以使用这一平台快捷方便地对药物研究中比较重要的ADMET性质进行预测,在药物研发早期对候选化合物进行成药性评价和风险评估,有助于提高药物研的成功率,节省研发时间和经费的投入。

基于机器学习方法的药物化合物ADMET性质分类预测

化合物作为药物成分必须有良好的ADMET性质,在药物研发早期对化合物的ADMET性质进行评估,有助于提高药物研发的成功率,降低研发成本。本文使用机器学习方法,对1974个化合物建立ADMET性质分类预测模型。首先利用低方差过滤法和带L1正则的逻辑斯蒂回归进行特征选择,从729个特征中选取50个变量作为建模的主要特征。接着引入逻辑斯蒂回归、线性支持向量机、非线性支持向量机、随机森林、梯度提升树五类机器学习算法对化合物的5个ADMET性质构建25个分类预测模型进行预测,以AUC值作为预测结果的评价指标,对其分类预测能力作出对比分析,在针对这5个ADMET性质(Caco-2、CYP3A4、hERG、HOB、MN)的分类预测任务中,效果最佳的模型分别取得了0.970、0.973、0.976、0.975、0.962的曲线下面积的模型表现。

基于PSO-BP神经网络与PSO-SVM的抗乳腺癌药物性质预测

通过实验筛选研发新药的过程非常缓慢且需耗费大量的人力物力,而利用计算机辅助预测药物的分子性质可极大地节省药物研发时间和成本.因此,为了能够使抗乳腺癌候选药物对抑制ERα具有良好的生物活性和ADMET性质,针对收集到的1 974种化合物,首先利用随机森林分类器筛选出前20个对生物活性最具显著影响的分子描述符,并以此和pIC50值作为特征数据建立QSAR模型.其次,基于PSO优化BP神经网络对50个新化合物的生物活性值进行预测,模型拟合度为0.833 7,根均方误差为0.731 5,比优化前的BP神经网络预测值更贴合实际.随后为提高药物研发的成功率,依据已有的ADMET性质数据利用PSO优化SVM构建ADMET分类预测模型,算法交叉验证CV准确率达到94.076 7%,5个指标模型的预测准确率均在79%以上.结果表明,所建立的模型比基准模型的预测性能更好,采用的预测策略是有效的,可为抗乳腺癌药物的研发提供借鉴.

基于随机森林的抗乳腺癌候选药物的优化

充分利用药物大数据平台和临床资源,运用数据分析方法预测抗乳腺癌候选药物的ADMET性质和抗乳腺癌活性,为实验室研制抗乳腺癌新药过程提供参考方向。针对1974种化合物的分子描述符变量数据,分别构建以ADMET性质和pIC 50值为因变量的随机森林预测模型,模型的预测精度分别为88.7%和91.3%。基于随机森林模型求得的重要影响因子贡献率确定出4个变化显著的共同重要影响因子的取值范围,分别为MLFER_BH(0.56,2.65)、MLFER_S(1.30,4.41)、WTPT-5(0.00,10.01)和SdssC(-1.92,2.76),对实现抗乳腺癌药物的优化具有指导意义。

可“AI”的药物研发:人工智能赋能药物研发的各环节

药物的研发流程复杂程度极高、未知性极强。近年来,人工智能在药物研发的各个环节展示出极大魅力,重塑、变革着药物研发过程。未来,人工智能赋能药物研发的潜力将不断被发掘。

抗乳腺癌候选药物的优化建模

雌激素受体α亚型(ERα)是临床重要的药物靶点,治疗乳腺癌候选药物的化合物需能拮抗ERα活性。采用建立化合物活性预测模型的方法来筛选乳腺癌候选药物可降低药物研发的时间和成本。本文先利用随机森林对分子描述符对生物活性的贡献度排序,然后按变量相关性进行系统聚类,采用斯皮尔曼相关系数确定与生物活性相关性最显著的20个变量。接着利用神经网络建立化合物对ERα生物活性的定量预测模型,对比预测与实际结果。然后利用二次SVM构建化合物ADMET性质分类预测模型。最后,利用粒子群算法进行目标寻优,确定分子描述符及其取值使得生物活性和ADMET性质最优。本文模型能很好预测具有更好生物活性的新化合物分子,能实现可作为临床治疗乳腺癌候选药物的化合物的筛选。