机器学习方法用于激素敏感脂肪酶抑制剂活性预测.pdf

【机器学习方法用于激素敏感脂肪酶抑制剂活性预测】 本文主要探讨了利用机器学习技术来预测激素敏感脂肪酶抑制剂的活性，这是药物研发领域的一个重要任务。激素敏感脂肪酶在人体内起着调节脂肪代谢的关键作用，其抑制剂对于治疗肥胖症和其他相关疾病具有潜在价值。文章中，研究者通过构建多种描述符来表征分子的结构和性质，这些描述符包括分子组成、电荷分布、拓扑结构、几何形态以及物理化学属性等，共计1559个。 为了筛选出最具有预测能力的描述符，研究者采用了Fischer Score排序过滤和Monte Carlo模拟退火法的结合策略，最终得到了35个关键描述符。接着，他们利用这35个描述符，分别建立了基于支持向量机（SVM）、人工神经网络（ANN）、k-近邻（k-NN）、连续核密度估计（CKD）和逻辑回归（LR）的五种机器学习模型，用于对激素敏感脂肪酶抑制剂的活性进行分类预测。 在训练集（200个样本）上，通过五重交叉验证，这五种机器学习方法对正样本、负样本和总体样本的平均预测精度分别在78.0%至94.0%、69.0%至91.0%和73.5%至92.5%之间。同时，通过Y-scrambling方法对SVM模型进行了偶然性相关性检验，结果显示预测精度显著低于实际模型，证实了所建立的模型并非偶然相关。 在未参与模型构建的52个外部独立测试样本上，各种机器学习方法对正样本、负样本和总体样本的预测精度分别在84.6%至92.3%、88.5%至92.3%和86.5%至92.3%之间。其中，SVM、CKD和LR的表现优于其他方法，并且优于文献中报道的结果。 该研究展示了机器学习方法在预测激素敏感脂肪酶抑制剂活性方面的有效性和潜力，为药物设计提供了新的工具和策略。这些模型可以辅助科研人员快速评估新化合物的活性，加速药物筛选过程，减少实验成本，对于新药研发具有重要意义。关键词包括激素敏感脂肪酶抑制剂、机器学习方法和变量筛选，表明该研究结合了生物信息学和计算化学的最新进展，为相关领域的研究提供了有价值的参考。