暂无相关图片

利用决策森林算法模型可更好的预测药物性肝损伤

2017-12-21

译者 沧海一叶舟

药物所致的肝损伤(DILI)对药物的开发和调控科学提出了重大挑战。FDA肝毒性知识库(LTKB)评估了 1000余种药物引起DILI的可能性,将其中700余种药物分DILI高风险、DILI低风险和无DILI三类。

基于此数据集,研究使用具有Mold2结构描述符的决策森林(Decision Forest, DF,一种分类统计学算法模型)机器学习算法,开发并比较了2级和3级DILI的预测模型。模型评估通过1000次迭代5倍交叉验证,1000次自举验证和1000次排列测试(评估机会相关性)。此外,研究还进行了预测置信度分析,为预测结果的正确解释提供了额外指标。

研究发现,3级模型估计DILI风险不仅具有较高的准确性,而且与2级DILI模型相比,3级模型还提高了DILI高风险药物与无DILI药物的区分能力。研究展示了药物成分模型的实用性。此外,还确定了药物分子学特征对于评估DILI风险的重要性。

研究结果表明,3级模型比2级模型(大部分文献都关注的)在药物安全评估方面提供了更好的选择。

https://www.ncbi.nlm.nih.gov/pubmed/29229971