暂无相关图片

基于QuBiLS-MAS特征和浅层学习的集成研究模型可用于预测药物性肝损伤

2020-06-03

译者 沧海一叶舟

药物性肝损伤(DILI)是药物研发过程中的重要安全问题,也是监管机构的主要关注问题。因此,为改善有机化学药品的肝毒性预测,开发出了许多计算机模拟工具。

本研究中,通过使用QuBiLS-MAS 0-2.5D分子描述符和浅层机器学习技术,在1075个分子组成的训练集上开发了DILI的预测分级器,获得的最佳集合模型E13,具有良好的学习型统计参数,即:准确度= 0.840,灵敏度= 0.890,特异性= 0.761,马修相关系数= 0.660,AUC(Area Under the ROC Curve)= 0.904。该模型通过Y加扰测试,重复的k倍交叉验证和重复的k保持验证,获得了满意的效果评估。此外,模型还通过使用2个测试集和5个外部测试集,进行了详尽的外部验证,根据其适用范围,其平均准确度为0.854(±0.062),覆盖率为98.4%。

研究还对相关文献中报道的结果和工具(例如Padel DDPredictor软件、深度学习DILIserver和Vslead)进行了E13模型的性能统计比较,结果发现,E13模型在所有实验中均表现出了最佳的整体性能。排名差异汇总程序提供了与M-ANOVA统计分析非常相似的分组模式,E13为DILI预测的最佳模型。

研究还开发了非商业性且完全跨平台应用的DILI预测软件,软件可从http://tomocomd.com/apps/ptoxra免费获得。该软件可用于筛选7个数据集,包括天然产物、铅、有毒物质和FDA批准的药物,以评估QSAR模型在DILI标记有机物质中的有效性;研究发现50-92%的被评估分子为正性DILI化合物。

总而言之,E13模型是预测人类DILI风险的一种相关方法,在所有分析方法中,其结果最佳。

文章来源:https://www.ncbi.nlm.nih.gov/pubmed/32406679