机构名称：
¥ 1.0
摘要 能够估计药物在临床试验中获得批准的概率为优化药物研究工作流程提供了天然优势。临床试验的成功率对成本、开发时间以及严格的监管审批流程的压力有着深远的影响。我们提出了一种机器学习方法，该方法可以使用生物活性、化合物的物理化学性质、靶标相关特征和基于 NLP 的化合物表示以可靠的准确度预测试验结果。生物活性从未被用作预测特征。我们从临床试验中提取了药物-疾病对，并使用多个数据源将靶标映射到该对。实证结果表明，集成学习优于独立训练的小数据 ML 模型。我们报告了从随机森林分类器得出的结果和推论，该分类器的平均准确率为 93%，并且“通过”类的 F1 得分为 0.96。“通过”是指所有临床试验的两个类别（通过/失败）之一，该模型在预测“通过”类别方面表现良好。特征分析表明，生物活性在预测临床试验结果方面发挥着重要作用。我们付出了巨大努力来制作数据集，这是首次将临床试验信息与蛋白质靶标整合在一起。本研究提供了映射这些实体的所有代码，所有数据均来自公开来源。虽然我们的模型在包含生物活性时识别出低位推论，但整合生物活性和靶标信息的代码使研究人员能够访问深度策划和专有的临床试验数据库，从而获得更深入的见解、更好的统计意义以及更好地预测试验失败的能力。
利用药物生物活性预测临床试验结果 - ...
主要关键词
相关文件推荐
