XiaoMi-AI文件搜索系统
World File Search SystemQSAR
新型QSAR模型，用于预测细胞色素P450酶的可逆和时间依赖性抑制
carboxamid e carboxylate carboxylic acid ether halide hydrazine hydroxylamine imine iminomethyl ketone nitrile quinones sulfide sulfonamide sulfone sulfoxide urea CYP3A4 4.673 -1.657 1.259 -0.5551 -2.915 5.568 1.027 9.7 0.22 3.645 1.812 -8.266 -3.206 -0.72 4.486 -2.023 3.258 -1.178 -4.696 -1.171 0.2793 2.299 2.656 2.656 -2.057 -2.223 4.487 CYYP3A4 MBI COPT 1.056 1.124 -3.735 3.305 2.279 -0.2916 -0.5531 1.76 -1.762 -1.122 0.0924 -1.604 -0.185 0.7485 -0.8378 -1.71 -2.679 CYP2C9 -1.714 -1.019 0.5386 -1.888 -0.4591 -4.956 0.6673 -1.543 -5.244 -1.749 -2.953 -2.057 1.877 2.274 -3.064 0.9572 1.215 -0.9967 -2.176 1.688 -1.019 -0.5739 5.121 5.445 -1.431 -1.756 CYP2C19 -2.273 -1.076 2.023 -1.003 0.6657 -0.6112 0.8963 -7.442 -2.295 -0.02369 -3.314 0.04706 -1.89 -2.443 0.2077 0.062 -1.207 -3.293 -0.1096 1.859 4.388 -0.701 -2.874 -2.715 -3.454 CYP2D6 5.566 -1.377 -3.444 -3.224 -2.803 10.12 -0.9736 -1.175 -16.24 -7.884 -2.954 -11.59 -0.9727 -2.91 -4.197 -1.804 0.6502 -3.126 -2.019 -0.9496 -1.377 3.191 -4.559 -3.354 -1.54 1.906
QSAR建模用于预测阿尔茨海默氏病中β-分泌酶1抑制活性，并具有支持载体回归
摘要阿尔茨海默氏病（AD）是一种神经退行性疾病，其特征是认知能力下降，β-淀粉样蛋白（Aβ）斑块的积累在其进展中起关键作用。β-分泌酶1（BACE1）是Aβ产生的关键酶，使其成为AD治疗的主要治疗靶标。但是，由于选择性差和血脑屏障的渗透性有限，设计有效的BACE1抑制剂一直在挑战。为了应对这些挑战，我们在定量结构活性关系（QSAR）模型中使用支持向量回归（SVR）采用了机器学习方法来预测潜在的BACE1抑制剂的抑制活性。我们的模型在Chembl数据库的7,298种化合物的数据集上训练，使用分子描述符准确地预测了PIC 50值，在测试集中实现了R²为0.690。该模型的性能证明了其在优先考虑候选药物的优先级方面的实用性，可能会加速药物发现。这项研究强调了计算方法在优化药物发现方面的有效性，并表明进一步的完善可以增强该模型对AD疗法的预测能力。
PAMPA-BBB QSAR 模型的开发和验证，用于预测新型候选药物的脑渗透潜力
有效绕过血脑屏障 (BBB) 是开发针对中枢神经系统的药物的主要障碍。虽然有几种方法可以确定小分子的 BBB 通透性，但平行人工膜通透性测定 (PAMPA) 是药物发现中最常见的测定方法之一，因为它具有稳健和高通量的特性。药物发现是一项长期且昂贵的事业，因此，任何简化此过程的进展都是有益的。在这项研究中，在 PAMPA-BBB 测定中筛选了来自 60 多个 NCATS 项目的约 2,000 种化合物，以开发定量结构-活性关系模型来预测小分子的 BBB 通透性。在分析了最先进和最新的机器学习方法之后，我们发现基于 RDKit 描述符作为附加特征的随机森林提供了最佳的训练平衡准确度 (0.70 ± 0.015)，而使用 RDKit 描述符的图卷积神经网络的消息传递变体在前瞻性验证集上提供了最高的平衡准确度 (0.72)。最后，我们将体外 PAMPA-BBB 数据与啮齿动物体内脑渗透数据相关联，观察到 77% 的分类相关性，这表明使用 PAMPA-BBB 数据开发的模型可以预测体内脑渗透性。鉴于大多数先前研究依赖体外或体内数据来评估 BBB 渗透性，我们使用迄今为止最大的 PAMPA-BBB 数据集开发的模型提供了一种正交方法来估计小分子的 BBB 渗透性。我们将部分数据存入 PubChem 生物测定数据库 (AID: 1845228)，并在 NCATS 开放数据 ADME 门户 (https://opendata.ncats.nih.gov/adme/) 上部署了性能最佳的模型。这些举措旨在为药物研发界提供宝贵的资源。
REACH 下 QSAR 不同用途的多策略评估 替代品分析以提高信息透明度
摘要：在化学品注册、评估、授权和限制 (REACH) 替代品分析 (AoA) 流程中，定量结构-活性关系 (QSAR) 模型在扩展信息收集和组织框架方面发挥着重要作用。越来越多地被认可为注册测试的替代方案。QSAR 已成为评估替代物质时弥补数据差距和支持证据权重 (WoE) 的重要工具。此外，QSAR 在综合测试策略 (ITS) 中的重要性日益增加。例如，针对特定终点的 REACH ITS 框架指示注册人在决定是否需要进一步进行动物测试时考虑非测试结果，包括 QSAR 预测。尽管 QSAR 在这些框架中的重要性有所提高，但在授权下对 QSAR 的使用和 QSAR 文档的评估方面仍存在差距。对于 AoA，对 QSAR 预测在证据收集和组织中发挥作用的不同用途（例如，WoE 和 ITS）的评估仍未得到解决。本研究通过对截至 2017 年 5 月的 24 份 AoA 进行实质性审查，探讨了 QSAR 预测信息的差异，这些 AoA 包含 REACH 下的更高层级端点。了解申请人在 AoA 中管理 QSAR 预测信息的方式并评估其在 ITS 中的潜力，将有助于促进 QSAR 的监管使用，并在技术快速发展的情况下构建未来平台，同时提高信息透明度。
针对乙型肝炎病毒的非结构性蛋白质使用QSAR和机器学习方法预测重新利用的药物
乙型肝炎病毒（HCV）感染引起病毒肝炎，导致肝细胞癌。尽管临床使用直接作用抗病毒药（DAAS），但仍有5-10％的病例的治疗失败。因此，针对HCV开发新的抗病毒药至关重要。在这项工作中，我们使用机器学习和定量结构 - 活性关系（QSAR）方法开发了“抗HCV”平台，以预测针对HCV非结构性（NS）蛋白的重新定义药物。，我们从化学验证的小分子中从化学验证数据库中检索了具有生物活性（IC 50 /EC 50）的实验验证的小分子，该分子针对HCV NS3（454），NS3 /4A（495），NS5A（494）和NS5B（494）和NS5B（1671）蛋白质。这些独特的化合物分为训练/测试和独立验证数据集。使用递归特征消除算法选择相关的分子描述符和细纹。不同的机器学习技术，即。支持向量机，k-nearest邻居，人工神经网络和随机森林用于开发预分类模型。，我们使用最佳开发模型在10倍的横截面中实现了Pearson的相关系数从0.80至0.92，并且在独立数据集上的性能相似。也由适用性域，化学多样性和诱饵数据集分析支持了开发的预测模型的鲁棒性和可靠性。使用“抗HCV”预测模型来识别潜在的重新利用药物。代表性候选者通过分子对接进一步验证，该分子对象表现出高结合功能。靶向HCV NS蛋白。因此，这项研究确定了有望重新利用的药物。naf- tifin，丁亚比塔尔（NS3），乙烯苯甲胺，上rip丁（NS3/4A），pipecuronium，trimephaphan（ns5a），olodaterol和vemurafenib（NS5B）等（NS5B）等这些潜在的重新利用药物可能被证明可用于针对HCV的抗病毒药物开发。2022作者。由Elsevier B.V.代表计算和结构生物技术的研究网络发布。这是CC BY-NC-ND许可证（http：//creative-commons.org/licenses/by-nc-nd/4.0/）下的开放式访问文章。
基于活动关系的药物发现：评论
摘要这篇全面的评论探讨了集合机器学习技术在定量结构 - 活性关系（QSAR）建模中的关键作用。它强调了准确的QSAR模型在简化候选化合物选择方面的重要性，并突出了合奏方法，包括Adaboost，梯度增强，随机森林，额外树木，XGBoost，LightGBM和Catboost的重要性，有效地解决了诸如过度拟合和噪声数据的挑战。该评论介绍了集合学习在QSAR内的分类和回归任务中的最新应用，从而在不同的数据集和目标属性中展示了这些技术的出色预测准确性。它还讨论了整体QSAR建模中的关键挑战和考虑因素，包括数据质量，模型选择，计算资源和过度拟合。审查概述了集成QSAR建模的未来方向，包括多模式数据的集成，解释性，处理不平衡的数据，自动化和个性化医学应用，同时强调了在此演变领域中对伦理和监管指南的需求。
介绍和应用定量结构 - ...
在药物设计方面进行了40年的创新，QSAR已应用于农业化学，药物化学，毒理学以及最终化学的大多数方面的实践中（Bhatia R，2011; Hansch C等，1962）。在开始时，QSAR被视为物理有机化学的逻辑扩展。由于使用相对简单的回归方法将QSAR建模已应用于一系列的过同类化合物，因此它已逐渐增长并融合到对非常大的数据集的分析中，其中包括数千种不同的分子结构，使用多种统计和机器学习技术（Cherkasov A等人，2014年）。一个多世纪以前，像弗雷斯（Crum-Brown）和弗雷泽（Fraser）这样的科学家阐明了有关物质的生理作用的想法，这是化学成分和宪法的功能。在1868年，克鲁姆 - 布朗和弗雷泽（Crum-Brown）和弗雷泽（Fraser）表达了物质在某个生物系统（Ø）中的生理作用术语以及其化学组成和构成（c）的功能（f）。
预测深度学习时代肝毒性的计算模型
药物诱导的肝损伤（DILI）是由药物引起的严重不良反应，可能导致急性肝衰竭甚至死亡。许多努力集中在减轻与潜在DILI相关的风险上。在其中，定量结构活性关系（QSAR）被证明是早期肝毒性筛查的有价值工具。它的优点不包括对物质物质和快速交付结果的要求。深度学习（DL）最近取得了快速的进步，并已用于开发QSAR模型。本综述讨论了DL在预测DILI中的使用，重点是采用广泛的化学结构数据集及其相应的DILI结果的QSAR模型的开发。我们对各种DL方法进行了全面的评估，与传统机器学习（ML）方法相比，并探讨了DL技术在其可解释性，可伸缩性和概括性方面的优势和局限性。总体而言，我们的综述强调了DL方法的潜力增强DILI预测，并为未来的途径提供了开发预测模型以减轻人类稀有风险的见解。
传感器
摘要目的：这项研究的目的是在硅QSAR-神经网络模型中开发出强大的外部预测性，用于预测药物的血浆蛋白结合。该模型旨在通过减少化学合成和广泛的实验室测试的需求来增强药物发现过程。方法：使用277种药物的数据集来开发QSAR神经网络模型。使用滤波器方法构建模型，以选择55个分子描述符。通过预测平方相关系数Q2和均方根误差（RMSE）评估了验证集的外部精度。结果：开发的QSAR神经网络模型显示出鲁棒性和良好的适用性域。验证集的外部准确性很高，预测平方相关系数Q2为0.966，均方根误差（RMSE）为0.063。相对，该模型的表现优于文献中先前发布的模型。结论：该研究成功地开发了一种高级QSAR神经网络模型，能够预测人类血浆中277种药物的血浆结合。该模型的准确性和鲁棒性使其成为药物发现中的宝贵工具，有可能减少对资源密集型化学合成和实验室测试的需求。