.png){kind=icon}
返回
Efficient decoy selection to improve virtual screening using machine learning models
.png){kind=icon}
OA
AI
DOI：10.1186/s13321-025-01107-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习模型采用蛋白质-配体相互作用指纹在药物发现中作为靶标特异性打分函数展现出前景，但其性能关键依赖于底层的诱饵分子选择策略。认识到诱饵分子选择策略对模型性能的这种关键作用，我们分析了多种基于蛋白质原子得分贡献导出的相互作用指纹（Protein per Atom Score Contributions Derived Interaction Fingerprint, PADIF）的诱饵分子选择策略以增强机器学习模型。我们探索了三种不同的诱饵分子选择工作流程：（1）从ZINC15等大型数据库中随机选择；（2）利用存储为暗化学物质的高通量筛选（HTS）实验中的非结合物；（3）通过利用对接结果的多样化构象进行数据增强。来自ChEMBL的活性分子结合这些诱饵分子选择方法，用于训练和测试不同的基于PADIF的机器学习模型。最终验证通过确认LIT-PCBA数据集中实验确定的非活性化合物完成。我们的发现表明，使用ZINC15随机选择和暗化学物质中的化合物训练的模型，其性能与使用实际非结合物训练的模型高度相似，为在缺乏特定非活性数据的情况下创建准确模型提供了可行的替代方案。此外，所有模型均表现出增强的能力，以探索针对其特定靶标的新的化学空间，并提高了对顶级活性化合物的选择能力，从而增强了分子对接中的筛选能力。这些发现表明，适当的诱饵分子选择策略可以在缺乏大量实验数据的情况下维持模型准确性并扩展其靶标适用性。本研究为利用公共数据集创建新的生物活性机器学习分类模型提供了更多的诱饵分子选择方案。通过分子对接协议和PADIF表示，我们识别了使用该方法的益处，以改进分子对接中的结合物选择。
期刊
IF:
5.7
论文数:
1.5K
被引数:
1.1W
机构
引用论文
Docking-based generative approaches in the search for new drug candidates.png)
DRUG DISCOVERY TODAY
OAAI
DRUG DISCOVERY TODAYIF7.5
OAAI分享收藏LIT-PCBA: An Unbiased Data Set for Machine Learning and Virtual ScreeningLit-pcba: 用于机器学习和虚拟筛选的无偏数据集OAAI
OAAI分享收藏Dark chemical matter as a promising starting point for drug lead discoveryNATURE CHEMICAL BIOLOGY
NATURE CHEMICAL BIOLOGYIF13.7
PREAI
分享收藏Adding Stochastic Negative Examples into Machine Learning Improves Molecular Bioactivity PredictionOAAI
OAAI分享收藏
查看更多内容