机器学习方法用于建立乙酰胆碱酯酶抑制剂的分类模型.pdf

乙酰胆碱酯酶抑制剂是治疗阿尔茨海默病等神经退行性疾病的药物分子中的重要组成。随着科技的进步，机器学习方法已经开始在药物设计领域崭露头角，尤其是在建立分类模型方面，机器学习方法显示出了极大的潜力。本研究深入探讨了使用机器学习方法建立乙酰胆碱酯酶抑制剂分类模型的过程，并对其预测性能进行了评估。 在研究开始阶段，研究者通过计算方法获得了1559个描述符。这些描述符细致地描绘了分子的多个方面，包括组成、电荷分布、拓扑结构、几何形状和物理化学性质等。这一系列描述符的全面性确保了能够从多个维度对乙酰胆碱酯酶抑制剂进行特征提取，为后续的分类模型构建打下了坚实的基础。 特征选择是机器学习模型建立过程中不可或缺的一环。本研究采用了Fisher Score排序过滤和Monte Carlo模拟退火法的组合策略，对特征进行筛选。通过这种筛选方法，研究者最终筛选出了37个具有高度区分力的描述符，这些描述符成为了建立分类模型的关键输入。 在模型构建阶段，研究者利用上述筛选出的描述符，构建了三个不同的机器学习模型：支持向量机（SVM）、人工神经网络（ANN）和k-近邻算法（k-NN）。这些模型被分别运用到训练集上，通过五重交叉验证来测试它们的预测性能。研究结果表明，在训练集上，三个模型对正样本、负样本和总体样本的平均预测精度分别在87.3%到92.7%、67.0%到81.0%和79.4%到88.2%之间。这意味着模型具有较强的泛化能力，并且能够有效地从数据中学习并识别乙酰胆碱酯酶抑制剂的特性。 为了进一步验证模型的可靠性，研究者采用了y-scrambling方法来检测SVM模型是否存在偶然相关性。通过随机化数据验证，结果表明模型具有较高的预测价值，且不是基于偶然因素。 此外，研究者还对172个未参与模型构建的外部独立测试样本进行了预测，结果进一步证实了三种机器学习方法的有效性。在这一部分的测试中，三个模型对正样本、负样本和总体样本的预测精度分别在93.3%到100.0%、74.6%到89.6%和86.1%到95.9%之间。特别是在SVM模型中，其预测精度达到了最佳，明显优于其他相关文献中报道的结果。 本研究中的机器学习模型在乙酰胆碱酯酶抑制剂分类上显示了显著的效果，尤其是SVM模型的高精确度，为药物发现和设计提供了有力的工具。这些模型的高效性能不仅有助于加快新药研发的进程，而且在未来有可能通过进一步的优化，提高预测精度，以及扩展其应用范围，涵盖其他类型的药物分子，从而推动医学和药学领域的发展。本研究的成功为机器学习在药物设计领域中的应用提供了宝贵的参考与指导。