包括的肝毒性予測：機械学習と深層学習を統合したアンサンブルモデル

背景 化学物質は急性肝障害を引き起こし、人間の健康に深刻な脅威をもたらす可能性があります。化合物の正確な安全プロファイルを達成することは、複雑で高価なテスト手続きのために困難です。インシリコアプローチは、薬剤開発の初期段階で候補薬の潜在的リスクを特定するのに役立ち、開発コストを軽減します。方法 現在の研究では、さまざまな分子特徴を使用して機械学習（ML）および深層学習（DL）アルゴリズムを統合したアンサンブル戦略を使用して、肝毒性予測のためにQSARモデルが開発されました。2588の化学物質および薬剤の大規模データセットは、ランダムにトレーニング（80％）およびテスト（20％）セットに分けられ、その後、3種類の異なる記述子およびフィンガープリンツに基づいて、多様な機械学習または深層学習を使用して個々のベースモデルがトレーニングされました。モデルの性能に基づいて、モデル最適化を進めるために特徴選択アプローチが採用されました。さらに、最高の性能を持つ方法を特定するためにハイブリッドアンサンブルアプローチが利用されました。結果 投票アンサンブル分類器が最適なモデルとして現れ、80.26％の優れた予測精度、82.84％のAUC、および93％を超える再現率を達成し、その後バギングおよびスタッキングアンサンブル分類器手法が続きました。モデルはさらに外部テストセット、内部10分割交差検証、および厳密なベンチマークトレーニングにより検証され、公開されているモデルよりもはるかに信頼性が高いことを示しました。結論 提案されたアンサンブルモデルは、化学物質および薬剤による肝障害のリスク予測に関して優れたパフォーマンスで信頼できる評価を提供します。