리간드 발견을 위한 베이지안 모델 평균

고속 스크리닝(HTS)은 이제 제약 산업에서 잠재적인 약물 유사 리드 분자를 식별하기 위해 사용되는 표준 접근 방식입니다. 생물학적 데이터와 분자 특성을 연결하는 분석은 학계와 제약 연구 모두에서 주요 목표입니다. 본 논문은 약리 포스트와 리간드 발견을 위한 새로운 방법으로 분류 트리를 학습하기 위해 마르코프 연쇄 몬테카를로(MCMC) 시뮬레이션을 사용하여 고차원 설명자 데이터에 대한 베이지안 분석을 제시합니다. 우리는 단백질 피루브산 키나제에 대한 실험적으로 결정된 결합 친화도 데이터를 사용하여 모델 평균화 알고리즘을 훈련시키고 평가한 후, 370만 개 이상의 분자로 구성된 대규모 데이터베이스에 적용합니다. 우리는 중앙 베이지안 주제에 대한 여러 변형의 결과를 두 개의 신경망(NN) 구조 및 서포트 벡터 머신(SVM) 결과와 비교합니다. 주요 베이지안 알고리즘은 높은 특이도와 민감도를 달성하는 것 외에도 결측 데이터가 있는 테스트 세트를 분류하고 분류된 화합물에 대한 순위를 제공하는 데 자연스럽게 적합합니다. 이 접근법은 잠재적으로 생물학적으로 활성인 화합물을 선택하고 순위를 매기는 데 사용되었으며 화합물 테스트에서 강력한 도구를 제공할 수 있습니다.