대규모 데이터 세트와 기계 학습 알고리즘을 이용하여 정의된 적용 가능 영역을 가진 PPARγ 결합 친화도에 대한 QSAR 모델 개발

화학물질은 퍼옥시좀 증식 인자 활성화 수용체 γ (PPARγ)와의 결합을 통해 인간 건강에 부정적인 영향을 미칠 수 있습니다. 따라서 결합 친화도는 잠재적인 내분비 교란 효과가 있는 화학물질을 평가하는 데 유용합니다. 정의된 적용 가능 영역 (ADs)을 가진 정량적 구조-활성 관계 (QSAR) 회귀 모델은 PPARγ 결합 활성을 가진 화학물질의 효율적인 스크리닝을 가능하게 하는 데 중요합니다. 그러나 대규모 데이터 세트의 부족은 QSAR 모델 개발을 방해했습니다. 본 연구에서는 다양한 출처에서 수집된 PPARγ 결합 친화도 데이터 세트를 바탕으로 분자 지문, 2차원 설명자 및 5개의 기계 학습 알고리즘을 사용하여 30개의 QSAR 모델을 개발했습니다. 훈련 화합물의 구조-활성 경관 (SALs)은 네트워크 형태의 유사성 그래프 (NSGs)로 설명되었습니다. NSGs를 기반으로 지역적 불연속 점수가 계산되었고, 서로 다른 훈련 세트, 설명자 및 알고리즘을 사용하는 모델의 교차 검증 절대 예측 오차와 긍정적으로 상관관계가 있음이 발견되었습니다. 더욱이, 화합물 간의 쌍별 유사성을 바탕으로 혁신적인 ADs가 정의되었으며, 일부 기존 ADs보다 더 우수한 성능을 보였습니다. 수집된 데이터 세트와 개발된 회귀 모델은 PPARγ 관련 화학물질의 부정적인 영향을 평가하는 데 유용할 수 있습니다. SAL 분석 및 혁신적인 ADs는 QSAR 모델의 예측 결과를 이해하는 데 도움을 줄 수 있습니다.