基于机器学习方法的激素敏感脂肪酶抑制剂活性预测(英文).pdf

【激素敏感脂肪酶抑制剂活性预测】是药物研发领域中的一个重要课题，特别是在糖尿病治疗中。激素敏感脂肪酶（Hormone-Sensitive Lipase, HSL）是脂肪酸代谢的关键酶，其活性调节对于糖尿病的控制至关重要。由于HSL在糖尿病发病过程中的作用，抑制HSL的活性成为开发新型糖尿病治疗药物的热点。 【机器学习方法】在此过程中扮演了关键角色。支持向量机（Support Vector Machines, SVM）、k-最近邻法（k-Nearest Neighbor, k-NN）和C4.5决策树（C4.5 Decision Tree）是用于建立分类预测模型的常见机器学习算法。这些方法通过学习已知的HSL抑制剂和非抑制剂的化学结构和性质，构建模型来预测新化合物的抑制活性。 【支持向量机】在本研究中表现最佳，提供了80.0%的整体预测精度，对HSL抑制剂的预测精度达到85.7%-90.8%，对非抑制剂的预测精度为63.2%-68.4%。SVM的优势在于能处理高维数据，通过构造最优超平面实现样本分类，尤其适用于小样本量但特征维度高的问题。 【递归变量消除法】用于选择与HSL抑制剂相关的性质描述符，这是一种特征选择方法，能提高预测模型的准确性和泛化能力。通过对各个描述符的重要性进行排序和逐步剔除，筛选出最能影响HSL抑制活性的化学性质。 【分子描述符】是表征化学物质结构的关键，它们描述了分子的几何形状、电子分布、化学键特性等，是机器学习模型输入的重要组成部分。理解这些描述符对于理解HSL抑制剂的构效关系和设计新的抑制剂至关重要。 机器学习方法，特别是支持向量机，能够有效地预测潜在的HSL抑制剂，为药物设计提供了有力工具。通过递归变量消除法选择关键的分子描述符，可以进一步优化预测模型，从而推动新型糖尿病治疗药物的研发。这种方法的应用不仅限于HSL抑制剂，也可以推广到其他药物靶点的活性预测，对于加速药物发现和优化具有重要意义。