Применение искусственного интеллекта и машинного обучения для изучения взаимосвязи между структурой и биологической активностью

Ф. Сапунджи, С. Георгиев, М. Лазарова, М. Попстоилов

Abstract: Цель: Данное исследование направлено на изучение взаимосвязи между структурой и биологической активностью (SAR) дельта-опиоидных лигандов с использованием подходов искусственного интеллекта и машинного обучения (МО), совершенствуя предыдущие усилия, основанные на полиномальном моделировании (ПМ). Цель состоит в том, чтобы установить нелинейные взаимосвязи между результатами молекулярного докинга, энергией связывания и биологической активностью для повышения точности прогнозирования при разработке лекарств. Материалы и методы: Использованы 3 модели дельта-опиоидных рецепторов (DOR): теоретическая модель (PDB: 1ozc), модель кристаллической структуры (PDB: 4ej4) и гомологически смоделированная структура. Докинг-исследования были выполнены с использованием программного обеспечения GOLD, а свободные энергии связывания были рассчитаны с использованием Molegro Molecular Viewer (MMV). ПМ использовали в качестве базовой линии, в то время как методы МО регрессии, включая k-Nearest Neighbors, Gradient Boosting, Random Forest, and Extremely Randomized Trees, применялись для нахождения нелинейных связей (SARs). Эффективность модели оценивалась с использованием k-кратной перекрёстной проверки и оптимизации поиска по сетке. Результаты: Среди протестированных моделей Gradient Boosting продемонстрировал самую высокую точность прогнозирования, превзойдя полиномальную регрессию. Статистические метрики, такие как коэффициент определения R², среднеквадратическая ошибка (RMSE) и сумма квадратов ошибок (SSE) продемонстрировали эффективность подхода МО в нахождении сложных SARs во всех трех моделях DOR. Обсуждение: Алгоритмы МО обеспечивают надежный и эффективный метод прогнозирования SARs, позволяя более точно идентифицировать вещества выбора в качестве лекарства. По сравнению с ПМ предлагаемые методы демонстрируют большую гибкость и надежность при идентификации нелинейных взаимосвязей. Выводы: Интеграция МО в анализ SARs расширяет возможности прогнозирования, ускоряя поиск и оптимизацию лекарств. Будущая работа будет сосредоточена на распространении этих методов на другие системы рецептор-лиганд и изучение дополнительных алгоритмов.

Keywords: дельта-опиоидный рецептор; моделирование лекарства; машинное обучение; молекулярный докинг; взаимосвязь структуры и биологической активности

DOI: 10.7546/SB.01.10.2025

Date published: 2025-03-25