基于机器学习的电子性质作为查耳酮衍生物抗胆碱酯酶活性预测因子的分析
计算物理
2023-09-15 v1 应用物理
数据分析、统计与概率
摘要
在本研究中，我们探究了抗胆碱酯酶化合物的电子性质与其生物活性之间的相关性。尽管此类相关性的方法已较为成熟并在先前研究中有效应用，我们采用了一种更为精细的方法：机器学习。最初，我们聚焦于一组共享共同查耳酮骨架的个分子，并根据其IC50指数将其分为两组：活性与非活性。利用开源软件Orca，我们进行了计算以确定这些分子的几何结构与电子结构。从这些数据中收集了逾百个参数，作为机器学习所用特征的基础。这些参数包括骨架内每个原子的Mulliken与Lowdin电子布居、分子轨道能量以及Mayer自由价。通过分析，我们开发了众多模型并识别出若干能有效区分两组的成功候选模型。值得注意的是，对此区分最具信息量的描述符仅依赖于电子布居与轨道能量。通过理解哪些经计算得出的性质与特定生物活性最相关，我们能够显著提升药物开发过程的效率，节省时间与资源。
引用
@article{arxiv.2309.07312,
title = {Machine Learning-based Analysis of Electronic Properties as Predictors of Anticholinesterase Activity in Chalcone Derivatives},
author = {Thiago Buzelli and Bruno Ipaves and Wanda Pereira Almeida and Douglas Soares Galvao and Pedro Alves da Silva Autreto},
journal= {arXiv preprint arXiv:2309.07312},
year = {2023}
}
备注
to be submitted to Journal of Chemical Information and Modeling