siRNA结构与效价关系的机器学习建模及其在SARS-CoV-2刺突基因中的应用
生物大分子
2024-01-24 v1 机器学习
摘要
药物研发（R&D）过程漫长且昂贵，将新药推向市场需要近十年时间。然而，生物技术、计算方法和机器学习算法的进步有可能彻底改变药物发现，加快进程并改善患者预后。COVID-19大流行进一步加速并加深了人们对这些技术潜力的认识，尤其是在药物再利用和疗效预测领域。同时，非小分子治疗方式，如细胞疗法、单克隆抗体和RNA干扰（RNAi）技术，因其靶向特定疾病通路和/或患者群体的能力而日益重要。在RNAi领域，已经进行了许多实验来设计和选择高效的siRNA。然而，高效siRNA的既定模式有时是矛盾的，并且无法一致地确定针对目标mRNA的最有效siRNA分子。因此，本文专注于开发基于核苷酸组成（即AUTGC）的化学信息学表示的机器学习模型，以预测siRNA的效价，并帮助选择最有效的siRNA用于进一步开发。本文构建的PLS（偏最小二乘）和SVR（支持向量回归）机器学习模型优于先前发表的模型。这些模型有助于预测siRNA效价，并帮助选择最佳的siRNA分子用于实验验证和进一步的临床开发。该研究证明了AI/机器学习模型在加速基于siRNA的药物发现（包括发现针对SARS-CoV-2的有效siRNA）方面的潜力。
引用
@article{arxiv.2401.12232,
title = {Machine Learning Modeling Of SiRNA Structure-Potency Relationship With Applications Against Sars-Cov-2 Spike Gene},
author = {Damilola Oshunyinka},
journal= {arXiv preprint arXiv:2401.12232},
year = {2024}
}
备注
Master's thesis