基于机器学习和分子对接的BindingDB数据库配体对EGFR、HER2、雌激素、孕激素和NF-kB受体的筛选
医学物理
2024-05-02 v1 机器学习
摘要
乳腺癌是全球女性中第二常见的癌症，需要探索新的治疗方法。为了靶向乳腺癌的四个亚型：“激素受体阳性且HER2阴性、激素受体阳性且HER2阳性、激素受体阴性且HER2阳性、以及激素受体阴性且HER2阴性”，抑制EGFR、HER2、ER、NF-kB和PR等特定靶点至关重要。在本研究中，我们评估了用于二元和多分类的各种方法。其中，选择了GA-SVM-SVM:GA-SVM-SVM模型，其对来自BindingDB数据库的配体进行虚拟筛选的准确率为0.74，F1分数为0.73，AUC为0.94。该模型成功地从BindingDB数据库中分别识别出4454、803、438和378个配体，这些配体在EGFR+HER2、ER、NF-kB和PR类别的活性/非活性和靶点预测中具有超过90%的精确度。根据选定的配体，我们创建了一个树状图，根据其靶点对不同配体进行分类。该树状图旨在促进对各种治疗靶点化学空间的探索。超过活性概率和正确靶点选择概率乘积90%阈值的配体被选择用于分子对接的进一步研究。这些配体对其各自靶点的结合能范围计算在-15至-5 kcal/mol之间。最后，基于药物化学的一般和常见规则，我们分别从EGFR+HER2、ER、NF-kB和PR类别中选出了2、3、3和8个具有高优先级的新配体，用于进一步研究。
引用
@article{arxiv.2405.00647,
title = {Screening of BindingDB database ligands against EGFR, HER2, Estrogen, Progesterone and NF-kB receptors based on machine learning and molecular docking},
author = {Parham Rezaee and Shahab Rezaee and Malik Maaza and Seyed Shahriar Arab},
journal= {arXiv preprint arXiv:2405.00647},
year = {2024}
}