换一批集成机器学习和元启发式算法的靶点抑制剂活性预测
Prediction of Target Inhibitor Activity by Integrating Machine Learning and Metaheuristic Algorithms
摘要传统的机器学习(ML)和深度学习(DL)在预测靶点抑制剂的选择性方面发挥着关键作用.许多基于现有数据集的模型可用于预测化合物的生物活性,但对于ML和DL用于此类活性预测任务的性能孰优孰劣仍存在争议.该文基于不同分子特征构建数据集,运用10种元启发式算法优化11种ML和DL模型的超参数,旨在系统比较模型的预测性能,识别最优模型.结果表明,基于元启发式超参数优化算法的ML和DL模型,在预测性能上显著优于采用传统网格搜索优化超参数的ML和DL模型.此外,在低维特征空间中,基于分子图的DL模型(如SSA-GAT和SSA-Attentive FP)能够通过端到端的学习机制,自动从数据中提取有效特征,其性能优于ML模型;而在高维特征空间(如RDKit计算的ECFP、AtomPairs、MACCS指纹组合形成的特征空间)中,ML方法借助信息互补的分子特征和元启发式优化算法的高阶寻优能力,能够有效捕捉特征之间的复杂交互关系,通常在高维建模中展现出更高的准确性与鲁棒性.这些发现为指导选择ML和DL方法用于靶点抑制剂的活性预测提供了有用的信息.
更多相关知识
关键词
元启发式优化算法机器学习深度学习靶点抑制剂活性分子指纹分子图metaheuristic optimization algorithmmachine learningdeep learningtarget inhibitor activitymolecular fingerprintsmolecular graph
栏目名称
DOI
10.12141/j.issn.1000-565X.250020
发布时间
2026-03-05（万方平台首次上网日期，不代表论文的发表时间）
- 浏览6
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
