پيش بيني مهار سيتوكروم P450-3A4 توسط داروها با استفاده از الگوريتم هاي يادگيري عميق و هوش مصنوعي

رشت

مقدمه: بخش قابل توجهي از تداخلات اصلي دارو- دارو (DDI) به علت مهار يا القاي سيتوكروم هااست. 60 درصد از اين تداخلات به علت مهار يا القاي سيتوكروم P450-3A4 مي باشد كه اغلب باعث عوارض جانبي جدي اي شده و در نتيجه منجر به زيان اقتصادي و اجتماعي غيرقابل تخميني مي شود. در حال حاضر، ارزيابي جامع مهاركنندگي سيتوكرومي با روش هايin vivo وin vitro به دليل زمان بر بودن و پرهزينه بودن فرآيند ارزيابي تجربي به يك چالش بزرگ در تحقيقات دارويي تبديل شده است و توسعه روش‌هاي موثر in silico براي پيش‌بيني و ارزيابي دقيق و كارآمد DDI ضروري است.بخشي از مشكلات پيش بيني مهار سيتوكرومي با توسعه هوش مصنوعي و استفاده از روش هاي آماري يا الگوريتم هاي يادگيري ماشين و يادگيري عميق برطرف شدند. روش كار: 17143 داده از پايگاه داده معتبرTDC استخراج شد و ساختارSMILES داده ها توسط پكيج-هايNUMPY و PANDAS پاكسازي شد و در نهايت به 12305 داده رسيديم. در مرحله بعدي ساختارSMILES توسط كتابخانه RDKit به مفهومي قابل درك براي كامپيوتر تبديل شد و سپس ويژگي هايي از كتابخانه هاي MORDRED،MACAW،RDKit استخراج شد. 80% داده ها براي آموزش مدل ها توسط پكيج هايSciKit-Learn براي يادگيري ماشين، Pytorch وFASTAI براي يادگيري عميق استفاده شد و 20% آن ها براي سنجيدن مدل به كار برده شد. نتايج: پس از آموزش و آزمون مدل هاي مختلف يادگيري ماشين و يادگيري عميق، الگوريتم هاي آموزش ديده توسط Mordred descriptors نتايج بهتري نسبت به ساير مدل ها نشان داد. يادگيري عميق نسبت به يادگيري ماشين نتايج بهتري داشت.

224967

علوم پزشكي گيلان