境外开放课程导航

在本文中，我们研究了4.000种独特化合物对60种细胞系（例如白血病，前列腺癌，乳腺癌）的抗癌活性。小分子在生物学中起着重要作用，因为它们可以用作更复杂分子的构建基块，还可以与抑制或促进其作用的蛋白质相互作用。在这种情况下，将这种化合物添加到细胞中的后果可能很深远，因为蛋白质可能会参与非常复杂的链反应。这样，可以设计可以是有用药物的小分子。在这里，我们仅专注于预测给定分子的特性：它是否会针对给定的癌细胞系显示出抗癌活性（被测量为引起至少50％的细胞生长抑制）。这种计算预测非常重要，因为全球数据库中小分子的数量正在增加，并且适当的实验室测试的能力也受到限制。例如，美国国家癌症研究所（NCI）的体外细胞系筛选项目目前每年（仅）评估多达3000种化合物的潜在抗癌活性。从机器学习的角度来看，生物学问题是一个很好的应用程序，因为数据集非常丰富，数据是真实的，最适合特定问题的算法类型可能会发生实质性变化，并且突出强调机器学习研究需求的问题并不罕见。最后，帮助解决生物学问题可能会对更广泛的科学界产生重大影响。我们使用的分子数据集可在NCI网站上公开获得。我们针对此问题应用了一系列数据挖掘分类算法：决策树，归纳逻辑编程和支持向量机（SVM）。作为用于学习的分子特征，我们使用了分子量，辛醇水分配系数（logp）和碎片数。片段是一组连接的原子，其中片段中的每个原子都可以通过其类型简单地标识。 （例如碳）。如果我们以分子图的形式看待，则片段列表由直径为2的所有连接成分组成。实验表明，我们使用支持向量机（带有RBF内核）的结果与以前发表的最新技术水平相同，平均预测准确度为73％（基线为54％）。然而，令我们惊讶的是，如果我们不使用片段计数而不是仅使用原子计数，结果几乎是相同的（尽管差异具有统计学意义，但准确性降低了约1％）。必须指出的一点是，尽管像SVM这样的数字黑匣子算法往往比逻辑模型更准确（此数据集中的决策树和ILP的准确度比SVM低3％至4％），但可以说这种预测准确性与药物设计等重要实际应用的相关性。在药物设计中，有用的是要有一组规则来描述“好”化合物的外观。像我们在本文中描述的那样，使用人类可读的逻辑模型很容易实现该目标。