机器学习技术 药物筛选更准确

确定针对特定蛋白质的最有效化合物对于药物研发至关重要。传统方法通常依赖于单一筛选技术，这可能会遗漏重要化合物或对其排名不准确。为了克服这一挑战，英迪国际大学数据科学硕士生赛益默沙威（Said Moshawih）在英迪国际大学助理副校长吴康馼教授博士的指导下开发了一种创新的共识评分方法。这种方法整合了多种筛选技术，利用机器学习对潜在候选药物进行更准确、更全面的评估。

赛益在一份排名靠前的期刊上发表的论文〈药物研发的共识整体虚拟筛选：一种新颖的机器学习模型方法〉中评估了这种共识整体虚拟筛选方法在不同数据集中的有效性。研究表明，通过共识方法结合各种筛选方法可以利用多种筛选指标中最有利的方面，从而获得更准确、更可靠的结果。

赛益解释：“在这项研究中，我们分析了各种蛋白质靶点，包括G蛋白偶联受体 (GPCR)、激酶、核蛋白、蛋白酶、DNA修复酶和抑制蛋白，重点关注这些类别中的8个靶点，以突出共识评分方法的多功能性。”

适用各种蛋白质 ，助研究人员找到有效新药

研究发现，共识评分提高了按有效性对化合物进行排名的准确性。某些化合物的排名更高，并且比使用单一方法获得的结果更具活性。关键指标（例如识别活性化合物的成功率和准确性）与传统方法相似或更好，尤其是对于一种名为CDK2的蛋白质。

总体而言，由机器学习驱动的组合方法适用于各种蛋白质，使其成为药物研究中的多功能工具。它更准确地对化合物进行排名，帮助研究人员专注于最有希望的候选药物。虽然某些蛋白质可能需要量身定制的方法，但共识方法可以优化以实现高性能。这项全面分析强调了考虑定量指标和优先考虑活性化合物的重要性，这些指标在不同方法中可能存在很大差异。

赛益表示，“该分析强调了共识评分作为一种关键虚拟筛选技术的有效性，通常在早期检测活性物质和优先筛选生物活性最高的化合物方面具有优异的表现。”

他总结，“这些发现大大提高了我们对筛选技术在不同蛋白质靶标环境中的表现的理解，最终提高了虚拟筛选方法的有效性。这些发现表明共识评分是药物发现的有力工具，提高了找到有效新药的机会。”

更多【新教育】:
世界绿色组织创办人余远骋／企业开始ESG 培训与交流是关键
林国安／文学作品走进课本之教育意义
本地药理学先驱颜怡江／做学问要走出象牙塔