機器學習技術 藥物篩選更準確

確定針對特定蛋白質的最有效化合物對於藥物研發至關重要。傳統方法通常依賴於單一篩選技術，這可能會遺漏重要化合物或對其排名不準確。為了克服這一挑戰，英迪國際大學數據科學碩士生賽益默沙威（Said Moshawih）在英迪國際大學助理副校長吳康馼教授博士的指導下開發了一種創新的共識評分方法。這種方法整合了多種篩選技術，利用機器學習對潛在候選藥物進行更準確、更全面的評估。

賽益在一份排名靠前的期刊上發表的論文〈藥物研發的共識整體虛擬篩選：一種新穎的機器學習模型方法〉中評估了這種共識整體虛擬篩選方法在不同數據集中的有效性。研究表明，通過共識方法結合各種篩選方法可以利用多種篩選指標中最有利的方面，從而獲得更準確、更可靠的結果。

賽益解釋：“在這項研究中，我們分析了各種蛋白質靶點，包括G蛋白偶聯受體 (GPCR)、激酶、核蛋白、蛋白酶、DNA修復酶和抑制蛋白，重點關注這些類別中的8個靶點，以突出共識評分方法的多功能性。”

適用各種蛋白質 ，助研究人員找到有效新藥

研究發現，共識評分提高了按有效性對化合物進行排名的準確性。某些化合物的排名更高，並且比使用單一方法獲得的結果更具活性。關鍵指標（例如識別活性化合物的成功率和準確性）與傳統方法相似或更好，尤其是對於一種名為CDK2的蛋白質。

總體而言，由機器學習驅動的組合方法適用於各種蛋白質，使其成為藥物研究中的多功能工具。它更準確地對化合物進行排名，幫助研究人員專注於最有希望的候選藥物。雖然某些蛋白質可能需要量身定製的方法，但共識方法可以優化以實現高性能。這項全面分析強調了考慮定量指標和優先考慮活性化合物的重要性，這些指標在不同方法中可能存在很大差異。

賽益表示，“該分析強調了共識評分作為一種關鍵虛擬篩選技術的有效性，通常在早期檢測活性物質和優先篩選生物活性最高的化合物方面具有優異的表現。”

他總結，“這些發現大大提高了我們對篩選技術在不同蛋白質靶標環境中的表現的理解，最終提高了虛擬篩選方法的有效性。這些發現表明共識評分是藥物發現的有力工具，提高了找到有效新藥的機會。”

更多【新教育】:
世界綠色組織創辦人餘遠騁／企業開始ESG 培訓與交流是關鍵
林國安／文學作品走進課本之教育意義
本地藥理學先驅顏怡江／做學問要走出象牙塔