Back to search

National and Kapodistrian University of Athens

Automated workflow for Senolytic drug discovery using machine learning

Abstract

dc:description

Η κυτταρική γήρανση, η οποία εντοπίστηκε για πρώτη φορά το 1961, έχει γίνει κύριος στόχος για τις εταιρείες βιοτεχνολογίας που στοχεύουν στην ενίσχυση της ανθρώπινης υγείας. Αυτό το φαινόμενο χαρακτηρίζεται από κύτταρα που παύουν να διαιρούνται μόνιμα ως απόκριση σε διάφορες εσωτερικές και εξωτερικές πιέσεις, όπως η φθορά των τελομερών, η ενεργοποίηση ογκογονιδίων και η επίμονη βλάβη του DNA. Η ανάπτυξη σενολυτικών φαρμάκων έχει παρεμποδιστεί από την απουσία καλά χαρακτηρισμένων μοριακών στόχων. Στη πρόσφατη μελέτη "Discovery of Senolytics Using Machine Learning" , οι ερευνητές αξιοποίησαν οικονομικούς αλγόριθμους μηχανικής μάθησης που εκπαιδεύτηκαν σε δημοσιευμένα δεδομένα για να αντιμετωπίσουν αυτή την πρόκληση. Τα μοντέλα, εκπαιδευμένα τόσο σε σενολυτικές όσο και σε μη σενολυτικές ενώσεις, χρησιμοποιήθηκαν για την υπολογιστική εξέταση μιας χημικής βιβλιοθήκης. Από τις 21 πειραματικά δοκιμασμένες ενώσεις, τρεις έδειξαν σενολυτική δράση, με την Oleandrin να παρουσιάζει ανώτερη ισχύ σε σύγκριση με τις υπάρχουσες εναλλακτικές. Αυτή η προσέγγιση όχι μόνο μείωσε το κόστος του προσυμπτωματικού ελέγχου των φαρμάκων, αλλά έδειξε επίσης τις δυνατότητες της τεχνητής νοημοσύνης στην ανακάλυψη φαρμάκων σε πρώιμο στάδιο. Βασιζόμενο σε αυτό το έργο, το έργο μας στοχεύει να επεκτείνει τη μεθοδολογία διερευνώντας νέες δυνατότητες σενολυτικών φαρμάκων. Η προσέγγισή μας περιλαμβάνει τρία κύρια βήματα: επιλογή χαρακτηριστικών, βελτιστοποίηση μοντέλων και σύγκριση απόδοσης. Χρησιμοποιήσαμε τρεις τεχνικές επιλογής χαρακτηριστικών παράλληλα (τυχαίο δάσος, αμοιβαία πληροφόρηση και βαθμολογία Fisher) και χρησιμοποιήσαμε τη διασταυρούμενη επικύρωση για να βελτιστοποιήσουμε πέντε μοντέλα μηχανικής μάθησης (SVM, XGB, NB, LR, RF). Οι προσπάθειές μας περιελάμβαναν την αναπαραγωγή των αποτελεσμάτων από την προαναφερθείσα μελέτη και την ανάπτυξη ενός συνόλου δοκιμών για την επικύρωση των μοντέλων μας. Επιπλέον, ενσωματώσαμε νέους χημικούς περιγραφείς που ονομάζονται περιγραφείς Mordred, επιπλέον των περιγραφέων RDKit που χρησιμοποιήθηκαν από τους αρχικούς συγγραφείς. Συγκρίναμε επίσης τα μοντέλα μας με ένα ρηχό νευρωνικό δίκτυο για να διερευνήσουμε τα πιθανά οφέλη της βαθιάς μάθησης σε αυτό το πλαίσιο. Τα ευρήματα υποδεικνύουν ότι ο συντονισμός υπερπαραμέτρων και η διασταυρούμενη επικύρωση επηρεάζουν θετικά την ακρίβεια του μοντέλου και οι περιγραφείς Mordred υπερτερούν των περιγραφέων RDKit. Επιπλέον, η επιλογή χαρακτηριστικών που βασίζεται σε αμοιβαία πληροφόρηση οδηγεί σε σχετικά υψηλότερη ακρίβεια από τη χρήση χαρακτηριστικών Random Forest (RF), αν και οδηγεί σε μεγαλύτερη τυπική απόκλιση.

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Khalil Batoul

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3413279

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Khalil Batoul. Automated workflow for Senolytic drug discovery using machine learning. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3413279