数十の乳がん関連標的を横断するマルチターゲットQSAR枠組みが、アンサンブル学習と上位予測の小規模なin vitro検証を組み合わせた
- BreastCARは、約50のがん関連標的に関する公開ChEMBLデータを用い、フィンガープリントと物理化学記述子から複数の古典的機械学習モデルを学習させる。
- 各モデルは活性を連続値と3段階の活性クラスの両方で予測する。
- ラベル置換による対照実験と適用領域の評価から、モデルは実際のシグナルを学習しており、大半のテスト化合物が学習領域内に収まることが示唆される。
- 上位予測の検証として、13種のベンジリデン骨格化合物がMCF-7細胞に対して評価された。
💡 ポイント アブストラクトに基づく見解
ラベル置換対照が示すのはモデルがノイズを上回ることだけで、分割がアナログ間のリークを防げているかは分からない。ChEMBLは近縁骨格が密に存在するためだ。スキャフォールド分割や時系列分割でなければ、数値は楽観的になるだろう。MCF-7での13種のベンジリデン化合物は単一ケモタイプの細胞レベルの確認にすぎず、標的特異的な予測は検証できない。標的ごとの結果を、単純なMorganフィンガープリントとランダムフォレストのベースラインと並べて見たい。
BreastCAR: A Machine Learning Framework for Breast Cancer Drug Activity Prediction ↗