Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışma, yüksek doğruluk oranıyla ERα inhibitörlerinin aktivitesinin tahmin edilebileceğini göstererek ilaç keşif sürecinin verimliliğine katkı sağlamaktadır.
📌 3 Maddede Bu Makale
Özet
Östrojen reseptör alfa (ERα), hücre büyümesi ve çoğalması gibi süreçlerde görev alan bir proteindir; ancak meme kanserlerinin %70'inde aşırı bulunması nedeniyle önemli bir araştırma konusudur. ERα inhibitörleri bu proteinin aktivitesini engelleyerek kanser hücrelerinin büyümesini durdurur. Geleneksel ilaç keşif yöntemleri zaman ve maliyet açısından dezavantajlıdır. ERα inhibitörlerinin keşfi için literatürde çeşitli yaklaşımlar mevcuttur. Bu nedenle, çalışmada ERα inhibitörlerinin keşfi için makine öğrenmesi tabanlı Kantitatif Yapı-Aktivite İlişkisi (Quantitative Structure-Activity Relationship - QSAR) yaklaşımı tercih edilmiştir. Bu çalışmada, geniş kimyasal veri setlerinden yapı-aktivite ilişkilerini çıkarma kapasitesi ve yüksek verimli tarama imkanı sunması nedeniyle makine öğrenmesi tabanlı QSAR yaklaşımı tercih edilmiştir. Bu yöntem, moleküllerin kimyasal yapısal özelliklerini sayısal tanımlayıcılarla ifade ederek biyolojik aktivitelerini tahmin etmeye olanak sağlar. Veri kaynağı olarak, yaygın kullanımı, yüksek veri kalitesi ve önceki çalışmalarla karşılaştırma imkanı sunması nedeniyle ChEMBL206 hedef tanımlayıcısı seçilmiştir. Elde edilen moleküller IC50 değerlerine göre sınıflandırılmış, Lipinski kurallarıyla kimyasal uzay dağılımları analiz edilmiştir. Ardından PADEL programı ile 3053 molekül için 3153 moleküler tanımlayıcı hesaplanmıştır. Özellik önemi analizinde, PubchemFP667 ve PubchemFP527 gibi parmak izlerinin ve LightGBM modelinde öne çıkan APC2D atom çifti tanımlayıcılarının ERα engellemesinde kritik rol oynadığı görülmüştür. Geliştirilen modeller %94'ün üzerinde doğruluk, %90 civarında duyarlılık, %95'in üzerinde özgüllük ve 0.97'nin üzerinde AUC değeriyle üstün performans göstermiştir. Bu çalışma, yüksek doğruluk oranıyla ERα inhibitörlerinin aktivitesinin tahmin edilebileceğini göstererek ilaç keşif sürecinin verimliliğine katkı sağlamaktadır.
Abstract
Estrogen receptor alpha (ERα) is a protein that plays a role in processes such as cell growth and proliferation; however, it has become an important research topic due to its overexpression in 70% of breast cancers. ERα inhibitors stop the growth of cancer cells by blocking the activity of this protein. Traditional drug discovery methods are disadvantageous in terms of time and cost. Various approaches exist in the literature for the discovery of ERα inhibitors. Therefore, a machine learning-based Quantitative Structure-Activity Relationship (QSAR) approach was preferred in this study for the discovery of ERα inhibitors. In this study, a machine learning-based QSAR approach was preferred due to its capacity to extract structure-activity relationships from large chemical datasets and its ability to provide high-throughput screening opportunities. This method enables the prediction of biological activities by expressing the chemical structural properties of molecules through numerical descriptors. The ChEMBL206 target identifier was selected as the data source due to its widespread use, high data quality, and the opportunity for comparison with previous studies. The obtained molecules were classified according to their IC50 values, and their chemical space distributions were analyzed using Lipinski rules. Subsequently, 3153 molecular descriptors were calculated for 3053 molecules using the PADEL program. Feature importance analysis revealed that fingerprints such as PubchemFP667 and PubchemFP527, as well as APC2D atom pair descriptors that stood out in the LightGBM model, played critical roles in ERα inhibition. The developed models demonstrated superior performance with accuracy above 94%, sensitivity around 90%, specificity above 95%, and AUC values above 0.97. This study contributes to the efficiency of the drug discovery process by demonstrating that the activity of ERα inhibitors can be predicted with high accuracy rates.