ACS Cent Sci｜机器学习辅助药物高通量筛选中的优先级识别

2024年3月15日，德国慕尼黑工业大学Davide Boldini等人，在ACS Central Science上发表文章Machine Learning Assisted Hit Prioritization for High Throughput Screening in Drug Discovery。作者提出了一种最小方差采样分析（Minimum variance sampling analysis，MVS-A）方法，可以有效分析机器学习模型在高噪声的药物高通量筛选数据上训练期间的学习动态，从而确定筛选得到的各种化合物的优先级。结果表明，所提出的方法超越了现有的方法，可用于指导药物高通量筛选后的进一步优化。背景高通量筛选为合成具有适当药理特性的小分子提供了关键的起点，从而显著加速了药物发现的进程。然而，高通量筛选的一个基本问题是，它倾向于提供假阳性的输出，也就是筛选出的分子并不具有预期的生物活性。因此，在高通量筛选之后，选择哪些由筛选得到的化合物优先用于进一步的药理开发，仍 ………………………………