Xây dựng và phát triển mô hình Học máy dự đoán các hợp chất tự nhiên trong điều trị Đái tháo đường týp 2 (ĐTĐT2), Đánh giá khả năng tác động đa mục tiêu của các hợp chất sàng lọc được. Phương pháp nghiên cứu: Nghiên cứu sử dụng thuật toán ImRMR và XGBoost để xây dựng mô hình Học máy dự đoán các hợp chất tự nhiên có hoạt tính kháng ĐTĐT2. Kết hợp Gắn kết phân tử trên AutoDock Vina, nghiên cứu đánh giá khả năng gắn kết trên đa mục tiêu giữa các hợp chất sàng lọc được với các đích tác động tiềm năng của ĐTĐT2. Kết quả: Mô hình DiMeNP với độ chính xác là 0,917 và AUC là 0,962 đã được áp dụng để sàng lọc hơn 13,000 hợp chất tự nhiên và dự đoán được 11 hợp chất flavonoid và 3 hợp chất lignan. Các hợp chất đáp ứng các tiêu chí về sinh khả dụng và tính giống thuốc, với xác suất dự đoán > 0,9 và đều gắn kết tốt trên 5 mục tiêu tiềm năng trong điều trị đái tháo đường bao gồm GLP1, DPP4, PPAR-γ, α-glucosidase và α-amylase. Kết luận: Ứng dụng phương pháp học máy kết hợp gắn kết phân tử, nghiên cứu xây dụng mô hình DiMeNP có khả năng sàng lọc được các hợp chất có hoạt tính tác động đa mục tiêu trên ĐTĐT2.
Building and developing a machine learning model to predict natural compounds in the treatment of type 2 diabetes mellitus (T2DM), evaluating the multi-target impact ability of screened compounds. Materials and Methods: The study uses ImRMR and XGBoost algorithms to build a machine learning model that predicts natural compounds with anti T2DM activity. Combined with Molecular Docking on AutoDock Vina, the study evaluates the multi-target binding between screened compounds and potential impact targets of T2DM. Results: The DiMeNP model with an accuracy of 0.917 and an AUC of 0.962 was applied to screen for more than 13,000 natural compounds and predicted 11 flavonoid compounds and 3 lignan compounds. The compounds met the criteria of bioavailability and drug similarity, with a prediction probability of > 0.9 and all of them were well aligned on 5 potential targets in the treatment of diabetes including GLP1, DPP4, PPAR-γ, α-glucosidase, and α-amylase. Conclusion: Applying machine learning methods combined with molecular binding, the research and construction of the DiMeNP model is capable of screening compounds with multi-target impact activity on T2DM.
- Đăng nhập để gửi ý kiến