| 基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂 |
| |
| 引用本文： | 何冰,罗勇,李秉轲,薛英,余洛汀,邱小龙,杨登贵. 基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂[J]. 物理化学学报, 2015, 31(9): 1795-1802. DOI: 10.3866/PKU.WHXB201507301 |
| |
| 作者姓名： | 何冰 罗勇 李秉轲 薛英 余洛汀 邱小龙 杨登贵 |
| |
| 作者单位： | 1 四川大学华西医院生物治疗国家重点实验室,肿瘤中心及生物治疗协同创新中心,成都6100412 成都师范学院化学与生命科学学院,成都6111303 四川大学化学学院,成都6100644 江苏兆邦生物医药研究院有限公司,江苏南通2260005 江苏海门慧聚药业有限公司,江苏海门226123 |
| |
| 摘 要： | HEC1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的HEC1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选HEC1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(SVM)和随机森林(RF)方法分别对HEC1抑制剂和非抑制剂建立了分类模型.经对比, RF模型显示了更好的预测精度.我们采用RF模型对HEC1抑制剂进行了虚拟筛选,从“in-house”实体库筛选得到2个潜在的HEC1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株MDA-MB-468和MDA-MB-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选HEC1抑制剂有良好的效果.
|
| 关 键 词： | HEC1 选择性抑制剂 机器学习方法 支持向量机 随机森林 虚拟筛选 |
| 收稿时间： | 2015-04-02 |
Predicting and Virtually Screening Breast Cancer Targeting Protein HEC1 Inhibitors by Molecular Descriptors and Machine Learning Methods |
| |
| Bing. HE,Yong. LUO,Bing-Ke. LI,Ying. XUE,Luo-Ting. YU,Xiao-Long. QIU,Teng-Kuei. YANG. Predicting and Virtually Screening Breast Cancer Targeting Protein HEC1 Inhibitors by Molecular Descriptors and Machine Learning Methods[J]. Acta Physico-Chimica Sinica, 2015, 31(9): 1795-1802. DOI: 10.3866/PKU.WHXB201507301 |
| |
| Authors: | Bing. HE Yong. LUO Bing-Ke. LI Ying. XUE Luo-Ting. YU Xiao-Long. QIU Teng-Kuei. YANG |
| |
| Abstract: | |
| |
| Keywords: | HEC1 Selective inhibitor Machine learning method Support vector machine Random forest Virtual screening |
|
| 点击此处可从《物理化学学报》浏览原始摘要信息 |
|
点击此处可从《物理化学学报》下载全文 |
|
