Ứng dụng học sâu trong dự đoán hoạt tính ức chế acetylcholinesterase từ dữ liệu cấu trúc phân tử

Abstract

Chất ức chế acetylcholinesterase (AChE) đóng vai trò quan trọng trong việc điều trị các bệnh thoái hóa thần kinh như bệnh Alzheimer, theo các phương pháp truyền thống, để sàng lọc hoạt động ức chế AChE, bao gồm mô hình QSAR và ghép nối phân tử và thường tốn nhiều thời gian và đòi hỏi kiến thức chuyên môn. Để cải thiện vấn đề này, nghiên cứu đã sử dụng các mô hình học sâu như Mạng nơ-ron. Tích chập (CNN), Mạng nơ-ron nhân tạo (ANN) và Mạng nơ-ron Hồi quy (RNN) để xây dựng mô hình dự đoán hoạt tính ức chế AChE từ dữ liệu cấu trúc phân tử, sử dụng bộ dữ liệu công khai từ cơ sở dữ liệu ChEMBL dựa trên dấu vân tay phân tử ECFP4 được tạo ra từ chuỗi SMILES. Các mô hình đều đào tạo và đánh giá trên một tập dữ liệu được quản lý của các phân tử có nhãn ức chế AChE, và suất của mô hình được đánh giá qua các chỉ số Accuracy, Precision, Recall, Specificity, AUC. Kết quả của chúng tôi cho thấy mô hình CNN là mô hình tốt nhất trong ba mô hình được chọn với Accuracy: 84.34%, Precision: 78.78%, Recall: 84.42%, Specificity: 84.28% Nghiên cứu này góp phần cung cấp một công cụ hiệu quả để sàng lọc và phát triển các loại thuốc mới tiềm năng cho bệnh Alzheimer, đồng thời mở ra hướng đi mới trong việc ứng dụng học sâu vào lĩnh vực dược phẩm.