In silico ligand‐based modeling of<scp><i>h</i>BACE</scp>‐1 inhibitors
Notice bibliographique
Résumé
Alzheimer's disease is a chronic neurodegenerative disease affecting more than 30 million people worldwide. Development of small molecule inhibitors of human β-secretase 1 (hBACE-1) is being the focus of pharmaceutical industry for the past 15-20 years. Here, we successfully applied multiple ligand-based in silico modeling techniques to understand the inhibitory activities of a diverse set of small molecule hBACE-1 inhibitors reported in the scientific literature. Strikingly, the use of only a small subset of 230 (13%) molecules allowed us to develop quality models that performed reasonably well on the validation set of 1,476 (87%) inhibitors. Varying the descriptor sets and the complexity of the modeling techniques resulted in only minor improvements to the model's performance. The current results demonstrate that predictive models can be built by choosing appropriate modeling techniques in spite of using small datasets consisting of diverse chemical classes, a scenario typical in triaging of high-throughput screening results to identify false negatives. We hope that these encouraging results will help the community to develop more predictive models that would support research efforts for the debilitating Alzheimer's disease. Additionally, the integrated diversity of the techniques employed will stimulate scientists in the field to use in silico statistical modeling techniques like these to derive better models to help advance the drug discovery projects faster.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».