KNIME-based Analysis of Off-Target Effect of Drugs Related to The Molecular 2D Fingerprint
Notice bibliographique
Résumé
PURPOSE: Structurally similar molecules are likely to have similar biological activity. In this study, similarity searching based on molecular 2D fingerprint was performed to analyze off-target effects of drugs. The purpose of this study is to determine the correlation between the adverse effects and drug off-targets. METHODS: A workflow was built using KNIME to run dataset preparation of twenty-nine targets from ChEMBL, generate molecular 2D fingerprints of the ligands, calculate the similarity between ligand sets, and compute the statistical significance using similarity ensemble approach (SEA). Tanimoto coefficients (Tc) are used as a measure of chemical similarity in which the values between 0.2 and 0.4 are the most common for the majority of ligand pairs and considered to be insignificant similar. RESULT: The majority of ligand sets are unrelated, as is evidenced by the intrinsic chemical differences and the classification of statistical significance based on expectation value. The rank-ordered expectation value of inter-target similarity showed a correlation with off-target effects of the known drugs. CONCLUSION: Similarity-searching using molecular 2D fingerprint can be applied to predict off-targets and correlate them to the adverse effects of the drugs. KNIME as an open-source data analytic platform is applicable to build a workflow for data mining of ChEMBL database and generating SEA statistical model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».