XAI-ACSM: An Ensemble-Based Explainable Artificial Intelligence Framework for the Accurate Prediction of Anticancer Small Molecules
Notice bibliographique
Résumé
Cancer continues to be a leading cause of mortality worldwide. While conventional therapies such as chemotherapy, radiation, and immunotherapy remain mainstays in clinical oncology, these approaches often result in systemic toxicity, adverse side effects, and the emergence of drug resistance. Small-molecule drugs have gained prominence as potent anticancer agents due to their favorable drug-like profiles, enabling oral bioavailability and systemic efficacy. The incorporation of computational methodologies has further revolutionized anticancer drug discovery. In particular, machine learning (ML) techniques have shown considerable success in accelerating the identification and optimization of small-molecule candidates. Therefore, we propose a novel ensemble-based explainable artificial intelligence (XAI) framework, termed XAI-ACSM, for the identification and characterization of anticancer small molecules (ACSMs) using only SMILES notation. XAI-ACSM was initially developed through a comprehensive evaluation of five popular ML algorithms in conjunction with 14 molecular descriptors derived from five different feature encoding schemes. Then, these molecular descriptors and ML algorithms were employed to develop 70 baseline models. Finally, the most effective baseline models were selected and integrated to provide high-precision prediction outcomes using a probability averaging strategy. Both cross-validation and independent tests showed that XAI-ACSM outperformed its baseline models and the existing method. Remarkably, XAI-ACSM achieved an accuracy of 0.826, specificity of 0.926, and MCC of 0.666 over the independent test data set, which were 3.65, 9.60, and 8.63% higher than the existing method. Furthermore, XAI-ACSM was applied to identify potential ACSMs among FDA-approved drugs, with predictions validated through molecular docking against the most prevalent cancer targets. XAI-ACSM offers a practical approach for screening large chemical libraries to identify potential ACSMs, particularly among compounds with limited existing characterization, while helping to reduce time and resource requirements.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».