Предсказание активности соединений на основе глубокого обучения с использованием фенотипических профилей и химических структур

Предсказание активности соединений используя фенотипические профили и химические структуры может сократить затраты на разработку новых препаратов. Для оценки моделей использовался набор данных, содержащий информацию о бинарных активностях 16170 молекул для 100 различных белков. В ходе исследования было установлено, что модели глубокого обучения превосходят модели классического машинного обучения по всем метрикам качества предсказаний для каждой из модальностей. Также исследована возможность использования объединенной модели, что показало существенное улучшение точности и надежности предсказаний. Наши результаты указывают на значительный потенциал применения глубокого обучения в сочетании с химическими структурами и фенотипическими профилями молекул для улучшения предсказания их активности. Дальнейшие исследования в этом направлении могут привести к созданию еще более эффективных методов предсказания активности молекул, ускоряя процесс создания новых лекарственных средств.