EToxPred : une approche basée sur l'apprentissage automatique pour estimer la toxicité de médicaments candidats / eToxPred: a machine learning-based approach to estimate the toxicity of drug candidates. BMC Pharmacol Toxicol. (2019)
EToxPred
: une approche basée sur l'apprentissage automatique pour estimer la toxicité
de médicaments candidats. BMC Pharmacol Toxicol. (2019)
Les
avancées récentes en matière de techniques expérimentales à haut débit et de
modélisation informatique promettent de réduire les coûts et les temps de
développement nécessaires à la commercialisation de nouveaux médicaments. La
prédiction de la toxicité de médicaments candidats est l’un des éléments
importants dans la découverte de médicaments modernes.
Dans
ce travail, les auteurs ont décrit eToxPred, une nouvelle approche permettant
d’estimer de manière fiable la toxicité et l’accessibilité synthétique de
petits composés organiques. eToxPred utilise des algorithmes d'apprentissage automatique formés sur des empreintes moléculaires pour évaluer les médicaments candidats. La toxicité estimée correspond au Tox-score, une nouvelle métrique de scoring basée sur l’apprentissage automatique implémentée dans eToxPred, tandis que l’accessibilité synthétique est évaluée à l’aide de SAscore, une mesure déjà établie dans ce domaine.
Les performances de eToxPred sont est évaluées en testant plusieurs ensembles de données contenant des médicaments connus, des produits chimiques potentiellement dangereux, des produits naturels et des composés bioactifs synthétiques. eToxPred prédit l’accessibilité synthétique avec une erreur quadratique moyenne de seulement 4% ; et la toxicité avec une précision pouvant atteindre 72%. eToxPred prédit efficacement des toxicités spécifiques, telles que le pouvoir cancérigène, la cardiotoxicité, les perturbations endocriniennes et la toxicité aiguë par voie orale.
eToxPred peut être intégré à des protocoles afin de construire des bibliothèques personnalisées pour le criblage virtuel afin de filtrer les médicaments candidats potentiellement toxiques ou difficiles à synthétiser. Il est disponible gratuitement en tant que logiciel autonome à https://github.com/pulimeng/etoxpred.
#virtuel #toxicité
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6325674/pdf/40360_2018_Article_282.pdf
eToxPred: a machine learning-based approach to estimate the toxicity of drug candidates. BMC Pharmacol Toxicol. (2019)
Recent advances in high-throughput experimental techniques and computational modeling promise reductions in the costs and development times required to bring new drugs to market. The prediction of toxicity of drug candidates is one of the important components of modern drug Discovery.
In this work, we describe eToxPred, a new approach to reliably estimate the toxicity and synthetic accessibility of small organic compounds. eToxPred employs machine learning algorithms trained on molecular fingerprints to evaluate drug candidates. The estimated toxicity is reported as the Tox-score, a new machine learning-based scoring metric implemented in eToxPred, whereas the synthetic accessibility is evaluated with the SAscore, an already established measure in this field.
The performance is assessed against multiple datasets containing known drugs, potentially hazardous chemicals, natural products, and synthetic bioactive compounds. Encouragingly, eToxPred predicts the synthetic accessibility with the mean square error of only 4% and the toxicity with the accuracy of as high as 72%. eToxPred effectively predicts specific toxicities, such as the carcinogenicity potency, cardiotoxicity, endocrine disruption, and acute oral toxicity.
eToxPred can be incorporated into protocols to construct custom libraries for virtual screening in order to filter out those drug candidates that are potentially toxic or would be difficult to synthesize. It is freely available as a stand-alone software at https://github.com/pulimeng/etoxpred.
#virtual #toxicity
