整合多源靶点证据与机器学习效力预测用于阿尔茨海默病药物发现

由 root 提交于 周六, 10/24/2026 - 00:47
摘要

阿尔茨海默病(AD)的靶点证据分散于生物学、化学、结构、调控及临床试验注册等来源,增加了可重复的靶点评估与建模难度。我们开发了一个可追溯的数据到模型平台,通过 Target Explorer、Drug-Target Lookup 和 Model Portfolio 工作区整合以 AGORA 为核心的证据资源。该资源包含 967 个靶点、452,249 个化合物和 1,430,260 条测量数据。在经过整理的 PIK3CA 数据集上,针对特定靶点对 Boltz-2 亲和力预测头进行微调后,在 469 个留出化合物上的 Pearson 相关系数 r 从 0.248 提高至 0.560,平均绝对误差从 0.900 降至 0.706。此外,我们针对十个中等规模的靶点数据集,在 50 个随机划分上筛选了 42 个回归模型;其中,XDH 的随机森林模型取得了最高的平均 R^2(0.815)。该平台将整理后的证据、适用于建模的数据集、可重复评估和公开结果相连接,同时明确区分背景证据与治疗声明,以及随机划分上的模型性能与对未见化学骨架的泛化能力。

整合多源靶点证据与机器学习效力预测,助力阿尔茨海默病药物发现 | bioRxiv

跳转至主要内容

首页

关于

投稿

提醒 / RSS

搜索此关键词

高级搜索

最新结果

整合多源靶点证据与机器学习效力预测,助力阿尔茨海默病药物发现

查看 ORCID 个人资料

Anyu Pan,

查看 ORCID 个人资料

Tianhua Zhai,

Jonghyun Lee,

Charles Zheng,

Dokyoon Kim,

查看 ORCID 个人资料

Li Shen

doi:

https://doi.org/10.64898/2026.10.14.759026

Anyu Pan

宾夕法尼亚大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在此网站搜索此作者

Anyu Pan 的 ORCID 记录

Tianhua Zhai

宾夕法尼亚大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在此网站搜索此作者

Tianhua Zhai 的 ORCID 记录

Jonghyun Lee

宾夕法尼亚大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在此网站搜索此作者

Charles Zheng

宾夕法尼亚大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在此网站搜索此作者

Dokyoon Kim

宾夕法尼亚大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在此网站搜索此作者

Li Shen

宾夕法尼亚大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在此网站搜索此作者

Li Shen 的 ORCID 记录

联系邮箱:

li.shen{at}pennmedicine.upenn.edu

摘要

信息/历史

指标

数据/代码

PDF 预览

摘要

阿尔茨海默病(AD)的靶点证据分散在生物学、化学、结构、调控以及临床试验注册信息等来源中,增加了靶点评估与建模的可重复性难度。我们开发了一个可追溯的数据到模型平台。

该平台通过 Target Explorer、Drug-Target Lookup 和 Model Portfolio 工作区整合以 AGORA 为核心的证据。该资源包含 967 个靶点、452,249 种化合物和 1,430,260 条测量记录。在经过整理的 PIK3CA 数据集上,针对靶点对 Boltz-2 亲和力预测头进行微调后,在 469 种留出化合物上的 Pearson 相关系数 r 从 0.248 提高至 0.560,平均绝对误差从 0.900 降至 0.706。此外,我们针对 10 个中等规模的靶点数据集,在 50 次随机划分上筛选了 42 个回归模型;其中,XDH 的随机森林模型取得最高的平均 R²(0.815)。该平台将经整理的证据、适用于建模的数据集、可复现的评估及公开结果连接起来,同时明确区分背景证据与治疗性主张,以及随机划分下的模型表现与对未见化学骨架的泛化能力。

利益冲突声明

作者声明不存在利益冲突。

脚注

https://agora-evidence-ae3f8403.azurewebsites.net/

已声明的资助信息

美国国立卫生研究院(NIH)

R01 AG071470

U01 AG068057

U01 AG066833

版权

本预印本的版权归作者/资助方所有;其已授予 bioRxiv 永久展示该预印本的许可。

保留所有权利。未经许可不得再利用。

返回顶部

上一篇

发布于 2026 年 10 月 20 日。

下载 PDF

数据/代码

电子邮件

感谢您有兴趣传播 bioRxiv 的相关信息。

注意:此处要求提供您的电子邮件地址,仅用于确认您是本文的发送者。

您的电子邮件

*

您的姓名

*

发送至

*

请在不同的行中输入多个地址,或用逗号分隔。

您即将发送以下内容:

整合多源靶点证据与机器学习效力预测,以推进阿尔茨海默病药物发现

邮件主题

(您的姓名)向您转发了 bioRxiv 网站上的一个页面

邮件正文

(您的姓名)认为您可能会感兴趣,想让您看看 bioRxiv 网站上的这个页面。

您的个人留言

验证码

此问题用于确认您是否为真实访客,并防止自动垃圾信息提交。

分享

整合多源靶点证据与机器学习效力预测,用于阿尔茨海默病药物发现

Anyu Pan、Tianhua Zhai、Jonghyun Lee、Charles Zheng、Dokyoon Kim、Li Shen

bioRxiv

2026.10.14.759026;

doi:https://doi.org/10.64898/2026.10.14.759026

分享本文:

复制

引文工具

整合多源靶点证据与机器学习效力预测,用于阿尔茨海默病药物发现

Anyu Pan、Tianhua Zhai、Jonghyun Lee、Charles Zheng、Dokyoon Kim、Li Shen

bioRxiv

2026.10.14.759026;

doi:https://doi.org/10.64898/2026.10.14.759026

引文管理器格式

BibTeX

Bookends

EasyBib

EndNote(标记格式)

EndNote 8(xml)

Medlars

Mendeley

Papers

RefWorks Tagged

Ref Manager

RIS

Zotero

推文组件

Facebook 点赞

Google +1

学科领域

所有文章

动物行为与认知(8160)

生物化学(19011)

生物工程(15153)

生物信息学(45225)

生物物理学(22951)

癌症生物学(20062)

细胞生物学(27265)

临床试验(138)

发育生物学(14123)

生态学(21366)

流行病学(2067)

进化生物学(25753)

遗传学(16318)

基因组学(23795)

免疫学(18989)

微生物学(43126)

分子生物学(18302)

神经科学(94899)

古生物学(711)

病理学(3027)

药理学与毒理学(5182)

生理学(8259)

植物生物学(16242)

科学传播与教育(2113)

合成生物学(4636)

系统生物学(10367)

动物学(2420)

关键词:阿尔茨海默病 · 药物靶点证据整合 · 机器学习 · 药效预测 · 药物发现

原文链接:https://www.biorxiv.org/content/10.64898/2026.10.14.759026v1?rss=1