机器学习预测化合物的雌雄激素受体活性

预测一种化合物的雌雄激素受体的活性，对于避免暴露于环境中类似雌雄激素的化学物质是非常重要的。采用包括支持向量机、随机森林等多种机器学习方法，利用Binding Database数据库建立了预测活性的定量结构-活性关系（quantitative structure-activity relationship,QSAR）模型，并对模型进行验证与评估。评估结果发现，随机森林结合扩展连通性分子指纹对数据集预测准确率为0.83，其受试者工作特征曲线（receiver operating characteristic curve, ROC）得到的数据集曲线下面积（area under curve, AUC）为0.892，表明该模型具有广泛且良好的预测能力。该研究建立的活性预测模型可用于化合物的活性预测，为内分泌化合物的活性评估和风险管理提供参考。