Dissemin is shutting down on January 1st, 2025

Published in

Farmacja Polska, 11(79), p. 665-676, 2024

DOI: 10.32383/farmpol/183146

SSRN Electronic Journal, 2022

DOI: 10.2139/ssrn.4166477

Links

Tools

Export citation

Search in Google Scholar

Application of Artificial Neural Networks for Predicting Imidazole Derivatives Antimicrobial Activity Against Enterococcus Faecalis

This paper was not found in any repository, but could be made available legally by the author.
This paper was not found in any repository, but could be made available legally by the author.

Full text: Unavailable

Question mark in circle
Preprint: policy unknown
Question mark in circle
Postprint: policy unknown
Question mark in circle
Published version: policy unknown

Abstract

Sztuczne sieci neuronowe (ANNs) pojawiły się jako wartościowe narzędzie ułatwiające projektowanie syntezy i kierowanie kolejnymi eksperymentami biologicznymi w systematycznym poszukiwaniu nowych środków przeciwbakteryjnych. W niniejszej pracy zaprojektowano dwie sieci neuronowe typu perceptron wielowarstwowy (MLP), aby przewidzieć aktywność biologiczną związków na podstawie ich właściwości fizykochemicznych i struktury. To podejście zostało przetestowane na szczepie bakterii Enterococcus faecalis, wykorzystując serię 140 pochodnych imidazolu. Zastosowanie czwartorzędowych soli amoniowych w tych badaniach wynika z ich uznanej zdolności do działania jako środki antyseptyczne i dezynfekcyjne. Ponadto uznano je za obiecujące w zwalczaniu różnych mikroorganizmów, w tym bakterii Gram-dodatnich. Zaprojektowany model regresji dokładnie przewidział minimalne stężenie hamujące wzrost E. faecalis. Współczynnik korelacji wartości rzeczywistych z przewidywaniami sieciowymi dla zbioru uczącego wyniósł R=0,91, dla zbioru testowego R=0,91, a dla zbioru walidacyjnego R=0,97. Dodatkowo model klasyfikacyjny skutecznie kategoryzował badane związki jako aktywny lub nieaktywny wobec docelowego mikroorganizmu (dokładność klasyfikacji: 92,86%). Analiza wrażliwości wyróżniła konkretne deskryptory molekularne pochodzące z bloku Molecular Properties, takie jak log P, współczynnik załamania światła, masa cząsteczkowa i liczba atomów, jako kluczowe czynniki wpływające na konstrukcję modelu. Podsumowując, powyższe odkrycia podkreślają praktyczność modeli sztucznych sieci neuronowych w prognozowaniu skuteczności przeciwbakteryjnej czwartorzędowych soli amoniowych wobec E. faecalis. Zastosowanie ANN w analizie danych pozwala na skuteczną optymalizację i redukcję kosztów poprzez usprawnienie procesu syntezy związków w kierunku osiągnięcia pożądanych właściwości. Wykorzystując moc obliczeniową ANN, badacze mogą skutecznie zawęzić pulę potencjalnych związków, przyspieszając w ten sposób odkrywanie obiecujących substancji przeciwdrobnoustrojowych.