ارائه یک روش ترکیبی مبتنی بر الگوریتم بهینه سازی کرم شب تاب و ماشین بردار پشتیبان جهت شناسایی مواد فعال کننده گیرنده آندروژن

شناسایی مواد فعال کننده گیرنده آندروژن (AR) به دلیل اهمیت در بیماری هایی مانند سرطان پروستات، در غربالگری مجازی دارویی حیاتی است. روش های آزمایشگاهی سنتی پرهزینه و زمان بر هستند. در این پژوهش، یک مدل کمی رابطه ساختار فعالیت (QSAR) مبتنی بر یادگیری ماشین ارائه شده است. نوآوری اصلی، طراحی یک چارچوب ترکیبی است که به طور همزمان انتخاب ویژگی های بهینه کاهش فضای ویژگی از ۱۰۲۴ به ۶۸۷ و تنظیم پارامترهای کلیدی ماشین بردار پشتیبان C=۷.۱۶ و γ=۰.۰۱۴ را با استفاده از الگوریتم فراابتکاری کرم شب تاب (FA) انجام می دهد. این رویکرد ضمن برقراری تعادل میان جستجوی محلی و سراسری پیچیدگی مدل را کاهش داده و دقت تعمیم را افزایش می دهد. نتایج آزمایش ها برتری مدل پیشنهادی (FA-SVM) را نسبت به سایر روش ها تایید می کند. مدل FA-SVM به دقت ۹۸.۸۷، صحت ۹۹.۱۵، فراخوانی و score ۹۸.۸۹۱ دست یافته است که در تمامی معیارها از روش های پایه (SVM) با دقت ۸۸.۱۳ و ترکیبی مانند PSO-SVM و FA-RF پیشی گرفته است. همچنین مقدار AUC برابر با ۹۹.۱۸ نشان دهنده عملکرد عالی مدل در تفکیک ترکیبات فعال از غیر فعال است. این چارچوب یک راهکار کارآمد برای کاهش هزینه ها و افزایش سرعت در کشف داروهای جدید فراهم می آورد.

کلیدواژه ها:

یادگیری ماشین ، طبقه بندی ، انتخاب ویژگی ، ماشین بردار پشتیبان ، الگوریتم بهینه سازی کرم شب تاب ، فعال کننده گیرنده آندروژن