一种基于机器学习的筛选血管紧张素转化酶抑制剂的模型及方法

本发明公开了一种基于机器学习的血管紧张素转化酶抑制剂筛选的模型及方法，涉及药物发现与机器学习技术领域，其技术要点为：本发明通过整合RDKit、ESM‑2模型计算血管紧张素转化酶抑制肽的多种分子特征，采用RFECV算法进行特征筛选优化后，结合支持向量机、随机森林、逻辑回归、最近邻和多层感知机算法，构建了15个高性能分类预测模型。本发明通过采用BACC、MCC等七种统计指标评估模型性能，并结合Friedman检验和Nemenyi后续检验进行模型比较，显著提升了分类预测的准确性和鲁棒性。此外，利用K‑means聚类分析血管紧张素转化酶抑制剂的结构特征，进一步揭示了高活性抑制剂的关键结构片段，为新颖血管紧张素转化酶抑制剂的高效筛选与设计提供了理论依据和技术支持。