산화 스트레스는 다수의 만성 질환에 대한 잘 확립된 위험 요인으로, 강력한 항산화제를 효율적으로 식별할 필요성을 강조한다. 항산화 활성의 평가를 위한 기존 방법은 종종 시간이 많이 소요되고 자원 집약적이며, 일반적으로 수고가 큰 생화학적 분석법에 의존한다. 본 연구에서는 분자 구조만을 근거로 화합물의 항산화 활성을 예측하기 위한 기계 학습(ML) 알고리즘의 적용 가능성을 조사하였다. 실험적으로 결정된 항산화 활성 데이터를 보유한 1,900개를 초과하는 화합물로 구성된 데이터셋을 사용하여 Support Vector Machine (SVM), Logistic Regression (LR), XGBoost, Random Forest (RF), Deep Neural Network (DNN) 등 다섯 가지 ML 알고리즘의 성능을 평가하였다. RF와 SVM은 전체적으로 가장 우수한 성능을 보였으며, 높은 정확도(> 0.9)를 나타내고 구조적 유사성이 높은 활성 및 비활성 화합물을 효과적으로 구별하였다. BATMAN 데이터베이스의 천연물 자료를 활용한 외부 검증을 통해 RF 및 SVM 모델의 일반화 가능성이 확인되었다. 본 연구 결과는 ML 모델이 새로운 항산화 후보의 발굴을 신속화하는 강력한 도구로 기능할 수 있으며, 향후 치료 중재의 개발을 간소화할 가능성을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.