РЕЗЮМЕ. Розробити та валідувати таргет-специфічні моделі машинного навчання для in silico прогнозування багатотаргетної біологічної активності природних сполук, важливих для патогенезу цукрового діабету 2 типу (ЦД2), а також застосувати їх для скринінгу компонентів багатокомпонентної рослинної суміші. Було побудовано чотирнадцять класифікаційних моделей LightGBM з ізотонічним калібруванням імовірностей для прогнозування активності щодо таргетів із п’яти категорій, пов’язаних із патогенезом ЦД2: антидіабетичних (DPP-4, PPARγ, PTP1B), протизапальних (COX-2, 5-LOX, TNF-α), антиоксидантних (Keap1, ксантиноксидаза), антигіпертензивних (рецептор AT1, PDE5, ренін) та гіполіпідемічних (CETP, синтаза жирних кислот, PPARα). Набори даних для навчання було отримано з бази даних ChEMBL (pIC50 ≥ 6,0, активні; ≤ 5,0, неактивні). Кожну молекулу описували за використання 2225 ознак: 10 фізико-хімічних дескрипторів, ключів MACCS (167 бітів) та відбитків Моргана (ECFP4, 2048 бітів). Хімічний склад 11 рослин було визначено методами ГХ-МС та РХ-МС. Усі 14 моделей показали ROC-AUC у діапазоні 0,917–0,994 (середнє значення 0,965), F1 – 0,923–0,986 та MCC – 0,570–0,891. Валідація з використанням еталонних препаратів підтвердила правильну ідентифікацію інгібіторів, що застосовуються в клінічній практиці. Скринінг 11 рослин виявив профілі додаткової активності: протизапальна активність переважала у м’яті, орегано та бузині; антидіабетична активність – у V. uliginosum та V. myrtillus. Запропонований таргет-специфічний підхід дозволяє виявити біологічну активність рослинних комплексів щодо багатьох мішеней цукрового діабету 2 типу та сприяє раціональній розробці фітокомпозицій.
Ключові слова: in silico, машинне навчання, цукровий діабет 2 типу, рослинний комплекс, таргет-специфічні моделі, LightGBM
