MetaSpot:基于MetaQSAR数据库识别发生代谢反应的反应性原子的一般方法

科学领域:

• * 计算化学和化学信息学
• * 人工智能在药物发现中的作用
• * 预测性毒理学

背景情况:

• * 药物代谢的早期预测对于丢弃具有较差ADME/毒素概况的分子至关重要.
• *人工智能 (AI) 模型需要准确的代谢数据来实现高性能.
• *MetaQSAR数据集可以预测各种生物转换的代谢部位.

研究的目的:

• * 开发和评估基于人工智能的模型,用于预测药物代谢的部位.
• * 用不同的描述器集和算法来评估模型的性能.
• * 调查特定分子特征在药物代谢预测中的作用.

主要方法:

• *收集多种代谢反应的基于MetaQSAR的数据集.
• *使用结构,物理化学和立体电子描述器开发随机森林模型.
• * 创建两个模型类型:一个包括所有非反应性原子,另一个专注于反应性中心.
• *特征评估以确定影响新陈代谢预测的关键描述因素.

主要成果:

• * 包含所有非反应性原子的模型显示出非常高的预测性能.
• *专注于反应中心的模型显示,实际代谢部位的识别通常较低,但有所改善,除了葡萄糖化.
• *脂性,自我极化和键被确定为大多数反应中的关键特征.

结论:

• *在MetaQSAR数据上训练的分类模型可以有效预测药物代谢部位.
• *两种模型类型的协同组合可以通过识别潜在和实际反应中心来提高预测准确性.
• *开发的模型可以作为VEGA程序的脚本,以促进它们在药物发现中的应用.