量子机器学习预测药物发现中的ADME-Tox属性
Amandeep Singh Bhatia1, Mandeep Kaur Saggi2, Sabre Kais2
1School of Electrical and Computer Engineering, Purdue University, West Lafayette, Indiana 47907, United States.
这项研究引入了一个量子机器学习框架,以更有效地预测药物吸收,分布,新陈代谢,分泌和毒性 (ADME-Tox) 特性. 量子模型在模拟中显著超过了经典方法,加速了药物发现.
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
- 量子机器学习应用程序
背景情况:
- 评估吸收,分布,新陈代谢,分泌 (ADME) 和毒性至关重要,但在药物研发中耗时且昂贵.
- 人工智能,大数据和云技术正在成为预测分子ADME-Tox属性的强大工具.
- 量子计算与机器学习相结合,为高吞吐量查和降低药物发现成本提供了潜在的进步.
研究的目的:
- 提出和验证一种新的量子机器学习 (QML) 框架,用于预测化学实体的ADME-Tox特性.
- 利用量子内核方法和经典支持向量分类来提高药物开发中的预测准确性.
- 为了证明使用量子支向量分类器与简化分子输入线输入系统 (SMILES) 字符串内核的可行性.
主要方法:
- 开发一个混合量子-经典机器学习框架.
- 集成经典的支向量分类器与基于内核的量子分类器.
- 利用基于SMILES符号的字符串内核,通过大规模模拟来评估化学/药物ADME-Tox特性.
主要成果:
- 拟议的QML框架在预测ADME-Tox结果方面表现优于经典模型.
- 在接收器运行特征曲线 (AUC ROC) 的曲线下实现的高面积值从0.80到0.95.9不等.
- 对具有不同特征数量的小分子的ADME-Tox数据集进行了性能验证.
结论:
- 开发的QML框架显示了重要的药物属性的准确和高效预测的重大前景.
- 量子机器学习提供了一种有价值的工具,可以通过降低成本和开发时间来加速药物发现管道.
- 在制药行业的部署可能会导致在研发方面做出更明智的决策.
更多相关视频
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
相关概念视频
Quantitative Aspects of Drug-Receptor Interaction
Pharmacokinetic Models: Overview
There are three primary types of models: empirical, compartment, and physiological. Empirical models, with minimal...
Pharmacokinetic Models: Comparison and Selection Criterion
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
Mechanistic Models: Overview of Compartment Models
Drug Discovery: Overview
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
