[重新采样与堆叠学习相结合,用于预测化合物的血脑屏障透性]
Qing Su1, Ganyao Xiao1, Wei Zhou2
1School of Computer Science and Technology, Guangdong University of Technology, Guangzhou 510006, P. R. China.
概括
机器学习有效地预测了中枢神经系统 (CNS) 药物的血脑屏障 (BBB) 透性. BSL-B3PP模型实现了高精度,有助于中枢神经系统药物开发.
科学领域:
- 药理学 药理学是指药理学的学科.
- 药用化学 医学化学
- 计算生物学 计算生物学
背景情况:
- 改善血脑屏障 (BBB) 透性对于中枢神经系统 (CNS) 药物开发至关重要.
- 传统的药理动力学测试往往不足以预测BBB透率.
- 机器学习为预测药物透性提供了具有成本效益的替代方案.
研究的目的:
- 开发一种高性能模型,用于预测中枢神经系统药物的BBB透性.
- 从药物化学和机器学习的角度确定影响BBB透性的关键特征.
- 通过降低成本和时间来加速中枢神经系统药物开发过程.
主要方法:
- 基于药物化学和机器学习的特征选择.
- 总结BBB阳性 (BBB+) 的量化间隔.
- 应用重新采样算法和堆叠学习 (SL) 进行预测.
- 使用大规模BBB数据库 (B3DB) 构建模型.
主要成果:
- 开发了基于平衡堆叠学习的BBB透性预测器 (BSL-B3PP) 模型.
- 实验验证实现了曲线下的面积 (AUC) 为97.8%.
- 该模型显示马修斯相关系数 (MCC) 为85.5%.
结论:
- BSL-B3PP模型在预测BBB透性方面显示出显著的前景.
- 该模型对于具有BBB透率较低的药物特别有效.
- 这种预测能力可以降低中枢神经系统药物开发成本,加快开发流程.
