人工智能用于皮肤透性预测:深度学习

科学领域:

• 药理动力学和药物输送方法
• 计算化学计算化学
• 人工智能在医学中的应用

背景情况:

• 测量异生菌的皮肤透性 (Kp) 是劳动密集型的.
• 定量结构-透性关系 (QSPR) 模型通常依赖于实验数据的统计分析.
• 深度学习,使用深度神经网络 (DNN) 的机器学习的一个子集,正在获得计算药物递送的引力.

研究的目的:

• 探索深度学习模型对预测皮肤透系数的有用性.
• 开发替代,高效的方法来评估通过皮肤的异生菌运输.
• 在此背景下,研究卷积神经网络 (CNN),前神经网络 (FNN) 和循环神经网络 (RNN) 的预测性能.

主要方法:

• 利用公开可用的数据集,包括145种化学品和药品的476个记录.
• 应用CNN,FNN和RNN架构来预测皮肤透系数 (log kp).
• 在Anaconda和Jupyterlab环境中使用Python进行计算,使用Keras和TensorFlow模块.

主要成果:

• 通过CNN,FNN和RNN模型成功预测了log kp值.
• 证明了深度学习网络模拟皮肤透性的能力.
• 该研究验证了所选择的深度学习架构的预测能力.

结论:

• 深度学习网络是数字查和预测外来生物皮肤透性的有效工具.
• 这种方法可以显著简化药物开发过程.
• 这些发现支持人工智能在预测药物运输特性方面的更广泛应用.