非动物模型用于评估类似药物的药物化合物的血脑屏障透性

科学领域:

• 计算化学和化学信息学
• 药物的发现和开发.
• 神经科学和药理学是神经科学和药理学.

背景情况:

• 中枢神经系统 (CNS) 疾病对健康和经济造成重大负担.
• 药物进入中枢神经系统是开发有效治疗方法的一个重大挑战.
• 在 silico 方法对于识别可以穿越血脑屏障 (BBB) 的候选药物至关重要.

研究的目的:

• 分析中枢神经系统药物与非中枢神经系统药物的化学空间.
• 开发和验证用于预测BBB透性的机器学习模型.
• 提供一种计算工具,用于对潜在的中枢神经系统候选药物的早期查.

主要方法:

• 对中枢神经系统和非中枢神经系统批准药物的化学空间进行比较分析.
• 利用特征选择数据集和内部数据.
• 用于训练机器学习模型的新型分子指纹的设计.
• 使用不平衡和平衡数据集开发和验证机器学习模型.

主要成果:

• 机器学习模型实现了高性能指标,包括高达0.997的精度和高达1.0.0的灵敏度.
• 模型在盲目验证数据集上表现出强的性能.
• 该研究成功地确定了影响BBB透的关键物理化学性质.

结论:

• 开发的机器学习模型对具有BBB潜力的药物样分子的快速早期查是有效的.
• 该bbbPythoN包为研究人员提供了一个有价值的资源,用于预测BBB透性.
• 这项工作有助于识别中枢神经系统疾病的新疗法.