打破障碍:基于机器学习的c-RASAR方法,用于准确预测血脑屏障的透性
Vinay Kumar1, Arkaprava Banerjee1, Kunal Roy1
1Drug Theoretics and Cheminformatics Laboratory, Department of Pharmaceutical Technology, Jadavpur University, Kolkata 700032, India.
Journal of chemical information and modeling
|May 3, 2024
概括
这项研究引入了使用机器学习的分类阅读跨结构-活性关系 (c-RASAR) 框架,以准确预测中枢神经系统 (CNS) 药物发现的血脑屏障 (BBB) 透性.
科学领域:
- 计算化学和化学信息学
- 药物的发现和开发.
- 药理学和毒理学 药理学和毒理学
背景情况:
- 预测血脑屏障 (BBB) 透性对于中枢神经系统 (CNS) 药物有效性和安全性至关重要.
- 现有的模型在准确评估整个BBB的药物透性方面面临挑战.
- 需要开发新的计算方法来改善中枢神经系统药物设计.
研究的目的:
- 引入和验证一个分类阅读跨结构-活动关系 (c-RASAR) 框架,用于增强的BBB透性预测.
- 以展示使用c-RASAR方法对有机化合物的BBB透性预测的精细化.
- 为评估药物开发中的神经药理学影响提供一个多功能计算平台.
主要方法:
- 开发了一个基于机器学习的c-RASAR线性差异分析 (LDA) 模型,使用B3DB数据库中的7807个化合物.
- 来自阅读交叉和定量结构-活动关系 (QSAR) 方法的综合原则.
- 使用三个外部数据集验证模型:天然产品 (LOTUS),类似药物的化合物 (DrugBank) 和FDA批准的药物.
主要成果:
- c-RASAR框架在预测BBB透性方面表现出强大的能力.
- 该模型准确地评估了各种化合物集的透性,包括天然产品和批准的药物.
- 基于机器学习的c-RASAR模型显示,预测准确度显著提高.
结论:
- c-RASAR框架提供了一种精细而准确的方法来预测BBB透性.
- 这种方法促进了对影响中枢神经系统药物透性的分子因素的理解.
- 该计算平台促进了快速的化合物评估,有助于在药物开发中做出知情决策.
