关于基于增材人工智能的纳米粒子神经退行性疾病药物输送系统的发现

科学领域:

• 神经科学是一个神经科学.
• 药理学 药理学是指药理学的学科.
• 计算生物学 计算生物学

背景情况:

• 神经退行性疾病涉及渐进的神经元死亡,传统治疗面临诸如药物溶解性差和血脑屏障透程度有限等挑战.
• 纳米粒子 (NP) 系统有可能将神经退行性疾病药物 (NDD) 输送到中枢神经系统.
• 开发有效的纳米粒子神经系统疾病药物递送系统 (N2D3Ss) 是复杂的,因为许多化合物组合和测试变化.

研究的目的:

• 通过利用人工智能/机器学习 (AI/ML) 来解决发现有效N2D3S的挑战.
• 开发和评估信息融合-乱理论-机器学习 (IFPTML) 技术,用于预测有希望的NDD和NP候选者.
• 为了克服N2D3S活动中的数据限制,以便进行强大的AI/ML分析.

主要方法:

• 整合了4403个NDD测定 (ChEMBL) 和260个NP细胞毒性测定到一个统一的数据集中.
• 生成了三个重新采样的数据集,每个数据集都有50万个病例.
• 使用线性区分分析 (LDA) 和人工神经网络 (ANN) 算法 (MLP,DLN) 构建线性和非线性IFPTML模型.

主要成果:

• IFPTML-LDA模型实现了70-73%的灵敏度和70-80%的特异性.
• 对于培训和验证,IFPTML-MLP和IFPTML-DLN模型表现出更高的灵敏度和特异性 (85-86%).
• IFPTML-ANN模型报告了接收器操作曲线 (AUROC) 下的面积为0.93-0.95.

结论:

• IFPTML技术有效地整合了用于AI/ML分析的各种数据集,克服了数据稀缺性的挑战.
• 基于ANN的IFPTML模型显示了准确预测N2D3S疗效的巨大潜力.
• IFPTML模型可以加速用于神经退行性疾病的新药输送系统的设计和发现.