通过机器学习对化学描述物的比较分析揭示了对溶液-脂质相互作用的原子见解

科学领域:

• 药物配方和开发 药物配方和开发
• 计算化学和化学信息学
• 脂质的物理化学 脂质的物理化学

背景情况:

• 药物在脂质辅料中的溶解性仍然是制药开发中的复杂挑战.
• 准确预测溶解度对于合理的药物设计和配方至关重要.
• 需要在理解分子结构与性质关系方面取得进展.

研究的目的:

• 研究用于预测中链甘油三酸 (MCT) 中药溶解性的新型分子描述器集.
• 使用机器学习开发和比较量化结构与属性关系 (QSPR) 模型.
• 确定影响脂质环境中药物溶解性的关键分子决定因素.

主要方法:

• 收集并分析了182个实验性药物溶解度值在MCT中的扩展数据集.
• 评估了四种类型的分子描述器:2D/3D描述器,亚伯拉罕溶解参数,ECFP和SOAP描述器.
• 采用规范回归算法和预处理方案来构建和验证QSPR模型.

主要成果:

• 原子位置 (SOAP) 描述符的平滑重叠产生了最准确和可解释的QSPR模型.
• 以原子为中心的SOAP描述器允许对影响溶解性的分子动机进行原子级贡献分析.
• 在测试集上使用2D/3D,SOAP和Abraham溶解描述符的模型中,实现了高的预测准确性 (RMSE = 0.50).
• 基于扩展连接指纹 (ECFP) 的模型显示出较差的预测性能.
• 不确定性估计被纳入定义模型适用性领域.

结论:

• SOAP描述符提供了一个强大的工具,可以高精度地预测MCT中的药物溶解度.
• 这种in silico方法增强了计算配方开发和合理的药物设计.
• 这些发现有助于预测脂质辅助剂中的药物负载,优化制药配方.