协同机器学习加速了纳米孔无机晶体作为不可吸收的口服药物的发现

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 药理学 药理学是指药理学的学科.

背景情况:

• 机器学习 (ML) 需要大量高质量的数据来有效发现药物.
• 非可吸收的口服药物 (NODs) 在慢性疾病中提供了安全优势,因为系统暴露最小.
• 目前,对NOD的实证发现是资源密集型和耗时的.

研究的目的:

• 开发一种协同的ML方法,以有效识别新型不可吸收的口服药物 (NOD).
• 从无机材料中发现具有高选择性,容量和稳定的优质NOD.
• 为了解决对安全有效的高血症治疗的未满足的临床需求.

主要方法:

• 集成小型数据驱动的多层无监督学习.
• 在 silico 量子力学计算中用于材料属性预测.
• 最少的湿实验室实验用于验证和发现.

主要成果:

• 确定了一种新的NH4形式的纳米多孔泽奥利特,具有石 (MER) 框架 (NH4-MER).
• 在三种动物模型中,NH4-MER在降低血液 (K+) 中表现出卓越的安全性和有效性.
• 发现的材料有效降低了K+而不会释放 (Na+),这是一个关键的优势.

结论:

• 开发的协同ML方法显著加速了不可吸收的口服药物 (NOD) 的发现.
• 在患有慢性脏病和戈登综合征的患者中,NH4-MER代表了高血症的有希望的治疗候选者.
• 这种方法可以扩展到加速发现其他选择形状的材料.