使用基于各种分子表示的机器学习方法预测血脑屏障的透性

科学领域:

• 药用化学 医学化学
• 计算化学的计算化学
• 药理学 药理学是指药理学的学科.

背景情况:

• 评估复合血脑屏障 (BBB) 透性对于中枢神经系统 (CNS) 药物发现至关重要,但具有挑战性.
• 测量BBB透性的传统实验方法是低效,昂贵和耗时的.
• 开发预测模型可以显著简化药物发现过程.

研究的目的:

• 开发和验证用于预测化合物BBB透性的机器学习模型.
• 确定影响BBB透的关键分子特征.
• 为实验性BBB透性评估提供更快,更具成本效益的替代方案.

主要方法:

• 使用多种算法和分子表示方法构建六个机器学习分类模型.
• 使用ExtraTree算法与随机分区策略实现最佳性能.
• 在特征重要性分析中使用SHAP (SHapley添加式解释).
• 应用匹配分子对 (MMP) 分析和亚结构导出来理解透性规则.

主要成果:

• 在测试组件上,表现最好的模型实现了0.932±0.004的AUC和0.837±0.010的平衡精度 (BA).
• SHAP分析确定了影响BBB透性的关键分子特征.
• 对MMP分析和亚结构的鉴定揭示了BBB-透性化合物的结构转化规则.

结论:

• 开发的机器学习模型为预测化合物BBB透性提供了有效的工具.
• 这些模型可以加速鉴定中枢神经系统疾病的候选药物.
• 这些发现有助于更有效,更有针对性的药物发现策略用于神经系统疾病.