从分子SMILE中预测ADMET属性:使用基于注意力的图形神经网络的自下而上的方法

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 在药理学中的机器学习.

背景情况:

• 准确预测吸收,分布,新陈代谢,分泌和毒性 (ADMET) 属性对于成功的药物开发至关重要.
• 早期对ADMET属性的评估可以最大限度地减少后期故障,并降低开发成本.
• 目前用于ADMET预测的方法可能是计算密集的,需要手动功能工程.

研究的目的:

• 开发和验证一个创新的基于注意力的图形神经网络 (GNN) 模型,用于预测ADMET属性.
• 为了证明模型能够直接利用分子结构从简化分子输入线输入系统 (SMILE) 符号.
• 为ADMET属性预测提供了传统方法的计算效率高的替代方案.

主要方法:

• 使用基于注意力的图形神经网络 (GNN) 架构.
• 采用了自下而上的方法,从子结构处理分子信息到整个分子.
• 从SMILE符号直接表示分子,绕过了明确分子描述符的需要.
• 在六个基准数据集上对回归 (脂性,水溶性) 和分类 (CYP抑制) 任务验证了模型.

主要成果:

• 基于注意力的GNN模型在预测各种ADMET属性方面表现出显著的有效性.
• 该模型成功执行了回归任务,包括脂性和水溶性预测.
• 该模型在分类任务中取得了强的表现,预测了关键细胞染色体P450酶 (CYP2C9,CYP2C19,CYP2D6,CYP3A4) 的抑制.
• 这种方法消除了计算上昂贵的检索和选择分子描述符的需要.

结论:

• 开发的基于注意力的GNN为预测ADMET属性提供了强大而高效的工具.
• 这种方法促进了高通量查和药物发现的早期评估.
• 该模型通过能够主动识别潜在负债来提高候选药物的成功概率.