工业规模的多任务ADME/PK预测:利用大型和多样化的实验数据集

科学领域:

• 药物的发现和开发.
• 计算化学是一种计算化学.
• 药理动力学 药理动力学

背景情况:

• 吸收,分发,新陈代谢和分泌 (ADME) 属性对于候选药物成功至关重要.
• 药代动力学 (PK) 概况决定了药物在人体中的行为.
• 早期预测ADME和PK属性对于有效的药物开发至关重要.

研究的目的:

• 评估用于预测ADME和动物PK终点的多任务机器学习 (ML) 模型.
• 将多任务模型与单任务模型的性能进行比较.
• 了解如何利用跨多个终点的内部数据影响预测准确度.

主要方法:

• 开发和应用基于多任务图形的神经网络模型.
• 培训模型是基于博林格英格尔海姆公司内部的ADME/PK数据.
• 评估模型使用现实的时间分割,考虑设计和测试阶段.

主要成果:

• 与单一任务模型相比,多任务的ML模型表现出更高的性能.
• 多任务学习的好处在早期测试的实验数据可用时更为明显.
• 具有更广泛数据的终点,如物理化学性质和微体清除,有助于改善复杂ADME/PK终点的预测性.

结论:

• 多任务学习有效地利用药物环境中的多个ADME/PK终点的数据.
• 基于图形的神经网络显示出增强ADME/PK预测的巨大潜力.
• 在测试中优化内部数据的使用可以显著提高ML模型在药物发现中的预测性.