在化物中,用于增强药物安全性评估的目标外分析

科学领域:

• 药理学 药理学是指药理学的学科.
• 计算化学计算化学
• 人工智能在药物发现中的作用

背景情况:

• 早期药物安全性评估对于防止后期开发失败和减少经济损失至关重要.
• 非目标相互作用和随后的药物不良反应 (ADRs) 是药物安全问题的主要原因.
• 目前的方法,如体外查和动物试验药物安全性是昂贵和耗时的.

研究的目的:

• 开发一种人工智能 (AI) 模型,精确预测化合物目标外相互作用.
• 利用预测的目标外特征来分类化合物毒性并推断潜在的副作用.
• 为了证明AI模型在理解ADR机制中的实用性,使用退出药物的例子.

主要方法:

• 开发一种多任务图形神经网络 (GNN) 模型,用于预测化合物目标外相互作用.
• 使用预测的目标外形作为药物分化 (例如,通过ATC代码) 和毒性分类的化合物表示.
• 在预测的目标外形上应用ADR丰富分析以推断潜在的ADR.

主要成果:

• 人工智能模型准确地预测了复合非目标相互作用.
• 预测的目标外形有效地区分药物和分类化合物毒性.
• 该模型成功地推断出潜在的副作用,并阐明了撤销药物 (Pergolide) 的目标水平机制.

结论:

• 开发的AI模型通过目标以外的识别来促进早期化合物安全性和毒性评估.
• 该方法有助于推断潜在的副作用,从而促进更安全的药物开发.
• 这种人工智能驱动的方法为预测和减轻药物安全风险提供了宝贵的工具.