注意力图神经网络模型用于预测血脑屏障透性的预测

科学领域:

• 神经科学是一个神经科学.
• 计算化学计算化学
• 机器学习 机器学习

背景情况:

• 血脑屏障 (BBB) 调节了分子进入中枢神经系统 (CNS) 的通道,这对于维持神经平衡至关重要.
• 神经和神经退行性疾病需要具有有效BBB透 (BBBP) 的治疗方法.
• 预测BBBBP传统上依赖于*in silico*方法,例如中枢神经系统多参数优化 (MPO).

研究的目的:

• 将机器学习 (ML) 和神经网络 (NN) 模型与MPO进行基准比较,用于使用精心策划的开源数据集进行BBBBP预测.
• 评估人工智能模型的性能,特别是注意力强大的NN,在预测BBBP方面,包括立体异构体.

主要方法:

• 策划了一个开源数据集,用于对比BBBP预测模型.
• 开发并测试了注意力神经网络,包括一个名为CANDID-CNSTM的图形神经网络 (GNN).
• 将人工智能模型的性能与已建立的中枢神经系统多参数优化 (MPO) 方法进行比较.

主要成果:

• 人工智能模型,特别是使用立体化学特征的细心NN,在BBBP预测中显著超过MPO.
• 在完整的和立体异构体过的测试集中,CANDID-CNSTM获得了比MPO更高的AUROC分数.
• 注意的GNN在分类具有不同BBPP的立体异构体方面表现出卓越的表现,这是MPO的局限性.

结论:

• 将细心的GNN模型集成到药物发现中,可以大幅提高BBBP预测率.
• 这些人工智能模型可以减少时间表,成本,并增加开发大脑透疗法的成功概率.
• 人工智能驱动的BBBBP预测为治疗广泛的神经疾病提供了一个有希望的途径.