配方BCS:基于生物制药分类系统 (BCS) 类预测的多种分子表示的机器学习平台
Zheng Wu1, Nannan Wang1, Zhuyifan Ye2
1Institute of Chinese Medical Sciences (ICMS), State Key Laboratory of Quality Research in Chinese Medicine, University of Macau, Macau 999078, China.
这项研究开发了一个机器学习网络平台,用于高通量生物制药分类系统 (BCS) 的分类. 它使药物溶解性和透性的快速in silico评估成为可能,提高了药物开发效率.
科学领域:
- 计算化学和化学信息学
- 药理动力学和药物代谢的药理动力学
- 机器学习在药物发现中的作用
背景情况:
- 生物制药分类系统 (BCS) 对药物生物豁免者至关重要,提高了监管效率.
- 目前用于测量BCS特性 (溶解度,透性) 的方法限制了高通量候选药物的评估.
- 机器学习 (ML) 和定量结构-性能关系 (QSPR) 提供了快速的基BCS分类的潜力.
研究的目的:
- 使用先进的ML模型开发一个用于高通量BCS分类的Web平台.
- 为了使药物溶解性和透性的快速和准确的in silico预测.
- 通过促进BCS评估和指导配方决策,支持早期药物开发.
主要方法:
- 策划了四个数据集,用于BCS相关的分子特性:log S,log P,log D和log P_app.
- 采用了6个ML算法和深度学习框架,具有多种分子表示 (指纹,描述符,图形,3D坐标).
- 开发并验证了ML模型来预测可溶性,透性 (log P,log D) 和表面透性 (log P_app).
主要成果:
- 对于溶解度预测,LightGBM实现了R2=0.84.
- 注意FP 显示了 log P 的 R2=0.96 和 log D (通透性) 的 R2=0.76.
- 对于日志P_app预测,XGBoost产生了R2=0.71;外部验证显示分别可溶性和透性的准确度>77%和>73%.
结论:
- 开发的ML模型准确地预测了与BCS相关的特性.
- 创建了第一个基于ML的BCS类预测网络平台 (xf).
- 这个平台促进了高通量BCS评估,降低了风险并提高了药物开发效率.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
相关概念视频
Classification of Neurotransmitters
Classification of Systems-I
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
Classification of Systems-II
Model Approaches for Pharmacokinetic Data: Compartment Models
Two primary types of compartment models are recognized: mammillary and catenary. The more...
Bioavailability Enhancement: Determination and Conceptual Approaches in Overcoming Bioavailability Problems
Modified-Release Drug Delivery Systems: Classification
