在药物发现中ADMET的评估:21. 机器学习算法的应用和工业验证,用于Caco-2的透性预测
Dong Wang1, Jieyu Jin1, Guqin Shi2
1Innovation Institute for Artificial Intelligence in Medicine of Zhejiang University, College of Pharmaceutical Sciences, Zhejiang University, Hangzhou, 310058, Zhejiang, China.
Journal of cheminformatics
|January 10, 2025
概括
机器学习模型,特别是XGBoost,准确地预测Caco-2的透性,这是口服药物开发的关键因素. 当这些模型应用于行业数据集时,它们显得有前途,有助于药物发现.
科学领域:
- 计算化学和药理学计算化学和药理学
- 机器学习在药物发现中的作用
背景情况:
- 卡科-2细胞模型是评估药物肠道透性的标准体外方法.
- 虽然有效,但Caco-2试验耗时,需要更快的预测计算模型来有效开发药物.
研究的目的:
- 评估机器学习算法和分子表示来预测Caco-2的透性.
- 评估预测模型从公共对专有制药数据集的可转移性.
- 确定化学转化规则,以优化Caco-2的透性.
主要方法:
- 对增强的Caco-2透性数据集的分析.
- 评估各种分子表示的各种机器学习算法 (例如,XGBoost).
- 使用Y随机化测试,适用性域分析和匹配分子对分析 (MMPA) 的验证.
主要成果:
- 在测试组中,XGBoost与其他模型相比,表现出优异的预测性能.
- 在公共数据上训练的机器学习模型在内部制药行业数据集上保持了预测有效性.
- MMPA成功提取了与Caco-2透性相关的化学转化规则.
结论:
- 开发的计算模型为药物发现中的早期Caco-2透性评估提供了可靠的工具.
- 该研究验证了机器学习用于预测药物透性和优化化合物特性.


