可解释深度学习 pKa 通过原子敏感性分析预测小分子药物
Joseph DeCorte1,2,3, Benjamin Brown4,5, Rathmell Jeffrey6
1Department of Chemical and Physical Biology, Vanderbilt University, Nashville, Tennessee 37232, United States.
一个新的深度神经网络,BCL-XpKa,准确地预测药物酸解离常数 (pKa) 并量化预测不确定性. 原子灵敏度分析揭示了学习的分子亚结构信息,有助于药物开发和优化.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习是机器学习.
背景情况:
- 机器学习模型对于预测像pKa这样的药物特性至关重要,但由于有限的数据和缺乏可解释性,经常与新型化合物作斗争.
- 目前的模型对新分子的概括性很差,并且在预测中缺乏透明度.
- 了解分子电离性对于药物开发和优化药物向相互作用至关重要.
研究的目的:
- 开发一种新的深度神经网络 (DNN) 模型,BCL-XpKa,用于准确预测药物酸解离常数 (pKa).
- 通过对pKa预测进行原子层次的洞察,提高模型的解释性.
- 在药物发现工作流程中证明BCL-XpKa及其相关原子灵敏度分析 (ASA) 的实用性.
主要方法:
- 开发了BCL-XpKa,一个基于DNN的多任务分类器,使用Mol2D描述符来编码pKa预测的局部原子环境.
- BCL-XpKa输出一个离散分布,提供pKa预测和相关的不确定性.
- 实现了原子灵敏度分析 (ASA) 以将pKa预测分解为原子贡献,而无需重新训练模型.
主要成果:
- BCL-XpKa表现出对新型小分子的强烈概括性和与现有的ML pKa预测器的竞争性表现.
- BCL-XpKa准确地模拟了分子修饰对电离性的影响.
- ASA成功地在93.2%的小分子酸和87.8%的基中确定了电离位,有助于优化KRAS降解PROTAC.
结论:
- 在药物开发中,BCL-XpKa为pKa预测提供了一个强大而可解释的解决方案.
- 原子灵敏度分析从ML模型中提供了有价值的,高分辨率的化学见解.
- 结合BCL-XpKa和ASA的结合方法可以有效地识别和解决候选药物的物理化学责任.
更多相关视频
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
相关概念视频
Factors Affecting Dissolution: Drug pKa, Lipophilicity and GI pH
A drug's pKa and the pH of the gastrointestinal (GI) tract play crucial roles...
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
Drug Absorption Mechanism: Passive Membrane Transport
Acid and Bases: Ka, pKa, and Relative Strengths
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Extraction: Effects of pH
