通过基于机器学习的整合,从标准化数据库中增强血脑屏障透预测新型和现有的,在和实验分子参数

科学领域:

• 药用化学 医学化学
• 计算化学计算化学
• 药理学 药理学是指药理学的学科.

背景情况:

• 预测血脑屏障 (BBB) 透对于中枢神经系统 (CNS) 药物开发至关重要,但仍构成重大挑战.
• 现有的预测模型往往缺乏标准化和几何优化,导致计算变化,特别是极地表面积 (PSA).

研究的目的:

• 为BBB透预测开发一种基于机器学习 (ML) 的新型评分系统.
• 为PSA创建一个标准化的数据库和新的in silico 3D计算.
• 评估和比较ML模型的性能与现有的预测规则.

主要方法:

• 开发了154个分子的标准化数据集,具有24个分子参数,包括实验和in silico测量.
• 实现了非经典PSA的新的in silico 3D计算.
• 使用100倍的蒙特卡洛交叉验证框架进行训练和验证的ML模型.
• 采用可解释的人工智能 (AI) 方法,如Shapley添加式解释 (SHAP) 进行参数影响分析.

主要成果:

• ML随机森林模型在预测二进制BBB透率 (AUC 0.88) 和多类预测 (AUC 0.82) 中取得了卓越的性能.
• 这种ML方法显著优于CNSMPO (AUC0.53) 和BBB得分 (AUC0.68) 等现有得分.
• SHAP分析证实了BBB透的多因素性质以及多变量ML模型的优势.

结论:

• 综合的ML方法通过将实验和in silico数据与新方法相结合,提高了BBB透预测的准确性.
• 这种方法可以减少对广泛实验测量和动物试验的依赖,加速中枢神经系统药物开发.
• 该研究强调了ML和可解释AI在优化中枢神经系统相关疗法的药物发现方面的潜力.