图表Deep-hERG:图表神经网络药理分析用于评估与hERG相关的心脏毒性

科学领域:

• 计算化学和药理学计算化学和药理学
• 人工智能在药物发现中的作用
• 心血管安全药理学心血管安全药理学

背景情况:

• 人类以太-a-go-go相关基因 (hERG) 通道对于心脏再极化至关重要.
• 药物阻断hERG通道可能导致致命的心律失常,如长QT综合征.
• 目前用于hERG抑制的药物选方法效率低下,耗时.

研究的目的:

• 开发一种用于学习分子表示的自动化方法,以改善 in silico hERG 选.
• 克服依赖于手动定义的原子特征的传统模型的局限性.
• 为了加快对药物安全的潜在hERG抑制剂的识别.

主要方法:

• 开发了一个深度神经网络 (DNN) 模型,用于自动化原子嵌入,使用来自ZINC的118,312种化合物.
• 训练了一个图形神经网络 (GNN) 模型,使用7909个ChEMBL化合物进行分类.
• 将原子嵌入和GNN模型集成到分类器中,以区分hERG抑制剂和非抑制剂.

主要成果:

• 自动化原子嵌入模型在结构表示中实现了0.93的准确性.
• 性能最好的GNN模型在预测hERG抑制时达到0.84准确度.
• 在外部验证中,GNN模型的表现优于传统的机器学习和现有的AI驱动模型.

结论:

• 自动化原子嵌入模型为分子表示提供了强大的标准.
• 将该模型与GNN集成,可以显著帮助选hERG抑制剂.
• 这种方法通过增强计算安全评估来加速药物发现和重新利用.