MultiCTox:通过自适应多模式学习来实现准确的心脏毒性预测

科学领域:

• 药理学和化学信息学
• 计算机化药物发现技术

背景情况:

• 心脏毒性,药物对心脏功能的不良影响,在药物开发中构成了重大挑战.
• 当前的预测方法通常依赖于单个数据类型,限制了它们的准确性和全面分析.
• 准确的心脏毒性预测对于评估药物疗效和确保患者安全至关重要.

研究的目的:

• 开发一种先进的多式联络方法,用于更好地预测药物诱导的心脏毒性.
• 整合多样化的分子数据 (SMILES,结构,指纹) 以获得更强大的预测模型.

主要方法:

• 设计了一种新的融合层,以统一分子SMILES,结构和指纹数据的表示.
• 该模型经过训练,以最大限度地提高模式内相似性,并最大限度地降低分子间相似性,以获得一致的跨模式表示.
• 该方法通过评估对关键心脏离子通道的抑制作用来评估:hERG,Nav1.5和Cav1.2.2.

主要成果:

• 与现有的最先进的心脏毒性预测方法相比,拟议的多式模式显示出明显优异的性能.
• 整合多种分子数据模式,提高了预测准确度.
• 该模型有效地预测了药物对电压关闭 (hERG), (Nav1.5) 和 (Cav1.2) 通道的影响.

结论:

• 开发的多式联络方法为心脏毒性预测的准确性提供了显著的改进.
• 这种方法在推进心脏药物的安全性评估方面具有重大潜力.
• 实施这种模型可以帮助减轻药物开发中的心脏毒性相关风险.