GCN-BBB:深度学习 血脑屏障 (BBB) 透性 药物分析与图形卷积神经网络 (GCN)

科学领域:

• 药理学 药理学是指药理学的学科.
• 计算化学的计算化学
• 人工智能的人工智能

背景情况:

• 血脑屏障 (BBB) 调节分子进入中枢神经系统 (CNS),这对于开发针对中枢神经系统疾病 (如质母细胞瘤和阿尔茨海默氏症) 的药物至关重要.
• 目前用于评估BBB透性的体外和体外方法昂贵且低效.
• 预测BBB透性对于设计向中枢神经系统的药物和避免穿过BBB的药物的不良心理效应至关重要.

研究的目的:

• 开发和评估一个深度学习模型,特别是图形神经网络 (GNN),用于预测血脑屏障 (BBB) 透性.
• 用分子指纹和描述符来比较GNN与传统机器学习算法的性能.
• 建立一个计算工具,用于有效的中枢神经系统相关疗法的早期药物查.

主要方法:

• 利用了1924个分子的数据集进行培训和验证.
• 开发和实施图形神经网络 (GNN) 模型,以图形格式表示分子.
• 与使用分子指纹和物理化学描述器的算法进行GNN性能比较.

主要成果:

• 最好的GNNs模型 (GCN_2) 实现了高预测性能:0.94精度,0.96回忆,0.95F1得分和0.77MCC得分.
• 该GNN模型显著优于依赖分子指纹的其他机器学习算法.
• 展示了图形表示和GNN架构在准确预测BBB透性的力量.

结论:

• 图形神经网络与分子图表表示相结合,为预测BBB透性提供了强大而准确的方法.
• 开发的GNN模型可以在中枢神经系统疾病药物开发的初始查阶段作为有效的工具.
• 这种计算方法提高了识别神经疾病潜在候选药物的速度和准确性.