基于可解释机器学习和图表注意力网络的模型,用于预测PAMPA透性
Upashya Parasar1, Orchid Baruah1, Debasish Saikia2
1Department of Information Technology, The Assam Kaziranga University, Jorhat, Assam, 785006, India.
Journal of molecular graphics & modelling
|April 17, 2025
概括
机器学习模型,包括随机森林和可解释的增强机器,在药物发现中准确预测并行人工膜透性试验 (PAMPA). 这些计算工具增强了早期的药物化合物评估.
科学领域:
- 计算化学和化学信息学
- 药物的发现和开发.
- 药理动力学和药物代谢的药理动力学
背景情况:
- 平行人工膜透性试验 (PAMPA) 是一种高通量方法,用于评估药物透性.
- 准确预测PAMPA透性对于有效的早期药物发现至关重要.
- 现有的方法需要优化,以更广泛地覆盖化学空间.
研究的目的:
- 开发和评估用于预测PAMPA透性的机器学习 (ML) 和深度学习 (DL) 模型.
- 为了比较随机森林 (RF),可解释提升机 (EBM),Adaboost和图表注意力网络 (GAT) 模型的预测性能.
- 用内部和外部数据集评估模型的概括性.
主要方法:
- 使用了 5447 种化合物的精选数据集,并使用了 PAMPA 透性得分.
- 经过训练和验证的RF,EBM,Adaboost和GAT模型.
- 在独立的外部数据集上评估模型性能.
主要成果:
- 在内部验证过程中,RF达到81%的准确率,EBM达到80%的准确率.
- 而Adaboost和GAT的准确率分别为76%和74%.
- 在外部数据集上,RF,EBM和Adaboost的准确率分别为91%,90%和89%,而GAT的准确率达到86%.
结论:
- 所有开发的模型都证明了对PAMPA透性的可靠预测,表现优于基准.
- 射频和EBM模型在内部和外部验证数据集中表现特别强.
- 该研究为预测药物透性提供了有价值的计算工具,支持高效的药物发现管道.
