一种新的in silico方法用于预测未结合的大脑与血的比率,使用基于机器学习的支持向量回归

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
• 神经科学是一个神经科学.

背景情况:

• 血脑屏障 (BBB) 是一个关键的生物界面,控制物质进入中枢神经系统 (CNS).
• 准确预测BBB透率对于中枢神经系统向治疗和全身药物来管理副作用至关重要.
• 评估BBB透率的现有方法可能耗时且资源密集.

研究的目的:

• 开发和验证一种新的in silico模型,用于预测未结合的大脑与血度比率 (K_p,uu,brain).
• 使用机器学习方法,特别是层次支持向量回归 (HSVR),以提高预测准确性.
• 为早期药物发现提供可靠的工具,简化BBB透率的评估.

主要方法:

• 开发一个层次支持向量回归 (HSVR) 模型.
• 使用已知BBB透性质的化合物的多样数据集进行培训和验证.
• 严格验证使用全面的指标和模拟测试来评估实际应用.

主要成果:

• 该HSVR模型在预测K_p,uu,brain值方面表现出高准确性,预测性和稳定性.
• 对比分析显示,HSVR模型的表现明显优于现有已发表的模型.
• 该模型有效地捕捉了复杂的BBB透机制,包括扩散和活性传输.

结论:

• 开发的HSVR模型提供了一个可靠和高效的计算工具,用于预测BBB透.
• 这种方法可以通过尽量减少对体内研究的依赖来加速药物发现,并支持"早期失败,快速失败"的范式.
• 该模型有助于识别有前途的中枢神经系统候选药物,并有助于缓解系统性药物中枢神经系统相关的挑战.