使用图形变压器预测淋巴运输潜力,基于体内研究的有限历史数据
Yunfeng Li1, Ruiya Liu2, Zonghao Ji3
1School of Publishing, Beijing Institute of Graphic Communication, 1 Xinghua Avenue (Band Two), Daxing, Beijing 102600, China; CNPIEC Kexin Digital Technology (Beijing) Co., Ltd, 16 Gongti East Road, Chaoyang District, Beijing, China.
概括
这项研究开发了人工智能模型来预测淋巴体药物运输,克服药物输送到淋巴系统的挑战. 这些模型将药物化学结构与体内数据相关联,提高了淋巴细胞药物设计的预测准确性.
科学领域:
- 药理动力学和药物输送方法
- 计算化学和化学信息学
- 人工智能在药物发现中的作用
背景情况:
- 淋巴系统是各种疾病的关键治疗点,但实现有效的药物输送仍然是一个重大挑战.
- 目前设计淋巴药物的方法往往是经验性的,缺乏明确的机制理解和设计标准.
- 由于复杂的实验方法,有限的数据积累阻碍了淋巴药物运输研究的进展.
研究的目的:
- 对185种药物的淋巴药物运输现有数据进行审查和分析.
- 开发和验证人工智能 (AI) 模型,用于预测口服药物运输到淋巴管.
- 研究药物的物理化学特性与淋巴运输范围之间的关系.
主要方法:
- 系统审查和分析已发表的淋巴药物输送研究 (直接和间接测量).
- 人工智能模型的开发:图形卷积网络 (GCN),图形注意网络 (GAT) 和图形变压器 (GT).
- 使用了数据增强和与药物化学结构相关联的体内数据 (简化分子输入线输入系统 - SMILES).
主要成果:
- 开发的AI模型通过将体内数据与药物化学结构联系起来,成功预测了淋巴体药物运输潜力.
- 分析显示,淋巴运输能力不是由单一的物理化学参数 (例如,LogP,LogD7.4,分子量) 决定的.
- 该研究提供了一种数据驱动的方法,以提高对淋巴药物运输的理解和预测.
结论:
- 人工智能驱动的预测提供了一种强大的工具,用于指导淋巴热药物候选药物的设计,超越试错方法.
- 要了解和优化药物运输到淋巴系统,需要采用多参数方法.
- 这项研究有助于开发针对通过淋巴系统治疗的疾病的新疗法.
