用HD-GEM机器学习模型评估化对脚手架毒性的影响

科学领域:

• 计算毒理学计算毒理学
• 化学信息学 化学信息学
• 药品化学 药品化学 是一个

背景情况:

• 素在药物设计中至关重要,影响生物活性和稳定性.
• 评估素对药物毒性的影响 (基因毒性,心脏毒性,肝毒性) 是一个重大挑战.
• 现有的模型通常假定化会增加毒性.

研究的目的:

• 开发一个AI框架 (HD-GEM) 来预测化化合物的毒性.
• 调查素与脚手架原子对毒性的特定贡献.
• 挑战关于化和药物毒性的传统假设.

主要方法:

• 基于图形的混合动力集成模型 (HD-GEM) 集成图形神经网络,分子指纹和集成元学习.
• 节点扰动分析以确定影响毒性预测的关键原子.
• 与传统的ML模型和现有的毒性预测工具 (ProTox,ADMETlab,admetSAR) 进行比较分析.

主要成果:

• 在毒性预测准确性和ROC-AUC得分方面,HD-GEM显著优于现有模型.
• 发现核心支架原子 (碳,,氧) 是毒性的主要驱动因素.
• 素对毒性的贡献是最小的;替代化合物显示的毒性最低.
• 聚化支架的毒性降低,可能是由于稳定反应性代谢物形成.

结论:

• HD-GEM提供了一个可解释的AI驱动框架,用于准确的毒性预测.
• 这项研究挑战了化固有增加药物毒性的范式.
• 脚手架的组成和特殊特征是毒性比化状态更重要的决定因素.