用于预测循环膜透性的13种AI方法的系统基准测试
Wei Liu1, Jianguo Li2,3, Chandra S Verma2,4,5
1Bioinformatics Institute, Agency for Science, Technology and Research, 30 Biopilis Street, Singapore, 138671, Singapore. liuwei@bii.a-star.edu.sg.
Journal of cheminformatics
|August 28, 2025
概括
机器学习模型可以预测循环膜透性,帮助药物发现. 像DMPNN这样的基于图形的模型表现最好,改善了细胞透性药物候选者的识别.
科学领域:
- 计算化学
- 药物发现
- 机器学习
背景情况:
- 循环是调节蛋白与蛋白相互作用的有价值的候选药物.
- 膜透性较差, 阻碍了它们的治疗用途.
- 通过计算预测透性可以简化药物开发.
研究的目的:
- 用机器学习模型进行基准测试,以预测循环膜的透性.
- 评估不同的分子表示和模型架构.
- 在回归和分类任务中评估预测性能.
主要方法:
- 通过各种分子表示 (指纹,微笑,图表,图像) 评估了13个机器学习模型.
- 使用了来自CycPeptMPDB数据库的近6000个周期性的PAMPA透性数据.
- 使用随机和支架分割策略来评估模型的通用性.
主要成果:
- 模型性能根据分子表示和架构有很大差异.
- 基于图形的模型,特别是定向消息传递神经网络 (DMPNN),表现出卓越的性能.
- 一般来说,回归任务比分类任务的结果更好.
- 脚手架分割显示了比随机分割更低的概括性.
结论:
- 机器学习,特别是基于图形的方法,对预测循环透性具有前景.
- 目前的模型具有实用价值,但需要进一步改进.
- 了解模型的概括性对于可靠的预测至关重要.
