用图形神经网络和跨物种数据预测肝脏代谢稳定性
Jun Hyeong Park1,2, Ri Han3, Junbo Jang4,5
1Department of Radiation Oncology, Ajou University School of Medicine, Suwon, 16499, Republic of Korea.
Journal of cheminformatics
|September 3, 2025
概括
一个新的图形神经网络模型 MetaboGNN 正确预测药物的代谢稳定性. 它通过从分子结构和物种间的差异中学习来改善药物发现,
科学领域:
- * 计算化学和化学信息学
- * 药物的发现和开发.
- 在药理学中的机器学习.
背景情况:
- * 药物代谢稳定性对药物动力学至关重要,影响清除,半衰期和生物可用性.
- * 准确预测代谢稳定性可以加速药物发现.
- 图形神经网络 (GNN) 和图形对比学习 (GCL) 提供了分子表示的先进功能.
研究的目的:
- * 开发和验证一种用于预测肝脏代谢稳定的新型模型MetaboGNN.
- *利用GNN和GCL进行增强的分子结构分析.
- * 研究物种间差异对代谢稳定性预测的影响.
主要方法:
- *采用了2023年韩国药物发现数据挑战的数据集 (3,498个培训,483个测试分子).
- * 用图形表示分子结构以捕捉复杂的关系.
- 使用GCL进行预训练以提高模型的概括性和学习可转移的表示.
- 人肝显微体 (HLM) 与小鼠肝显微体 (MLM) 之间的内置物种间差异.
主要成果:
- * 达到较低的根平均平方误差 (RMSE) 值:HLM为27.91和MLM为27.86.
- * 与传统的药物发现方法相比,其预测性能更高.
- * 通过基于注意力的分析确定了影响代谢稳定的关键分子碎片.
结论:
- * MetaboGNN是预测药物代谢稳定性的强大而准确的工具.
- * 通过考虑物种间的酶变异来提高模型的性能.
- * MetaboGNN通过提供化学上有意义的见解来支持药物发现的高效优化.
