通过使用MSformer-ADMET进行多尺度碎片意识预训,推进ADMET预测

科学领域:

• 计算化学计算化学
• 药物发现 药物发现 药物发现
• 机器学习 机器学习

背景情况:

• 吸收,分布,新陈代谢,分泌和毒性 (ADMET) 特性对于候选药物成功至关重要.
• 早期预测ADMET对于降低成本和加速药物开发至关重要.
• 现有的深度学习模型往往缺乏可解释性和概括性.

研究的目的:

• 适应和专业化MSformer框架用于预测ADMET属性.
• 评估适应模型MSformer-ADMET在各种ADMET任务中的性能.
• 调查MSformer-ADMET的可解释性,以了解结构-属性关系.

主要方法:

• 开发了一个基于碎片化的深度学习模型MSformer-ADMET.
• 微调的MSformer-ADMET在治疗数据共享 (TDC) 的22个ADMET任务上.
• 将MSformer-ADMET与传统的基于微笑和基于图形的模型进行比较.
• 使用注意力分布和碎片映射进行了可解释性分析.

主要成果:

• 在广泛的ADMET终点上,MSformer-ADMET实现了卓越的性能.
• 该模型始终优于传统的分子表示方法.
• 解释性分析确定了与特定ADMET属性相关的关键结构碎片.
• 在分类和回归ADMET任务中表现出有效的表现.

结论:

• MSformer-ADMET是一种高效且广泛适用的ADMET预测模型.
• 基于碎片化的方法提高了分子性质预测中的概括性和可解释性.
• MSformer-ADMET提供了对结构-属性关系的透明见解,有助于药物发现.