多种嵌入量子信息作为分子表示,通过深度学习来预测血脑屏障的透性

科学领域:

• 计算化学是一种计算化学.
• 药理学 药理学是指药理学的学科.
• 机器学习 机器学习

背景情况:

• 神经系统疾病带来了重大的健康挑战.
• 血脑屏障 (BBB) 阻碍了中枢神经系统 (CNS) 的药物输送.
• 准确预测BBB透性对于中枢神经系统药物设计至关重要.

研究的目的:

• 改进中枢神经系统候选药物的血脑屏障 (BBB) 透的预测.
• 评估分子表面多重嵌入 (MEMS) 作为logBB预测中的深度学习模型的分子表示的有效性.

主要方法:

• 利用分子表面多重嵌入 (MEMS) 作为量子信息分子表示.
• 使用B3DB数据集对logBB预测采用深度学习模型.
• 通过RMSE,MAE和R平方度量来评估模型性能.

主要成果:

• 在logBB预测中取得了竞争性表现,平均RMSE为0.49 ± 0.06,MAE为0.38 ± 0.05,R2为0.55.
• 证明MEMS有效地编码分子相互作用,用于直接的logBB建模.
• 观察到模型性能对数据集大小,质量和数据不平衡敏感.

结论:

• 在中枢神经系统药物设计中,MEMS显示出提高logBB预测准确性的前景.
• 数据质量,大小和立体化学信息对于强大的预测模型至关重要.
• 未来的工作应该集中在精选高质量,立体化学多样化的数据集和解决数据不平衡.