在MASLD中使用机器学习来发现和开发基于类素的多目标功能产品
Maksim Kuznetsov1, Evgeniya Klein1, Daria Velina2
1Department of Food Technology and Bioengineering, Plekhanov Russian University of Economics, 36 Stremyanny per., 115054 Moscow, Russia.
Molecules (Basel, Switzerland)
|November 13, 2025
概括
这项研究引入了一个in silico管道,用于选针对代谢功能障碍相关的脂肪性肝病 (MASLD) 的营养药. 计算方法合理设计MASLD的多目标配方,为代谢条件提供可转移的框架.
科学领域:
- 计算化学和药物发现
- 药理学和毒理学 药理学和毒理学
- 营养学科学 营养学科学
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 需要多目标疗法.
- 传统的方法往往侧重于单个标记,这对MASLD来说是不够的.
- 需要新的计算策略来开发有效的MASLD治疗方法.
研究的目的:
- 为MASLD.开发和验证一个完全in silico营养药选管道.
- 整合分子预测,系统聚合和营养药配方的技术设计.
- 为MASLD.生成合理的,多目标的营养药配方.
主要方法:
- 从蛋白质原子证据中组建了一个由10个MASLD相关目标组成的小组.
- 从ChEMBL提取和标准化生物活性数据,生成RDKit描述符.
- 采用堆叠组合预测建模 (随机森林,XGBoost,CatBoost) 与同位素校准.
- 使用生理学基础的药理动力学 (PBPK) 建模来估计剂量和暴露.
- 集成的物理化学特性,以指导配方和输送系统设计.
主要成果:
- 实现了强大的预测模型性能 (交叉验证的ROC-AUC为0.834,测试ROC-AUC为0.840).
- 产生了三种原型营养概念 (HepatoBlend,LiverGuard茶,HDL-Chews) 具有定义的剂量和暴露配置.
- 证明了分子预测,系统覆盖和配方规格的成功整合.
- 确定了六个结构和十二个作用机制 (MOA) 集群,确保化学多样性.
结论:
- 在 silico 管道合理地产生多目标营养药配方用于 MASLD.
- 这种计算框架将分子预测与系统覆盖和实际表述联系起来.
- 该方法为开发用于MASLD和其他代谢条件的营养药提供了可转移的框架.
