通过整合公共和专有数据来改善吸收,分布,新陈代谢和排泄性质预测
Peer Schliephacke1, Daniel Kuhn1, Lukas Friedrich1
1Department of Medicinal Chemistry and Drug Design, Merck Healthcare KGaA, Frankfurter Str. 250, 64293, Darmstadt, Germany.
将高质量的公共数据与专有数据集集集成,可以改善 in silico 的吸收,分布,新陈代谢和排泄 (ADME) 预测. 在综合数据上训练的多任务学习模型提高了药物发现的准确性和概括性.
科学领域:
- 计算化学是一种计算化学.
- 药理动力学 药理动力学
- 药物发现 药物发现
背景情况:
- 准确预测化合物特性对于有效的药物发现至关重要.
- 药物动力学 (ADME) 属性是药物的有效性和安全性的关键决定因素.
研究的目的:
- 评估数据整合策略,以改善 ADME 的预测.
- 评估用于ADME预测的单源,聚合单任务和多任务学习模型的性能.
主要方法:
- 利用高质量的内部和公共ADME数据.
- 开发和比较单源,聚合单任务和多任务学习模型.
- 进行了适用性领域和预测不确定性分析.
主要成果:
- 综合数据,特别是多任务学习,通常优于单源模型.
- 多任务学习证明了类似化合物的改进概括和减少错误.
- 公共和内部数据的比例平衡增强了模型的性能.
结论:
- 精心整合公共和专有ADME数据,可以在模型中获得更准确的数据.
- 多任务学习增强了ADME模型的预测能力和适用性领域.
- 改进的ADME模型支持在药物发现中更有效的计算化合物设计.
更多相关视频
08:59An Intestine/Liver Microphysiological System for Drug Pharmacokinetic and Toxicological Assessment
Published on: December 3, 2020
08:15Author Spotlight: Network Pharmacology and Molecular Docking to Decipher the Action of Jiawei Shengjiang San Against Diabetic Kidney Disease
Published on: May 10, 2024
相关概念视频
Bioavailability Enhancement: Drug Permeability Enhancement
Bioavailability Enhancement: Determination and Conceptual Approaches in Overcoming Bioavailability Problems
Measurement of Bioavailability: Pharmacokinetic Methods
Physiological Pharmacokinetic Models: Incorporating Hepatic Transporter-Mediated Clearance
A recent model describes pravastatin's hepatobiliary excretion,...
Bioavailability Enhancement: Drug Stability Enhancement and GI Retention
Bioavailability Enhancement: Drug Solubility Enhancement
