基于机器学习对PETBD的BBB透性的QSAR预测:PET标记物的新型数据集
Qing Su1, Zhilong Ye1, Chunyan Han1
1School of Computer Science, Guangdong University of Technology, Guangzhou 510006, PR China.
Journal of medicinal chemistry
|January 6, 2026
概括
研究人员开发了一个新的数据集和机器学习模型来预测大脑中的药物度. 这通过改善血脑屏障透性预测来加速中枢神经系统 (CNS) 药物发现.
科学领域:
- 药理学 药理学是指药理学的学科.
- 计算化学的计算化学
- 神经科学是一个神经科学.
背景情况:
- 评估小分子血脑屏障 (BBB) 透性在药物开发中至关重要但费力.
- 对于BBB透的定量预测模型受到不够高质量的数据的限制.
研究的目的:
- 策划一个新的数据集,PETBD,用于各种器官中的药物度.
- 开发机器学习模型来预测脑血度比率 (log BB) 和脑药物度 (Cbrain).
主要方法:
- 精选了PETBD数据集与1056个正电子发射断层扫描 (PET) 标记器和体内元数据.
- 开发机器学习模型,包括极端梯度提升,用于定量预测.
- 利用特征重要性分析来解释基于物理化学性质的模型预测.
主要成果:
- 极端梯度增强模型实现了对日志BB预测的最先进性能 (R2 = 0.770).
- 该模型在预测Cbrain (R2 = 0.700) 中表现出强的表现.
- 模型的通用性与B3DB基准和新型PET标记器进行了验证.
结论:
- PETBD数据集和开发的模型可以加速中枢神经系统 (CNS) 药物发现.
- 这项工作将计算预测与BBB透的经验性药理动力学结果相结合.
- 开放获取的数据和模型有助于进一步研究药物开发.
