下一代人工智能用于药物发现中的ADME预测:从小分子到生物制剂

科学领域:

• 药理学和计算化学
• 药物发现和开发 药物发现和开发
• 人工智能在医学中的应用

背景情况:

• 药物动力学 (PK) 行为,包括吸收,分布,新陈代谢和分泌 (ADME),对于药物发现,剂量优化和安全至关重要.
• 在发展早期预测人类PK仍然是一个重大障碍,导致高临床消耗率和制药管道的低效率.
• 虽然AI和ML已经对小分子进行了先进的ADME预测,但对于和生物制剂等新兴模式仍然存在挑战.

研究的目的:

• 审查用于预测ADME和PK属性的计算框架的演变.
• 突出AI/ML的方法进步,用于预测跨多种治疗方式的药物行为.
• 讨论AI驱动的ADMET预测在药物设计中的新兴趋势,局限性和未来前景.

主要方法:

• 总结了从传统的基于描述符的QSAR和经典ML到深度学习,GNN和化学语言模型的进展.
• 检查综合实验数据,结构信息和生物背景的多式模式框架.
• 分析人工智能方法,包括对生物学的序列,结构和机制意识表示.
• 讨论统一跨模式ADMET建模的基础模型.

主要成果:

• 人工智能/ML方法显著改善了ADME预测,特别是对于小分子.
• 多模式和序列/结构意识的人工智能方法提高了,寡核酸和抗体疗法的可预测性.
• 基础模型为跨模式ADMET建模提供了统一的表示和改进的概括.
• 这些进步显示出更准确和可解释的预测的前景.

结论:

• 人工智能驱动的计算框架已经显著发展,使得从小分子到复杂的生物学物质的PK/ADMET预测更准确.
• 新兴的多式联络和基础模型方法对于应对预测新型治疗方式行为的挑战至关重要.
• 人工智能驱动的ADMET预测的实际实施具有加速合理药物设计和开发的巨大潜力.