提高CYP3A4抑制预测使用混合GNN-ML模型与数据增强

科学领域:

• 计算化学计算化学
• 药理学 药理学是指药理学的学科.
• 人工智能在药物发现中的作用

背景情况:

• 细胞染色体P450 3A4 (CYP3A4) 是药物代谢中的关键酶,影响30-50%的市场药物.
• 准确预测CYP3A4抑制对于早期识别潜在的药物相互作用 (DDI) 风险和毒性至关重要.
• 现有的预测方法需要加强,以提高药物开发管道的准确性和可解释性.

研究的目的:

• 评估一个集成的人工智能 (AI) 框架,用于预测CYP3A4抑制百分比.
• 评估各种机器学习 (ML) 和图形神经网络 (GNN) 模型的性能.
• 为代谢查和DDI风险评估建立一个可靠和可解释的框架.

主要方法:

• 从各种化学和公共数据库中编制了23713种化合物的大型数据集.
• 评估了基于矢量的ML模型 (LightGBM,XGBoost,CatBoost,加权组合) 和GNN模型 (O-GNN+CL+Mixup,D-MPNN,GINE,GATv2).这些模型是基于矢量的ML模型.
• 采用GNN培训的多元组混合和基于计数的SMILES测试时间增长用于推理,通过加权集团集成最佳模型.

主要成果:

• 权重的ML组合在ML模型中实现了最高的性能 (RMSE=19.1031,PCC=0.7566).
• 在O-GNN + CL + Mixup模型中,GNN中表现最好 (RMSE=20.1002,PCC=0.7265).
• 综合混合模型在外部验证后显示出卓越的预测准确性 (RMSE=19.0784,PCC=0.7570) 和可概括性.

结论:

• 将ML和GNN模型与数据增强策略集成显著提高了CYP3A4抑制预测的稳定性和可解释性.
• 开发的AI框架为早期代谢查提供了实用和有效的工具.
• 这种方法有助于主动评估DDI风险,为更安全的药物开发做出贡献.