解码血脑屏障:用于药物透性的创新和可扩展的开源机器学习模型
Anastasiia M Isakova1, Dmitrii O Shkil2, Ilya S Steshin2
1Infochemistry Scientific Center, ITMO University, Lomonosova str. 9, 191002 Saint Petersburg, Russia.
Current neuropharmacology
|March 15, 2026
概括
机器学习模型准确地预测了血脑屏障 (BBB) 的透性,减少了昂贵的实验评估. 使用分类标签的新方法改善了药物开发的回归模型性能.
科学领域:
- 计算化学是一种计算化学.
- 药理学 药理学是指药理学的学科.
- 药物发现 药物发现
背景情况:
- 血脑屏障 (BBB) 对于药物开发至关重要,但其评估是资源密集的.
- 目前用于测量BBB传输的体外和体外方法昂贵且耗时.
- 开发有效的方法来预测BBB透性对于加速药物发现至关重要.
研究的目的:
- 开发和验证可靠的机器学习模型来评估血脑屏障 (BBB) 的透性.
- 引入一种使用分类标签作为回归任务中的额外描述符的新方法.
- 为科学家提供公开可用的模型,供他们在研究中使用.
主要方法:
- 利用广泛的数据集来训练机器学习模型进行BBB透性预测.
- 开发了分类和回归模型来评估BBB属性.
- 实施了将分类标签纳入回归模型的新战略.
主要成果:
- 最好的BBB分类模型实现了0.963.6的ROC-AUCcv.
- 顶部的BBB回归模型获得了R2 = 0.954,Q2 = 0.728,以及RMSEcv = 0.321.
- 模型表现出强烈的概括性,验证指标与交叉验证结果密切匹配.
结论:
- 使用分类标签作为描述符的新方法显著提高了回归模型的性能.
- 开发的回归模型由于扩展,多样化的培训数据集而更强大.
- 该研究提供了公开可访问的机器学习模型,用于BBB透性评估,帮助科学研究.
