机构名称：
¥ 1.0
在针对中枢神经系统 (CNS) 的药物开发中，发现能够穿过血脑屏障 (BBB) 进入大脑的化合物是最具挑战性的评估。几乎 98% 的小分子无法渗透 BBB，从而影响药物在 CNS 中的吸收、分布、代谢和排泄 (ADME) 机制，从而降低药物在 CNS 中的药代动力学。由于 CNS 通常无法进行许多复杂的程序，并且对数千种化合物进行体外渗透性研究可能非常费力，因此尝试通过实施机器学习 (ML) 方法来预测化合物通过 BBB 的渗透性。在这项工作中，使用 KNIME Analytics 平台，开发了 4 个预测模型，其中有 4 种 ML 算法，然后采用十倍交叉验证方法来预测外部验证集。在 4 种 ML 算法中，极端梯度提升 (XGBoost) 在 BBB 渗透性预测中表现出色，并被选为部署的预测模型。数据预处理和特征选择增强了模型的预测能力，整体来看，模型在训练集和外部验证集上分别达到了86.7%和88.5%的准确率以及0.843和0.927的AUC，证明了该模型具有较高的预测稳定性。
通过机器学习算法预测化合物的血脑屏障通透性
主要关键词
相关文件推荐
