机构名称：
¥ 1.0
摘要 在本综述中，我们概述了过去六年（2015-2021 年）与 ADME（吸收、分布、代谢和排泄）和毒性终点相关的机器学习驱动分类研究领域的最新趋势。该研究仅关注具有大型数据集（即超过一千种化合物）的分类模型。针对九个不同的目标进行了全面的文献检索和荟萃分析：hERG 介导的心脏毒性、血脑屏障穿透、通透性糖蛋白 (P-gp) 底物/抑制剂、细胞色素 P450 酶家族、急性口服毒性、致突变性、致癌性、呼吸毒性和刺激/腐蚀。最佳分类模型的比较旨在揭示机器学习算法和建模类型、端点特定性能、数据集大小和不同验证协议之间的差异。根据对数据的评估，我们可以说基于树的算法（仍然）占据主导地位，共识建模在药物安全性预测中正成为一种日益增长的趋势。尽管人们已经可以找到对 hERG 介导的心脏毒性和细胞色素 P450 酶家族同工酶表现出色的分类模型，但这些目标仍然是 ADMET 相关研究工作的核心。
用于药物安全相关分类任务的机器学习模型
主要关键词
相关文件推荐
