机构名称：
¥ 1.0
原则上，量子化学使我们能够量化分子及其相互作用的所有电子和几何特性。因此，将预先计算的量子力学特性纳入深度学习模型可以提高其预测小分子和潜在药物重要药理特性的能力。然而，在最近一波由人工智能驱动的药物发现中，这一机会尚未得到充分利用。我们表明，通过预先训练等变图神经网络 (EGNN) 模型来预测已使用量子力学方法预先计算的原子中心部分电荷，我们可以获得更准确的模型来预测吸收、分布、代谢、排泄和毒理学 (ADMET) 特性。我们比较了量子化学预训练与非量子力学预训练以及完全没有预训练的性能，发现量子化学预训练可以生成最准确的亲脂性、血脑屏障穿透、CYP2D6 代谢和毒性模型；而对于更具挑战性的肝细胞清除率预测任务，其性能与非预训练模型非常相似。通过使用基于量子化学的预训练来预测原子级和分子级特性，我们获得了比没有预训练更丰富的分子表示，这有助于我们的模型从底层物理和化学中学习。
量子化学预训练对药理特性预测的有效性
主要关键词
相关文件推荐
