预测大鼠药代动力学的深度神经网络—机制混合模型
定量方法
2024-01-03 v2 计算工程、金融与科学
机器学习
生物大分子
摘要
在小分子作为药物或农用化学品的开发中，其静脉与口服给药后的系统可及性是一个重要方面。从候选物的化学结构预测系统可及性非常可取，因为这可将药物或农用化学品的开发聚焦于具有良好动力学特征的化合物。然而，此类预测具有挑战性，因为可及性是分子性质、生物学与生理学之间复杂相互作用的结果，且训练数据稀少。在本工作中，我们改进了早前开发的混合模型[1]。我们将总口服暴露的中位倍数变化误差从 2.85 降至 2.35，将静脉给药的误差从 1.95 降至 1.62。这是通过更大数据集上的训练、改进神经网络架构以及机制模型的参数化实现的。此外，我们扩展了我们的方法以预测额外终点并处理不同协变量，如性别与剂型。与纯机器学习模型不同，我们的模型能够预测其未经过训练的新终点。我们通过预测前 24 小时的暴露量证明了这一特性，而该模型仅训练于总暴露量。
引用
@article{arxiv.2310.09167,
title = {A Deep Neural Network -- Mechanistic Hybrid Model to Predict Pharmacokinetics in Rat},
author = {Florian Führer and Andrea Gruber and Holger Diedam and Andreas H. Göller and Stephan Menz and Sebastian Schneckener},
journal= {arXiv preprint arXiv:2310.09167},
year = {2024}
}
备注
Version accepted by Journal of Computer-Aided Molecular Design