深度学习在血脑屏障渗透性预测中的应用：从判别模型到机制感知设计
定量方法
2026-03-16 v4
摘要
预测分子能否穿越血脑屏障(BBB)是神经药物设计早期阶段的关键步骤，直接影响药物开发的效率和成功率。传统方法基于物理化学性质，由于依赖先前的经验证据，容易出现系统性误判。虽然数据驱动的早期机器学习模型，但常因容量有限、泛化性差和解释性不足而受限。近年来，更先进的模型因能够模拟分子结构和捕捉复杂生物机制，成为预测BBB渗透性和指导相关药物设计的重要工具。本文系统性地综述了该领域的演变——从深度神经网络到基于图的结构建模，突出了多任务和多模态学习策略在识别机制相关特征方面的优势。我们进一步探讨了生成模型和因果推断方法在将渗透性预测与机制感知药物设计集成的新兴潜力。如今，基于机器学习的BBB跨屏障预测正从单纯的判别分类向从机制视角进行的结构-功能建模发生关键转变。这一范式转变为将AI集成到神经药理学开发中提供了方法论进程和未来路线图。
引用
@article{arxiv.2507.18557,
title = {Deep Learning for Blood-Brain Barrier Permeability Prediction: From Discriminative Models to Mechanism-Aware Design},
author = {Zihan Yang and Yuchen Xiao},
journal= {arXiv preprint arXiv:2507.18557},
year = {2026}
}