药物发现中基于深度分子理解的 SMILES 到药代动力学扩散模型
定量方法
2025-07-03 v2 人工智能
机器学习
摘要
人工智能正越来越多地应用于药物开发的各个阶段。药物发现 AI 面临的一个挑战是药物药代动力学（PK）数据集通常相互独立收集，往往重叠有限，导致数据重叠稀疏性。数据稀疏性使得研究人员在进行多药理学、药物组合研究和高通量筛选时难以进行数据整理。我们提出了 Imagand，一种新颖的 SMILES 到药代动力学（S2PK）扩散模型，能够根据 SMILES 输入生成一系列 PK 目标属性。我们表明 Imagand 生成的合成 PK 数据在单变量和双变量分布上与真实数据高度相似，并改善了下游任务的性能。Imagand 是解决数据重叠稀疏性的有前景的方案，使研究人员能够高效地生成配体 PK 数据以用于药物发现研究。代码可在 https://github.com/bing1100/Imagand 获取。
引用
@article{arxiv.2408.07636,
title = {Drug Discovery SMILES-to-Pharmacokinetics Diffusion Models with Deep Molecular Understanding},
author = {Bing Hu and Anita Layton and Helen Chen},
journal= {arXiv preprint arXiv:2408.07636},
year = {2025}
}
备注
13 pages, 5 figures, 4 tables