用于预测药物分子血脑屏障通透性的关系图卷积网络
定量方法
2022-04-07 v2 机器学习
摘要
评估药物分子的血脑屏障（BBB）通透性是脑药物开发中的关键步骤。传统的评估方法需要复杂的体外或体内测试。作为替代，基于机器学习的计算机预测已被证明是补充体外和体内方法的一种高性价比途径。然而，已有模型的性能受其无法处理药物与蛋白质之间相互作用的限制，而后者在 BBB 穿透行为背后的机制中起着重要作用。为应对这一局限，我们采用关系图卷积网络（RGCN）来处理药物-蛋白质相互作用以及各个药物的性质。RGCN 模型以药物-蛋白质相互作用和 Mordred 描述符作为输入，在测试集上取得了 0.872 的总体准确率、0.919 的 AUROC 和 0.838 的 AUPRC。引入药物-药物相似性以在数据图中连接结构相似的药物进一步改善了测试结果，总体准确率达到 0.876，AUROC 为 0.926，AUPRC 为 0.865。特别地，对于 BBB 穿透依赖于药物-蛋白质相互作用的药物，RGCN 模型被发现在评估时大幅优于 LightGBM 基线模型。我们的模型有望在 BBB 穿透药物的实验筛选中为药物优先级排序提供高置信度的 BBB 通透性预测。
引用
@article{arxiv.2107.06773,
title = {Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules},
author = {Yan Ding and Xiaoqian Jiang and Yejin Kim},
journal= {arXiv preprint arXiv:2107.06773},
year = {2022}
}