以SILCS膜自由能谱驱动机器学习预测药物渗透性
- 利用SILCS为数千个化合物计算跨脂质双层的自由能谱,并考虑质子化状态,作为机器学习渗透性预测模型的输入特征。
- 采用三种膜模型:含胆固醇双层、类PAMPA膜和血脑屏障模型。
- 仅作回顾性评估,精度与已发表模型相当,并可给出各官能团的能量贡献以指导优化。基于官能团能量的特征可能更易推广到新化学空间,但细胞实验训练数据受转运体效应限制。
💡 要点 基于摘要的观点
“与已发表模型相当”正是要追问的数字:如果在同一批细胞实验数据上,分子指纹模型也能达到同样精度,那么模拟的计算成本换来的只有可解释性。按官能团拆分的能量贡献确实有吸引力,但在采信之前,需要做骨架划分或时间划分测试,并用自己项目中留出的系列化合物验证。含转运体干扰的细胞实验标签,也会给被动扩散的物理模型设下精度上限。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ Learning from SILCS FragMaps: Combining Physics-Based Energies with Artificial Intelligence for Rapid Drug Permeability Prediction