Использование моделей машинного обучения для оценки свойств ADMET в открытии и разработке лекарств
Изображение создано Gemini AI
Недавние достижения в области машинного обучения (МЛ) кардинально меняют прогнозы ADMET (Абсорбция, Распределение, Метаболизм, Экскреция, Токсичность) в разработке лекарств, что помогает справиться с высокой долей отказов среди кандидатов на лекарства. Модели МЛ демонстрируют улучшенную точность и эффективность по сравнению с традиционными методами, находя применение в оценках растворимости, проницаемости, метаболизма и токсичности. Несмотря на такие проблемы, как качество данных и принятие регуляторами, интеграция МЛ в процессы открытия лекарств может значительно повысить эффективность ранней оценки рисков и приоритизацию соединений.
Модели машинного обучения преобразуют оценку ADMET в разработке лекарств
Интеграция моделей машинного обучения (ML) в оценку свойств ADMET (Абсорбция, Распределение, Метаболизм, Выведение и Токсичность) изменяет процесс открытия лекарств и обещает снизить высокие уровни отказа, связанные с кандидатами в лекарства.
Текущий ландшафт ML в предсказании ADMET
Обзор подчеркивает использование как контролируемых, так и глубоких методов обучения для предсказания ключевых конечных точек ADMET. Примечательно, что модели на основе ML показали превосходство над традиционными моделями количественной структуры-активности (QSAR), предлагая быстрые, экономически эффективные и воспроизводимые альтернативы, которые без проблем интегрируются в существующие процессы открытия лекарств.
Ключевые выводы включают:
- Модели ML все чаще применяются для предсказаний, связанных с растворимостью, проницаемостью, метаболизмом и токсичностью.
- Такие проблемы, как несоответствие данных, прозрачность алгоритмов и принятие регулирующими органами, остаются актуальными вопросами.
Кейс-стадии, иллюстрирующие успехи ML
Несколько кейс-стадий, представленных в обзоре, демонстрируют успешное применение моделей ML в сценариях разработки лекарств, подчеркивая их потенциал для улучшения предсказаний ADMET и оптимизации общего процесса разработки.
Проблемы и направления будущего
Несмотря на многообещающие результаты, проблемы, связанные с качеством данных, интерпретируемостью алгоритмов и принятием регулирующими органами, остаются значительными препятствиями. Ожидается, что дальнейшая интеграция ML с экспериментальной фармакологией улучшит эффективность разработки лекарств.
Связанные темы:
📰 Первоисточник: https://doi.org/10.5599/admet.2772
Все права и авторство принадлежат первоначальному издателю.