简化分子线性输入规范介绍及其化学品毒性预测效果回顾

归纳了简化分子线性输入规范(simplified molecular input line entry specification,SMILES)编码规则,探讨了分子结构输入及转化方法,回顾了SMILES在毒性预测领域的适用性。SMILES规则能覆盖原子、离子、化学键、化合价、化学反应式的表达,还能精准表达支链、环状、四面体、芳香族及手性结构,同时涉及同分异构体和同位素的表达。SMILES能将几乎所有化学物的结构进行转换、输入,并与大多数化学智能软件兼容,结合TOPKAT和TEST软件获得的化学物毒性预测结果非常理想。SMILES是一种应用范围广、兼容性强的信息输入及搜索工具,将会大力推动化学信息程序的发展。

药物表示学习研究进展

药物开发过程存在资本密度高、风险大、周期长的特点,需要投入大量的资金、人力与物力。传统的机器学习方法虽然可以在一定程度上辅助药物开发,但需要分子描述符作为特征输入,而不同的分子描述符的选择对机器学习模型的性能影响较大,因此传统的机器学习方法大多需要进行繁复、耗时的特征工程。近年新兴的深度学习方法,能够从药物的"原始"结构中直接提取特征,从而绕开特征工程,缩短开发周期。该文将现有的药物表示学习方法划分为2类:基于简化分子线性输入规范(SMILES)表达式的药物表示学习和基于分子图的药物表示学习,报告了这两类药物表示学习方法的最新研究进展,阐述了各种方法的创新点与局限性。最后,指出了当前药物表示学习研究中存在的重大挑战,并讨论了可能的解决方案。

TOPKAT和TEST软件在化学物毒性预测中的应用

[目的]归纳TOPKAT、TEST两款毒性预测软件对有毒化学物健康和生态毒性的可预测性和适用范围,探讨高效、简便、快速的毒物检测实用方法。[方法]采用简化分子线性输入规范(SMILES),结合两款毒性预测软件对化学物的毒理学进行预测,并将预测结果与欧洲化学品管理署公布的毒理学数据进行对比,总结两款软件的优缺点。[结果]TOPKAT和TEST软件能预测大多数的常见化学物毒性,TEST软件的化学物预测覆盖率高于TOPKAT软件,能预测多取代苯环类、杂环类和大分子化学物,而TOPKAT无法预测吡啶类、部分苯酚类和苯胺类化学物的毒性。两款毒性预测软件在预测化学物是否具有毒性方面的正确率均在85%左右。TOPKAT软件对于农药类化学物的毒性预测正确率高于TEST软件,TOPKAT预测值与文献值的线性决定系数R^2为0.852(健康毒性)(P<0.01)、0.826(生态毒性)(P<0.01)。而TEST软件对于苯系化学物的毒性预测结果略优于TOPKAT软件,TEST预测值与文献值的线性决定系数R^2为0.932(P<0.01)(健康毒性)、0.787(生态毒性)(P<0.01)。对于酯类和醇类化学物,TOPKAT和TEST软件都显示出良好的预测能力,预测值与文献值的线性决定系数R^2为0.854~0.986(健康毒性)(P<0.01)、0.821~0.981(生态毒性)(P<0.01)。[结论]TOPKAT、TEST软件能高效、正确地预测大部分化学物的健康和生态毒性.可为新化学物的健康和生态毒性评价提供依据,为药物的早期开发提供决策支持。