融合重采样与堆叠学习的化合物血脑屏障透过率预测

如何改善中枢神经系统(CNS)药物的血脑屏障(BBB)透过率,是CNS药物研发中面临的重要挑战。相较于传统的药代动力学性质测试,机器学习技术已被证实可以有效、低成本地预测CNS药物的BBB透过率。本文提出一种基于均衡化堆叠学习(SL)的BBB透过率预测模型(BSL-B3PP),首先分别从药物化学背景角度以及机器学习角度,筛选出对BBB透过率有关键影响的特征集,并总结可穿透BBB(BBB+)量化区间;然后融合重采样方法与堆叠学习算法,进行CNS药物BBB透过率预测。BSL-B3PP模型基于较大规模的BBB数据集(B3DB)构建,经实验验证,曲线下面积(AUC)达97.8%,马修斯相关系数(MCC)为85.5%。研究结果说明,本模型具有较好的BBB透过率预测能力,尤其对于不能穿透BBB的药物也能保持较高的预测准确度,有助于降低CNS药物研发成本,加快CNS药物研发进程。