基于弹性网络、岭回归和决策树回归的化合物皮肤渗透性预测模型比较研究

研究人员针对皮肤渗透性预测难题，采用Elasticnet、Ridge和Decision Tree回归算法，对Steinmetz、Stevens及Wilschut三组改良数据集进行建模分析。结果显示，Ridge回归在Wilschut数据集中表现最优（R2=0.61），而Decision Tree在Stevens数据集中R2达0.66。该研究为药物透皮吸收机制建模提供了关键方法学参考，对化妆品安全评估和透皮给药系统开发具有重要价值。

　　

这项研究通过弹性网络(Elasticnet)、岭回归(Ridge)和决策树(Decision Tree, DT)三种机器学习方法，系统评估了化合物皮肤渗透性的预测效能。实验选取经改良的Steinmetz、Stevens和Wilschut三组数据集，关键指标包括均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²
)。

岭回归在Wilschut数据集中展现出最佳预测精度（MSE=0.20，R²
=0.61），而决策树对Stevens数据集的拟合度最高（R²
=0.66）。值得注意的是，弹性网络在Stevens数据集中的R²
值（0.42）显著优于其在Steinmetz数据集的表现（0.30）。

研究揭示了数据集质量与模型性能的强相关性，为计算机模拟皮肤吸收过程提供了方法论指导。这些发现对新型透皮给药系统设计、化妆品安全性评估以及相关监管标准的制定具有重要参考价值，特别是在优化化合物分子结构以增强透皮效率方面。