一种基于机器学习的定量结构-活性关系模型，用于预测犬体内药物的血浆半衰期

《The AAPS Journal》：A Machine Learning-Empowered Quantitative Structure–Activity Relationship Model for Predicting the Plasma Half-life of Drugs in Dogs

本研究利用机器学习辅助的定量结构-活性关系（QSAR）模型预测犬血浆半衰期，基于FAQRD数据库的560个数据点，采用深度神经网络与多种化学描述符，模型验证集R2达0.80，测试集0.57，支持药物开发及跨物种外推。

　　

摘要

了解药物的血浆半衰期对于指导用药方案和优化治疗效果至关重要，尤其是在药物开发的早期阶段。通过使用食品动物残留物避免数据库（Food Animal Residue Avoidance Databank）中发布的药代动力学数据，我们收集了560个关于不同药物在犬体内静脉注射后血浆半衰期的数据点。随后对这些数据进行了预处理，并从最终清理后的数据集中选取了每种药物的平均消除半衰期，用于模型训练和测试。我们采用了五种类型的化学描述符和四种类型的监督机器学习（ML）算法来构建基于机器学习的定量结构-活性关系（QSAR）模型。模型性能通过决定系数（R²）和均方根误差值进行评估。结果显示，结合所有类型描述符的深度神经网络模型在五折交叉验证集上的表现最佳，R²为0.80，在测试集上的表现则为R²为0.57。此外，通过Williams图展示了这些训练有素的模型的适用范围。本研究报道了一种基于机器学习的QSAR工具，该工具仅通过化学结构即可预测犬体内药物的消除半衰期。这种方法可用于支持犬类药物的开发，并为潜在的跨物种外推提供依据。

图形摘要