基于多类分子描述符的口服药物深度学习模型构建及其在药代动力学参数(Vdss 与PPB)预测中的应用

本研究针对口服药物药代动力学参数预测难题，开发了整合深度学习和机器学习的创新模型。研究人员通过Boruta算法特征工程优化，利用67+种分子描述符成功预测分布容积(Vdss )和血浆蛋白结合率(PPB)，其中梯度提升(GB)对Vdss 预测准确率达80%，随机森林对PPB预测准确率达73%，并首次发现MLFERs和拓扑描述符是双参数共同调控的关键因子。

　　

这项突破性研究构建了针对口服药物关键药代动力学参数的智能预测体系。科研团队采用FDA批准口服药物数据集，系统计算了量子化学描述符（如MLFER_BH、MLFER_BO）和拓扑描述符（如πPC₅
、TπPC）等67类分子特征。通过Boruta算法进行特征筛选后，梯度提升(GB)模型在预测稳态分布容积(Vd_ss
)时表现出色，准确率突破80%大关；而血浆蛋白结合率(PPB)预测中，随机森林以73%的准确率拔得头筹。尤为重要的是，研究首次揭示MLFERs系列描述符和π电子拓扑参数（πPC₉
等）如同"分子密码"，共同调控着Vd_ss
和PPB这两个关键药动学参数的生物活性。这些发现为口服药物的智能研发提供了全新的计算生物学视角。