基于“读穿”结构-性质关系模型的血浆中游离组分分数的优越预测方法：使用最少描述符的可解释模型

《Molecular Informatics》：Read-Across Structure-Property Relationship-Based Superior Prediction of Fraction Unbound in Plasma from Chemical Structure: Interpretable Models with Minimum Descriptors

本研究结合读出策略与定量结构-性质关系，利用可解释的机器学习模型预测血浆未结合分数（f_up），降低描述符复杂性，提高药代动力学建模的合理性和预测性能，为药物设计提供有效工具。

　　

图形摘要

本研究采用了一种跨物种比较（read-across）方法，并结合定量结构-性质关系（quantitative structure–property relationship）分析，利用可解释的模型来预测血浆中未结合的药物比例（f_up）。通过简化描述符的复杂性，分别应用了基于定量结构-性质关系的多元线性回归（quantitative read-across structure–property relationship multiple linear regression）和基于分类的结构-性质关系分析（classification-based read-across structure-property relationship）方法。支持向量分类器（support vector classifier）模型表现出更优异的性能，为合理药物设计和药代动力学优化提供了更好的洞察。

摘要

准确预测血浆中未结合的药物比例（f_up）对于理解药物发现早期的药代动力学特性至关重要。这一预测结果可以作为减少后期研发风险和优化后续筛选过程的宝贵工具。传统方法通常依赖于复杂的计算方法，这些方法可能需要大量的描述符，从而导致模型难以理解且解释性有限。在本研究中，我们结合了跨物种比较策略和传统的定量结构-性质关系分析方法来预测f_up，同时尽量简化描述符的复杂性。我们采用的可解释模型（回归和分类）有助于深入了解控制血浆蛋白结合的结构-性质关系。通过全面的验证以及与不同机器学习方法的比较，我们证明了基于定量结构-性质关系的多元线性回归和基于分类的结构-性质关系分析方法在预测f_up方面的优越性能。这种方法为药物发现过程提供了有价值的工具。总体而言，本研究旨在通过应用跨物种比较策略来提升药代动力学建模领域，从而在提高预测能力的同时增强模型的可解释性。通过阐明化学结构与f_up之间的复杂关系，我们的最佳模型有望推动更合理的药物设计方法的发展，最终促进更有效的治疗方案的诞生。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究的支持数据可向通讯作者索取，具体需遵循合理请求程序。