pic
科研动态
当前位置: 首页 > 科学研究 > 科研动态
侯廷军教授团队开发成药性预测新型AI算法及在线预测系统
2021.07.19

  新药研发是一项周期长、投入大、风险高的复杂系统工程。不良的成药性和安全性是候选药物开发失败的主要原因,因此在药物研发的早期阶段对先导化合物或候选药物的吸收、分布、代谢、排泄和毒性(ADMET)进行系统评估非常重要。

 

  为了实现候选分子ADMET的准确评估,浙江大学智能创新药物研究院的侯廷军教授团队和中南大学曹东升教授团队合作开发并发布了新一代成药性和毒性在线预测系统ADMETlab 2.0(文末点击阅读原文可链接到该系统)。该系统目前支持88个ADMET相关终点的计算,包括17个理化性质、13个药物化学性质、23个ADME性质、27个毒性终点和8种毒性团规则。

 

  ADMETlab的计算准确高效,对于1000个分子的预测仅需约84秒。与其他同类型的在线计算平台比较显示(见下表),ADMETlab 2.0涵盖了几乎所有药物化学家可能感兴趣的终点,其中一些毒性团规则和药物化学性质在这类平台中是独有的。ADMETlab 2.0为药物化学家提供了全面、准确、高效和用户友好的ADMET评估服务,该工作近期发表于分子生物学和生物信息学知名期刊Nucleic Acids Research。


1629277688691004.png

ADMETlab 2.0与其他主要成药性预测系统的比较

(+越多表示功能支持越好)


  为了构建更精准的成药性和毒性预测模型,ADMETlab采用了浙江大学智能创新药物研究院侯廷军教授团队开发的国际领先的多任务图注意力框架方法(Multi-task Graph Attention framework,MGA)。

 

  MGA是一种可以同时学习回归和分类毒性任务的多任务图神经网络框架。根据其功能,MGA可以分为四个部分:输入、深度毒性提取器(Deep-Toxicity-Extractor)、毒性指纹生成器(Deep-FingerPrint-Generator, DFT-G)和毒性预测器(见下图)。

 

  MGA的输入是由原子表征和化学键表征组成的分子图;DTE由两个图神经网络层组成,可以从分子碎片中提取通用的毒性表征;DFP-G可以为不同的毒性任务分配不同的分子碎片权重,然后根据特定的毒性任务从通用毒性表征生成定制化的毒性指纹;最后,毒性预测器根据定制化的毒性指纹预测相应的化学毒性。MGA在31个毒性任务中表现出了优异的预测精度。上述工作近期发表于药物化学知名期刊Journal of Medicinal Chemistry。 


1629277798807147.png

(A)MGA框架示意图

(B)基于MGA的毒性预测实例


返回