Nature子刊，诺华团队评测ML模型在靶向蛋白质降解剂中的特性预测

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | 萝卜皮 机器学习 (ML) 系统可以使用现有实验数据对定量结构-性质关系（QSPR）进行建模，并对新分子进行性质预测。 随着靶向蛋白质降解剂 (TPD) 等模式的出现，QSPR 模型的适用性受到质疑，并且在以 TPD 为中心的项目中 ML 的使用仍然有限。 诺华生物医学研究（Novartis Biomedical Research）的研究人员评估了 ML 模型，用于预测 TPD 的特性，包括被动渗透性、代谢清除率、细胞色素 P450 抑制、血浆蛋白结合和亲脂性。有趣的是，TPD 的性能与其他模式相当。 预测 glues 和异双功能蛋白通常分别产生较低和较高的错误。对于渗透性、CYP3A4 抑制以及人类和大鼠微粒体清除率，glues 的高风险和低风险类别的错误分类错误率低于 4%，异双功能蛋白的错误分类错误率低于 15%。 对于所有模态，误分类 ………………………………