科学研究

药学院侯廷军课题组在Acta Pharmaceutica Sinica B报道基于图神经网络的通用pKa预测模型

发布时间:2022/11/18      信息来源:药学院办公网   |   浏览:98

酸解离常数(pKa)是反映化合物电离能力的关键参数,决定了药物在生理环境下的存在形式,进而影响其体内吸收、分布、代谢、排泄等药代动力学性质,对先导化合物优化具有重要的指导意义。现有的基于深度学习(DL)的方法适用范围有限,泛化性能不佳,化学领域知识和深度学习算法的有机结合,将有望克服上述不足,开发更加通用、准确的pKa理论预测模型。

202211月,药学院侯廷军教授和谢昌谕教授团队在Acta Pharmaceutica Sinica B杂志在线发表论文 “MF-SuP-pKa: Multi-fidelity modeling with subgraph pooling mechanism for pKa prediction,提出一种新型基于图神经网络的pKa预测模型MF-SuP-pKa

本研究中,作者采用基于子图的图池化算法提高模型对分子局部和全局信息的表征能力;利用解离反应的可逆性进行数据增强,将模型适用范围拓展至带电分子;此外,采用多精度学习的训练策略充分利用高-低精度数据集,克服实验数据不足的问题,有效提高了模型的泛化能力。在宏观pKamacro-pKa)的预测任务中,MF-SuP-pKa在基准模型Attentive FP的基础上实现了20%以上的性能提升。与现有的开源模型Graph-pKaMolGpKa相比,MF-SuP-pKa的适用范围更加广泛,并在多个内、外部测试集中实现了最优性能。在微观pKamicro-pKa)的预测任务中,作者评估了模型预测结果和专家标注的一致性,结果表明MF-SuP-pKa对多位点解离能力的区分能力也优于Graph-pKa,为药物分子的ADMET预测提供有力工具。

1 MF-SuP-pKa方法的构建和预测流程

浙江大学药学院为本论文的第一署名单位,浙江大学药学院吴佳璐博士为第一作者,浙江大学侯廷军教授和谢昌谕教授、中南大学曹东升教授为共同通讯作者。


    原文链接:

    https://www.sciencedirect.com/science/article/pii/S2211383522004622