Un modelo de transformador evolucionado para la predicción de ADME/Tox

El descubrimiento de medicamentos tiene como objetivo seguir alimentando nuevos medicamentos para curar y paliar muchas dolencias y algunas enfermedades incurables que todavía afligen a la humanidad. Las propiedades ADME/Tox (absorción, distribución, metabolismo, excreción/toxicidad) de las moléculas de fármacos candidatos son factores clave que determinan la seguridad, la absorción, la eliminación, el comportamiento metabólico y la efectividad de la investigación y desarrollo de medicamentos. La técnica predictiva de ADME/Tox reduce drásticamente la fracción de fracasos relacionados con la farmacéutica en las primeras etapas del desarrollo de fármacos. Impulsadas por la expectativa de plazos acelerados, costos reducidos y el potencial de revelar ideas ocultas de vastos conjuntos de datos, las técnicas de inteligencia artificial como Graphormer están mostrando una promesa creciente y utilidad para realizar modelos personalizados para tareas de modelado de moléculas. Sin embargo, Graphormer y otros modelos basados en transformadores no consideran la huella molecular, así como los fisicoquímicos que han demostrado ser efectivos en la investigación de fármacos computacionales tradicionales. Aquí, proponemos un modelo mejorado basado en Graphormer que utiliza un modelo de árbol que integra completamente cierta información conocida y logra una mejor predicción e interpretabilidad. Más importante aún, el modelo logra nuevos resultados de vanguardia en los puntos de referencia de predicción de propiedades ADME/Tox, superando varios modelos desafiantes. Los resultados experimentales demuestran un SMAPE (Error Porcentual Absoluto Medio Simétrico) promedio de 18.9 y un PCC (Coeficiente de Correlación de Pearson) de 0.86 en los conjuntos de prueba de predicción ADME/Tox. Estos hallazgos destacan la eficacia de nuestro enfoque y su potencial para mejorar los procesos de descubrimiento de medicamentos. Al aprovechar las fortalezas de Graphormer e incorporar descriptores moleculares adicionales, nuestro modelo ofrece capacidades predictivas mejoradas, contribuyendo así al avance de la predicción ADME/Tox en el desarrollo de fármacos. La integración de diversas fuentes de información permite una mejor interpretabilidad, ayudando a los investigadores a comprender los factores subyacentes que influyen en las predicciones. En general, nuestro trabajo demuestra el potencial de nuestro modelo mejorado para acelerar el descubrimiento de medicamentos, reducir costos y mejorar la tasa de éxito de nuestros esfuerzos de desarrollo farmacéutico.

Autores: Shao, Changheng; Shao, Fengjing; Huang, Song; Sun, Rencheng; Zhang, Tao