ИСТИНА

Искусственные нейронные сети (ИНС) давно применяются в медицинской химии и хемоинформатике как бесценный инструмент, который помогает выяснять сложные взаимосвязи между важными свойствами и химическими структурами лекарств и подобных им соединений, создавая надежные предсказательные модели. Этот подход оказался особенно плодотворным для прогнозирования свойств ADMET (всасывание, распределение, метаболизм, выведение, токсичность) в разнообразном химическом пространстве.1 Фрагментные (подструктурные) молекулярные дескрипторы, основанные на числе вхождений простых структурных фрагментов, обеспечивают однородное информативное представление структур, напоминающее «структурную голограмму». В сочетании с классической архитектурой ИНС FFBP они позволили нам предсказать такие важные параметры ADMET, как всасывание в кишечнике человека, проницаемость гематоэнцефалического барьера,2 hERG-опосредованная кардиотоксичность, мутагенность и т.д. Аналогичную методологию также можно применить для моделирования проницаемости клеточной стенки Mycobacterium tuberculosis и других бактериальных патогенов.3 В последние годы для улучшения предсказательной способности и области применимости моделей мы использовали источники больших данных, глубокие сети и архитектуры многозадачного обучения.Кроме того, был предложен и исследован ряд альтернативных подходов. Один из них выходит за рамки«плоского вектора дескриптора», включая химически значимые отношения между фрагментными дескрипторами в более надежные и информативные модели. Другой подход основан на специализированных архитектурах нейронных сетей на графах, адаптированных к задачам прогнозирования ADMET.