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
内容提要
诺华生物医学研究评估了机器学习模型在预测靶向蛋白质降解剂（TPD）特性方面的应用。研究发现，模型可以成功预测TPD的渗透性、代谢清除率、CYP抑制等特性。误分类误差范围为0.8%至8.1%。预测异双功能化合物的ADME特性比预测glues的更具挑战性。迁移学习策略可以改善对异双功能分子的预测。该研究对加速具有良好ADME属性的降解剂设计具有重要意义。
延伸解读
TPD特性预测的误差表现
研究显示，机器学习模型预测TPD特性时，误分类误差范围为0.8%至8.1%。其中，分子胶（glues）的预测误差较小，高风险和低风险类别的误分类错误率低于4%；而异双功能蛋白的误分类错误率低于15%。这表明模型在预测分子胶特性时更为可靠，而异双功能化合物的预测挑战更大。
迁移学习提升异双功能分子预测
针对异双功能化合物ADME特性预测难度较高的问题，研究采用了迁移学习策略。通过使用异双功能分子的ADME数据对MT-GNN模型进行微调，能够改善不同ADME端点的预测性能。这一方法为提升复杂TPD分子的预测准确性提供了可行途径。
替代数据集验证模型潜力
研究基于超过270,000种公开化学结构生成了替代数据集，用于构建ML-based QSPR模型。这些模型在预测LogD或大鼠代谢清除率等终点时表现准确，且与原始内部模型预测结果高度相关。这表明即使训练集仅占一小部分，模型仍适用于TPD新模式，并有望随数据增加进一步优化。
Q&A
诺华的研究主要评估了什么技术在靶向蛋白质降解剂中的应用？
诺华的研究主要评估了机器学习模型在靶向蛋白质降解剂（TPD）特性预测中的应用。
机器学习模型在预测TPD特性方面的准确性如何？
机器学习模型可以成功预测TPD的渗透性、代谢清除率等特性，误分类误差范围为0.8%至8.1%。
研究中提到的迁移学习策略有什么作用？
迁移学习策略可以改善对异双功能分子的预测性能。
异双功能化合物的ADME特性预测相比于glues有什么挑战？
预测异双功能化合物的ADME特性比预测glues的更具挑战性，错误分类错误率较高。
这项研究对药物发现有什么重要意义？
该研究对加速具有良好ADME属性的降解剂设计具有重要意义，可能降低合成和实验测试的成本。
研究中使用的数据集规模有多大？
研究基于超过270,000种公开可用的化学结构生成的替代数据集。
