MétaCan
Menu
Retour à la cohorte
Enregistrement W2912357598 · doi:10.1021/acsomega.8b03328

Predicting Blood–Brain Partitioning of Small Molecules Using a Novel Minimalistic Descriptor-Based Approach via the 3D-RISM-KH Molecular Solvation Theory

2019· article· en· W2912357598 sur OpenAlexafffund
Dipankar Roy, Vijaya Kumar Hinge, Andriy Kovalenko

Notice bibliographique

RevueACS Omega · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensNational Institute for NanotechnologyUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaWestern Canada Research GridCompute Canada
Mots-clésSolvationBlood–brain barrierImplicit solvationChemistryCompartmentalization (fire protection)MoleculeComputational chemistryChemical physicsNeurosciencePsychologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Compartmentalization of drug molecules between plasma and brain is important for desired activities. The difficulty in obtaining the blood–brain permeability of drug (like) substances experimentally resulted in the development of several theoretical quantitative structure–activity relationships toward predicting the capability of a given substrate to pass across a tight junction, known as the blood–brain barrier, both qualitatively and quantitatively. Here, we report a novel method based on the molecular solvation theory for predicting blood–brain barrier permeability coefficients of molecules of diverse structures using a minimum set of descriptors derived from solvation energetics. Our finding points to the importance of solvation free energy based descriptors in modeling blood–brain barrier permeability quantitatively.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,243
Score d'incertitude au seuil0,703

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,033
Tête enseignante GPT0,263
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS OmegaMême sujetComputational Drug Discovery MethodsTravaux en français237 207