Half-life prediction of central nervous system (CNS) small molecules in humans using gradient tree boosting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Aims To develop a machine learning (ML) model for early-stage prediction of human half-life of oral central nervous system (CNS) drugs and to establish a curated dataset, including key in vitro and in vivo data, to support future modeling efforts.Materials & methods Human and rat half-life, plasma protein binding (PPB), and liver microsomal clearance (LM) data for 76 diverse CNS drugs and candidates were obtained from public sources or evaluated at WuXi AppTec. Gradient tree boosting (GTB) models were constructed using ChemAxon’s Trainer Engine. Feature importance was assessed, and model performance was evaluated on an external validation set.Results The best-performing model achieved 82.4% of predictions within two-fold of observed values, with a coefficient of determination (R2) of 0.75 and a root mean square error (RMSE) of 0.25. Good generalizability was confirmed using similarity-based data splitting and Y-randomization. Integration of in vitro features, preclinical in vivo data, and physicochemical properties substantially improved predictive performance. Key features driving accurate human half-life prediction were identified.Conclusion This model demonstrates practical applications for early-stage prediction of human half-life and prioritization of CNS drug candidates. The curated dataset offers a valuable resource to enhance internal databases and advance more robust predictive models.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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