تجزئة هجينة باستخدام رموز SMILES للتنبؤ بخصائص ADMET في اكتشاف الأدوية

الملخص الخلفية: إن اكتشاف الأدوية وتطويرها هو عملية مكلفة للغاية وتستغرق وقتًا طويلاً لتحديد جزيئات جديدة يمكن أن تتفاعل مع هدف بيولوجي للتدخل في مسار المرض المعني. بالإضافة إلى الارتباط بالهدف، يحتاج مرشح الدواء إلى تلبية العديد من الخصائص التي تؤثر على الامتصاص والتوزيع والتمثيل الغذائي والإخراج والسمية (ADMET). توفر الأساليب القائمة على الذكاء الاصطناعي فرصة لتحسين كل خطوة من خطوات عملية اكتشاف الأدوية وتطويرها، حيث تكون السؤال الأول الذي نواجهه هو كيف يمكن تمثيل الجزيء بشكل معلوماتي بحيث يتم تحسين الحلول الحاسوبية. النتائج: تقدم هذه الدراسة طريقة جديدة لتجزئة هجينة من رموز SMILES، مقترنة باستراتيجيتين للتدريب المسبق، باستخدام نموذج قائم على Transformere. نحن نبحث في كفاءة التجزئة الهجينة في تحسين أداء مهام التنبؤ بخصائص ADMET. يستفيد نهجنا من MTL-BERT، وهو نموذج Transformer يعتمد على المشفر فقط ويحقق تنبؤات ADMET في أعلى مستوى، ويقارن بين التجزئة القياسية لـ SMILES وطريقتنا الهجينة عبر طيف من تقليم مكتبة الشظايا. الاستنتاج: تكشف النتائج أنه بينما يمكن أن تعيق الفائض من الشظايا الأداء، فإن استخدام التجزئة الهجينة مع الشظايا ذات التردد العالي يعزز النتائج لأكثر من التجزئة الأساسية لـ SMILES. يؤكد هذا التقدم على إمكانية دمج ميزات الجزيئات على مستوى الشظية والشخصية ضمن تدريب نماذج Transformer لتنبؤ خصائص ADMET.