Perceptron multicouche ANN pour la prédiction de composés perméables à la barrière hémato-encéphalique pour les thérapeutiques du système nerveux central

Les cellules endothéliales produisent une barrière semi-perméable connue sous le nom de barrière hémato-encéphalique (BHE) pour empêcher les substances chimiques indésirables d’atteindre le système nerveux central (SNC). Cependant, cette barrière limite également l'exploration de nouveaux médicaments potentiels en raison d'une exposition insuffisante. Pour répondre à ce défi, les algorithmes d'apprentissage automatique (AA) peuvent être utiles pour prédire la perméabilité de la BHE des composés chimiques. Les machines à vecteurs de support, les réseaux neuronaux continus et les approches d'apprentissage profond ont été utilisés pour identifier les composés pouvant pénétrer la BHE. Toutefois, prédire la perméabilité de la BHE uniquement sur la base de la structure chimique peut être difficile. Dans la recherche actuelle, nous avons développé un modèle d’AA utilisant un grand ensemble de données pour prédire la perméabilité de la BHE, pouvant être utilisé pour le dépistage précoce de médicaments CNS potentiels. Notre algorithme de réseau neuronal artificiel ANN a présenté une précision de 0,94, une spécificité de 0,83, une sensibilité de 0,97, un AUC de 0,96 et un MCC de 0,83. Ces métriques suggèrent que notre modèle a un taux de précision élevé dans la prédiction de la perméabilité de la BHE et a donc le potentiel d'améliorer les efforts de découverte de médicaments dans le SNC. Les résultats de cette étude démontrent le potentiel des modèles d'AA à prédire la perméabilité de la BHE de manière précise, aidant à l'identification de nouvelles options thérapeutiques pour le SNC.