一种基于可解释深度学习的 QSAR 框架在预测 hERG 介导的心脏毒性方面实现了 0.9801 的 ROC-AUC，但化疗药物的结构复杂性限制了其泛化能力。
其他 (n=22,561)
基于可解释深度学习的 QSAR 框架能否准确预测抗肿瘤药物的 hERG 通道阻滞和心脏毒性风险？
可解释深度学习模型成功预测了 hERG 通道阻滞，为抗肿瘤药物的早期心脏毒性筛选提供了一种透明且机制可解释的工具。
Effect estimate: ROC-AUC 0.9801
人 Ether-a-go-go 相关基因 (hERG) 通道阻滞诱导的心脏毒性仍然是一个关键的安全性隐患，尤其是在抗肿瘤药物具有严重致心律失常风险的肿瘤心脏病学领域。本研究开发了一种基于可解释深度学习的 QSAR 框架，用于多维度预测 hERG 介导的心脏毒性。利用包含 22,213 种化合物的基础数据集来训练深度神经网络 (DNN)，分别单独及组合使用了 RDKit 描述符、MACCS keys 和 Morgan 指纹。该集成 DNN 模型在训练阶段取得了 0.9801 的优异 ROC-AUC。在外部验证方面，评估了一个包含 348 种抗肿瘤药物的独立肿瘤学测试集。结果显示，化疗药物的高度结构复杂性限制了模型的泛化能力，凸显了肿瘤相关心脏毒性的多因素特征。至关重要的是，可解释人工智能 (XAI) 分析表明该模型的决策牢固建立在药理学相符的原则之上，将亲脂性 (MolLogP)、极性表面积和特定拓扑基序确定为主要的毒性决定因素。总体而言，这种可解释的 QSAR 方法为早期心脏毒性筛选提供了一种透明且具有机制可解释性的决策支持工具，弥合了计算预测与临床肿瘤心脏病学安全性评估之间的鸿沟。
Seyhan et al. (Tue,) 开展了一项关于 hERG-mediated cardiotoxicity 的 other 研究 (n=22,561)。在 Prediction of hERG-mediated cardiotoxicity (ROC-AUC) (ROC-AUC 0.9801) 上对 Explainable deep learning-based QSAR framework 进行了评估。一种可解释的基于深度学习的 QSAR 框架在预测 hERG-mediated cardiotoxicity 方面实现了 0.9801 的 ROC-AUC，尽管化疗药物的结构复杂性限制了其泛化性。