Розробка моделей машинного навчання для in silico прогнозу проникності сполук крізь гематоенцефалічний бар'єр

Abstract

Створення моделей машинного навчання для in silico прогнозу проникності сполук крізь гематоенцефалічний бар’єр.Матеріали для дослідження, а саме, датасет для навчання моделей створювали шляхом аналізу бібліотеки PubMed (pubmed.ncbi.nlm.nih.gov) у ручному режимі за ключовими словами («bbb penetration», «in silico bbb test», «Blood-Brain Barrier Permeability», «Blood Brain Barrier»). У датасет вносили дані молекули у вигляді специфікації спрощеного представлення молекул у рядку введення (SMILES) і класифікаційні позначки: 1 – проникає, 0 – не проникає. SMILES для знайдених речовин шукали за допомогою сервісу PubChem (pubchem.ncbi.nlm.nih.gov). Використовували набір методів бінарної класифікації машинного навчання (pycaret.org), мову програмування python 3.8 (python.org) у середовищі управління пакетами miniconda (conda.io). Програмування пайплайну (pipeline) здій-снювали за допомогою пакета jupyter notebook (jupyter.org). Генерацію ознак у датасеті зі SMILES проводили за допомогою пакета RDKit (rdkit.org).У результаті проведеного дослідження були створені моделі машинного навчання для in silicoпрогнозу проникності сполук крізь гематоенцефалічний бар’єр. За критерієм AUC найперспективні-шими виявились моделі – Random Forest Classifier, Light Gradient Boosting Machine, Extra Trees Classifier. Використання обраних моделей в експертній системі «ExpSys Nasalia» дозволяє прогнозу-вати вибір допоміжних речовин при розробці назальних засобів церебропротективної дії. Прогнозу-вання in silico дозволить дослідникам на етапі фармацевтичної розробки нових інтраназальних лікарських форм більш ефективно здійснювати підбір допоміжних інгредієнтів, наприклад, додавати до складу рецептури енхансери адсорбції. Створені моделі розміщені на веб сервері експертної системи «ExpSys Nasalia» (nasalia.zsmu.zp.ua) у розділі розрахунки. Создание моделей машинного обучения для in silico прогноза проницаемо-сти соединений через гематоэнцефалический барьер.Материалы для исследования, а именно, датасет для обучения моделей получали путем анализа библиотеки PubMed (pubmed.ncbi.nlm.nih.gov) в ручном режиме по ключевым словам («bbb penetration», «in silico bbb test», «Blood-Brain Barrier Permeability», «Blood Brain Barrier»). В датасет вносили данные молекулы в виде спецификации упрощенного представления молекул в строке ввода (SMILES) и классификационные отметки: 1 – проникает, 0 – не проникает. SMILES для найден-ных веществ искали с помощью сервиса PubChem (pubchem.ncbi.nlm.nih.gov). Использовали набор методов бинарной классификации машинного обучения (pycaret.org) с языком программирования python 3.8 (python.org) в среде управления пакетами miniconda (conda.io). Программирование пай-плайнов (pipeline) осуществляли с помощью пакета jupyter notebook (jupyter.org). Генерацию при-знаков в датасете из SMILES проводили, используя пакет RDKit (rdkit.org).В результате проведенного исследования были созданы модели машинного обучения для in silico прогноза проницаемости соединений через гематоэнцефалический барьер. По критерию AUC наиболее перспективными оказались модели – Random Forest Classifier, Light Gradient Boosting Machine, Extra Trees Classifier. Использование разработанных моделей в экспертной системе «ExpSys Nasalia» позволяет прогнозировать выбор вспомогательных веществ при разработке назальных средств церебропротекторного действия. Прогнозирование in silico даст возможность исследователям на этапе фармацевтической разработки новых интраназальных лекарственных форм более эффективно осуществлять подбор вспомогательных ингредиентов, например, добав-лять в состав рецептуры энхансеры адсорбции. Созданные модели размещены на веб сервере экспертной системы «ExpSys Nasalia» (nasalia.zsmu.zp.ua) в разделе расчеты. The aim of the study is to create machine learning models for in silico prediction of the permeability of compounds through the blood-brain barrier.Materials for research, namely the creation of a dataset for training models, were obtained by analyzing the PubMed library (pubmed.ncbi.nlm.nih.gov) in manual mode, using key words («bbb penetration», «in silico bbb test», «Blood Brain Barrier Permeability», «Blood-Brain-Barrier»). The data was entered into the dataset in the form of a specification of the simplified representation of molecules in the input line (SMILES) and classification marks: 1 – penetrates, 0 – does not penetrate. SMILES for the found sub-stances were searched using the PubChem service (pubchem.ncbi.nlm.nih.gov). As research methods, we used a set of binary classification methods for machine learning (pycaret.org) with the python 3.8 programming language (python.org) in the miniconda package management environment (conda.io). Pipeline programming was carried out using the jupyter notebook package (jupyter.org). Features were generated in the dataset from SMILES using the RDKit package (rdkit.org).As a result of the research machine learning models were created for in silico prediction of the perme-ability of compounds across the blood-brain barrier. According to the AUC criterion, the most promising were the models – Random Forest Classifier, Light Gradient Boosting Machine, Extra Trees Classifier. The use of the developed models in the «ExpSys Nasalia» expert system makes it possible to predict the choice of excipients in the development of cerebroprotective nasal agents. In silico prediction will enable researchers at the stage of pharmaceutical development of new intranasal dosage forms, to more effi-ciently select auxiliary ingredients, for example, add adsorption enhancers to the formulation. The created models are placed on the webserver of the «ExpSys Nasalia» expert system (nasalia.zsmu.zp.ua) in the calculations section.