Прогнозирование растворимости лекарственных веществ: сравнительный анализ графовых нейронных сетей, многослойного перцептрона и традиционных алгоритмов машинного обучения

Drug Solubility Prediction: A Comparative Analysis of GNN, MLP, and Traditional Machine Learning Algorithms
Veysel Gider, Cafer Budak
2024-03-05

графовые нейронные сети (GNN)многослойный перцептрон (MLP)случайный лес (RF)предсказание растворимости лекарственных средствфармацевтический дизайн
Эффективная разработка и создание лекарственных препаратов имеют фундаментальное значение для медицины и фармацевтической промышленности. В этом процессе точное прогнозирование растворимости молекул лекарственных веществ является критически важным фактором, влияющим на биодоступность, фармакокинетику и токсичность препаратов. Традиционно для прогнозирования растворимости лекарственных веществ применялись математические уравнения, основанные на химических и физических свойствах. Однако в последние годы, с развитием методов искусственного интеллекта и машинного обучения, в этой области были разработаны новые подходы. В настоящем исследовании оценивались различные подходы к моделированию, включая графовые нейронные сети (GNN), многослойный перцептрон (MLP) и традиционные алгоритмы машинного обучения (ML). Модель случайного леса (RF) продемонстрировала наилучшие результаты, обеспечив минимальные значения ошибок. Она достигла значения среднеквадратичной ошибки (RMSE) 1.2145, средней абсолютной ошибки (MAE) 0.9221 и коэффициента детерминации (R²) 0.6575. В отличие от нее, модель GNN показала сравнительно более низкую эффективность: RMSE составила 1.8389, MAE — 1.4684, а R² — 0.2147. Эти результаты свидетельствуют о том, что прогнозы данной модели содержат более высокие ошибки по сравнению с другими моделями, а ее объяснительная способность ниже. Полученные результаты демонстрируют различия в эффективности различных подходов к моделированию растворимости лекарственных веществ. Модель RF оказалась более эффективной по сравнению с другими методами, тогда как модель GNN показала менее высокую эффективность. Эти данные дают ценную информацию для выбора предпочтительной модели в процессах фармацевтического проектирования и разработки.
1
Модель Random Forest показала наилучшие результаты: RMSE 1.2145, MAE 0.9221 и R² 0.6575.
2
Модель GNN продемонстрировала сравнительно слабые результаты: RMSE 1.8389, MAE 1.4684 и R² 0.2147.
3
Полученные выводы помогают выбирать модели для задач фармацевтического проектирования и разработки, связанных с прогнозированием растворимости лекарств.
4
Результаты показывают, что Random Forest эффективнее рассмотренных нейросетевых подходов в данной задаче прогнозирования растворимости лекарственных веществ.
5
В исследовании сравниваются графовые нейронные сети, многослойный перцептрон и традиционные алгоритмы машинного обучения для прогнозирования растворимости лекарственных веществ.

молекулы лекарственных препаратов

прогнозирование растворимости в воде и сравнительная эффективность моделирования с использованием GNN, MLP и традиционных алгоритмов машинного обучения

Publication Details
Publication Date
2024-03-05
Journal
Publisher
ISSN
Cited by
6
Access Type
Author Information
Authors
Veysel Gider
Cafer Budak
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%