Genaue ADMET-Vorhersage mit XGBoost

Die Eigenschaften der Aufnahme, Verteilung, Metabolisierung, Ausscheidung und Toxizität (ADMET) sind bei der Arzneimittelforschung von großer Bedeutung, da sie die Wirksamkeit und Sicherheit definieren. In dieser Arbeit haben wir ein Ensemble von Merkmalen, einschließlich Fingerprints und Deskriptoren, sowie ein baumbasierendes maschinelles Lernmodell, Extreme Gradient Boosting (XGBoost), zur genauen ADMET-Vorhersage angewendet. Unser Modell erzielt gute Ergebnisse in der ADMET-Benchmark-Gruppe des Therapeutics Data Commons. Bei 22 Aufgaben rangiert unser Modell in 18 Aufgaben auf dem ersten Platz und in 21 Aufgaben unter den Top 3. Die trainierten maschinellen Lernmodelle sind in ADMETboost integriert, einem Webserver, der öffentlich unter https://ai-druglab.smu.edu/admet verfügbar ist.