Human Intestinal Absorption Revisited: The 1998 Descriptors Survive, and the Method Extends to Permeability
本文通过证明 1998 年提出的一个人类肠道吸收模型的原始性能依赖于一次幸运的数据划分，重新审视了该模型，并随后利用遗传算法选择的描述符集和随机森林，通过 250 次分层提取，建立了更具鲁棒性且基于共识的肠道吸收及各种渗透性测定预测模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
当一个人吞服药丸时，药物必须穿过一道复杂的屏障：肠壁。如果药物无法穿过这道墙，它就永远无法进入血液发挥作用。长期以来，科学家一直试图利用观察分子形状和电学特性的计算机模型，来预测一种新的化合物是否能成功完成这段旅程。几十年来，一组源自分子结构的六个特定数学测量值一直是进行此类预测的标准工具。这些测量值捕捉了诸如分子带电情况和表面积等特征，并建立于1998年一项著名的研究之中。该研究表明，这六个数字足以高精度地预测吸收情况，这一说法一直影响着药物开发。然而，此类预测的可靠性在很大程度上取决于数据的划分与测试方式，而最初的结果依赖于一次特定的、可能异常幸运的数据划分。
最近，一个研究小组重新审视了这个经典的课题，以观察那六个原始测量值在经过更严格测试时是否依然有效。他们采用了1998年研究中的原始86种化合物，并且没有只进行一次测试，而是运行了250次实验，每次都将数据重新洗牌分成不同的组，以观察该模型的平均表现。他们发现，最初的成功故事确实是一个幸运的巧合。当这六个相同的测量值在多次不同的洗牌测试中进行测试时，平均误差几乎是原论文报告的两倍。该模型在处理曾经见过的数据时表现良好，但在预测未见过的化合物时，其可靠程度不如人们想象中那样高。这表明，最初的结果并非一个稳健的规律，而仅仅是特定数据排列下的一种特定结果。
研究人员并未因此气馁，他们询问如果将这六个测量值应用于更大规模的化合物集合，是否仍然有用。他们将同样的六个数值应用于包含780种不同类药物分子的数据集。结果比在小样本集上表现更好，但误差率仍然高于预期。随后，团队决定让计算机去寻找一种更好的测量组合。通过一种模拟自然选择的方法，计算机测试了数千种不同的分子描述符组合，寻找能在250次不同数据洗牌中产生最准确预测的一组。这一过程确定了一组新的、固定的二十五个测量值，它们能持续优于最初的六个测量值。这个建立在更稳健基础上的新模型显著降低了预测误差，将平均错误率降至对现实世界药物设计更有意义的水平。
研究人员并未止步于人类吸收的研究。他们将这种严谨的测试和筛选过程应用到了另外三个困难的药物递送问题上：小分子和多肽如何穿过人工细胞层，以及它们如何穿过合成膜。针对这四个截然不同的挑战，他们各构建了一个专门的模型，并使用由计算机选定的特定描述符集。结果表明，虽然旧的六个测量值不够用，但通过精心挑选的、更大规模的属性集，可以更自信地预测这些行为。针对小分子和多肽的新模型实现了高准确度，在绝大多数情况下都能正确预测化合物跨越细胞屏障的移动。这些发现表明，旧模型背后的基本原理是正确的，但所需的具体工具需要更新和扩展，以应对现代药物研发的复杂性。
所有这四个新模型现在都已向公众开放，允许科学家根据这些精炼的标准来测试新的化学结构。这项工作证明，尽管吸收的基本化学原理没有改变，但我们衡量和预测它的方式必须进化。通过摒弃单一且幸运的数据划分，转而采用在数百种不同场景下测试预测的方法，研究人员为绘制药物从药丸进入血液循环的旅程图谱提供了一个更诚实、更可靠的地图。最初的六个测量值并非错误，只是不完整；而新的二十五个测量值集合则为药物如何与人体相互作用提供了更清晰、更完整的图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。