A deep learning approach to predict blood-brain barrier permeability.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Kan-beyin bariyeri, merkezi sinir sistemine (CNS) giren bileşiklerin %98'inin geçişinin düzenlenmesinde çok önemli bir rol oynar. Parkinson, Alzheimer ve beyin tümörleri gibi çeşitli beyin hastalıklarının tedavisi için beyin ilaçlarının sentezini sağlamak için yüksek geçirgenliğe sahip bileşikler belirlenmelidir. Yıllar boyunca, bu sorunu çözmek için birkaç model geliştirilmiştir ve kan-beyin bariyerine nüfuz eden bileşikleri tahmin etmede kabul edilebilir doğruluk puanları elde etmiştir. Bununla birlikte, "düşük" geçirgenliğe sahip bileşikleri tahmin etmek zorlu bir görev olmuştur. Bu çalışmada, kan-beyin bariyer geçirgenliğini tahmin etmek için derin bir öğrenme (DL) sınıflandırma modeli sunuyoruz. Önerilen model, eski modellerde sunulan temel konuları ele almaktadır: yüksek boyutsallık, sınıf dengesizlikleri ve düşük özgüllük puanları. Sınıflandırma modelini geliştirmeden önce yüksek boyutlu, dengesiz veri kümesini geliştirmek için bu konuları ele alıyoruz: dengesiz veri kümesi, aşırı örnekleme teknikleri ve yüksek boyutsallık kullanılarak, çekirdek ana bileşen analizi (KPCA) olarak bilinen doğrusal olmayan boyutsallık azaltma tekniği kullanılarak ele alınmaktadır. Bu teknik, yüksek boyutlu veri kümesini, paha biçilmez bilgileri tutarken düşük boyutlu Öklid uzayına dönüştürür. Sınıflandırma görevi için, gelişmiş bir besleme ileri derin öğrenme modeli ve bir evrişimsel sinir ağı modeli geliştirdik. Spesifiklik puanları açısından (yani, düşük geçirgenliğe sahip bileşiklerin tahmin edilmesi), gelişmiş besleme-ileri derin öğrenme modeli ile elde edilen sonuçlar, literatürdeki aynı teknik kullanılarak geliştirilen diğer modellerden daha iyi performans gösterdi. Buna ek olarak, önerilen konvolüsyonel sinir ağı modeli, genel doğruluk ve özgüllük de dahil olmak üzere, diğer çalışmalarda kullanılan modelleri aştı. Önerilen yaklaşım, düşük özgüllük elde etmek ile kaçınılmaz olarak karşı karşıya kalan sorunu çözer ve yüksek yanlış pozitif oran ile sonuçlanır.

Özgün kaynak özetini okuyun

The blood-brain barrier plays a crucial role in regulating the passage of 98% of the compounds that enter the central nervous system (CNS). Compounds with high permeability must be identified to enable the synthesis of brain medications for the treatment of various brain diseases, such as Parkinson's, Alzheimer's, and brain tumors. Throughout the years, several models have been developed to solve this problem and have achieved acceptable accuracy scores in predicting compounds that penetrate the blood-brain barrier. However, predicting compounds with "low" permeability has been a challenging task. In this study, we present a deep learning (DL) classification model to predict blood-brain barrier permeability. The proposed model addresses the fundamental issues presented in former models: high dimensionality, class imbalances, and low specificity scores. We address these issues to enhance the high-dimensional, imbalanced dataset before developing the classification model: the imbalanced dataset is addressed using oversampling techniques and the high dimensionality using a non-linear dimensionality reduction technique known as kernel principal component analysis (KPCA). This technique transforms the high-dimensional dataset into a low-dimensional Euclidean space while retaining invaluable information. For the classification task, we developed an enhanced feed-forward deep learning model and a convolutional neural network model. In terms of specificity scores (i.e., predicting compounds with low permeability), the results obtained by the enhanced feed-forward deep learning model outperformed those obtained by other models in the literature that were developed using the same technique. In addition, the proposed convolutional neural network model surpassed models used in other studies in multiple accuracy measures, including overall accuracy and specificity. The proposed approach solves the problem inevitably faced with obtaining low specificity resulting in high false positive rate.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.