Ключові слова
Анотація
Мета дослідження – 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) здійснювали 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 silico прогнозу проникності сполук крізь гематоенцефалічний бар’єр. За критерієм AUC найперспективнішими виявились моделі – Random Forest Classifier, Light Gradient Boosting Machine, Extra Trees Classifier. Використання обраних моделей в експертній системі «ExpSys Nasalia» дозволяє прогнозувати вибір допоміжних речовин при розробці назальних засобів церебропротективної дії. Прогнозування 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.