Машинное обучение для прогнозирования токсичности по химической структуре: ключевые условия успеха в реальной практике

Машинное обучение (МО) приобретает всё большее значение для прогнозирования молекулярных свойств и токсичности при разработке лекарственных препаратов. Однако экспериментальная оценка показателей токсичности с точки зрения переноса результатов в клиническую практику всегда была затруднена из-за затрат, необходимых для исследований с участием людей и животных; это ограничивало доступность данных в данной области. В зависимости от этапа проекта и конкретных целей прогнозирования модели МО могут дополнять традиционные экспериментальные подходы и даже потенциально заменять их. Например, модели можно использовать для отбора перспективных соединений с нужным действием на мишень или для исключения соединений с нежелательными свойствами — например, с внецелевым действием или низкой эффективностью из-за неблагоприятных фармакокинетических характеристик. Однако применение МО сопряжено с рисками: они могут быть связаны со смещениями из-за нерепрезентативных обучающих данных, неподходящим выбором алгоритма для представления исходных данных или недостатками построения и валидации модели. Это может приводить к неточным прогнозам, неверной оценке их надёжности и, в конечном счёте, к неоптимальным решениям. Поэтому понимание прогностической валидности моделей МО крайне важно для ускорения разработки лекарственных препаратов и повышения качества принимаемых решений. В этой статье рассматривается необходимость углубить понимание моделей машинного обучения и совершенствовать их применение при разработке лекарственных препаратов. Основное внимание уделено тщательно охарактеризованным наборам данных для прогнозирования токсичности по структуре низкомолекулярных соединений. Выделены пять ключевых условий успешного применения МО для прогнозирования молекулярных свойств и токсичности: 1) выбор набора данных, 2) представление структуры, 3) алгоритм модели, 4) валидация модели и 5) использование прогнозов при принятии решений. Понимание этих ключевых условий будет способствовать взаимодействию и координации специалистов по машинному обучению и токсикологов, что поможет развитию разработки лекарственных препаратов.