Табыстар:
- Детерминистикалық есептелген белгілер мен статистикалық бағаланған белгілерді ажырата білу және сенімділік деңгейлерін анықтау
- Қолдану домені тұжырымдамасын пайдалану арқылы модель сенімді аймақты бағалау мүмкіндігі
- Үміткерлерді бағалау және эксперимент арқылы соңғы шешімді қабылдау үшін қасиеттерді болжау керек екенін түсіну қабілеті.
Молекуланы синтездеудің алдында біз жиі сұрақ қоямыз: "Ол суда ериді ме? Қаншалықты қышқыл? Жасуша мембранасынан өтеді ме? Дәрі-дәрмекке кандидат ретінде дұрыс па?" Бұл сұрақтардың жауабын эксперимент алдында болжау көп уақытты үнемдейді. AI және оның арнайы үлгілері (әсіресе QSAR — Quantitative Structure-Activity Relationship, яғни молекуланың құрылымдық дескрипторларынан сипатты болжайтын статистикалық модель) бұл болжамдарда күшті. Бірақ бұл болжамдар өлшемдер емес, ықтималдық болжамдары. Бұл бөлімде біз мүмкіндіктерді болжау, оның күшті жақтары және ең маңызды тұжырымдама, қолдану аймағы (модель сенімді аймақ) туралы білеміз.
Қандай ерекшеліктер болжанады?
- logP: Молекуланың мұнай/суды бөлу коэффициенті; Ол липофильділікті (майды ұнататын) көрсетеді. Дәрілік заттардың сіңуінде маңызды.
- Ерігіштік (logS): Суда қаншалықты ериді.
- pKa: Қышқылдық/сілтілік; Топ иондалатын рН.
- TPSA: Топологиялық полярлық бетінің ауданы; Ол өткізгіштігін бағалауда қолданылады.
- Липинский «бестік ережесі»: молекулалық салмақтың практикалық шектері, logP, ауызша дәрі-дәрмекке үміткерлердің H-байланыс донорларының/акцепторларының саны.
Осы мәндердің кейбіреулері RDKit сияқты құралдармен детерминирленген түрде есептеледі (мысалы, TPSA, H-облигация сандары); Олардың кейбіреулері статистикалық бағалаулар болып табылады (logS, биологиялық белсенділік). Бұл айырмашылықты білу сіздің қаншалықты сенетініңізді анықтайды.
Кеңес: Мүмкіндіктің «есептелген» (ережеге негізделген, қайталанатын) немесе «болжалды» (үлгіден, белгісіз) екенін ажыратыңыз. Есептерге жоғары сенімділік, болжамдарға сақтықпен сену және эксперимент арқылы болжамдарды тексеру.
Қолдану аясы: ең маңызды ұғым
QSAR моделі оқытылған молекулаларға ұқсас молекулаларда жақсы жұмыс істейді. Егер сіз жаттығу деректерінен өте ерекшеленетін молекуланы (мысалы, өте үлкен, әдеттен тыс қаңқа) берсеңіз, модель әлі де сан шығарады, бірақ бұл сан сенімсіз болады. Бұл «қолдану аясынан тыс болу» деп аталады. Модель әрқашан жауап береді; Жауаптың сенімді немесе сенімді емес екенін анықтау сіздің міндетіңіз.
Тілдік үлгі атрибут мәнін бергенде, бұл одан да қауіпті: ол санды негізгі есептеусіз «ықтимал көрінетін» мән ретінде шығарады. Мүмкін болса, мүмкіндік мәндерін тіл үлгісінен емес, детерминирленген құралдан (RDKit) немесе белгісіздік беретін QSAR үлгісінен алыңыз.
Қадамдық: қауіпсіз мүмкіндікті болжау
- Молекуланы тексеріңіз: RDKit көмегімен SMILES талдауы (2-бірлік).
- Детерминирленгендерді есептеңіз: MA, logP (есептелген), TPSA, RDKit-тен H-облигация сандары.
- Болжамдарды бөлек белгілеңіз: logS, белсенділік және т.б. сияқты үлгі болжамдарын "болжау" тегімен сақтаңыз.
- Қолдану аймағын тексеріңіз: Молекула жаттығу деректеріне ұқсай ма? Бұл өте үлкен/ерекше ме?
- Шешім емес, рейтинг үшін пайдаланыңыз: Үміткерлердің рейтингін қою үшін болжамдарды пайдаланыңыз; Соңғы таңдау - эксперимент.
- Тәжірибе арқылы жабу: Өлшеу арқылы маңызды қасиеттерді (ерігіштік, pKa) тексеріңіз.
Көшірілетін төрт үлгі
1) RDKit көмегімен детерминистік мүмкіндіктер:
rdkit импортынан Chemfrom rdkit.Chem импорттау дескрипторлары, rdMolDescriptorsmol = Chem.MolFromSmiles("CC(=O)Oc1ccccc1C(=O)O") # aspirinprint("MA:", round(Descriptors.MolWt(mol),2))print("log"),P (calculated) round(Descriptors.MolLogP(мол),2))print("TPSA:", round(Descriptors.TPSA(мол),1))print("H-bond donor:", rdMolDescriptors.CalcNumHBD(мол))print("H-байланыстың акцепторы:", rdMolDescriptors.CalcNum)HBA(CalcNum)HBA
2) Липинский ережесін бағалау:
Молекула (Күлкілер): [SMILES]Тапсырма: RDKit-тен есептелетін MA, logP, HBD, HBA мәндерімен бес Липински ережесіне сәйкестігін бағалаңыз. Әрбір шартты өту/өтпеген деп бөлек белгілеңіз. Ереже: сандарды құрама; Мен оны RDKit-тен аламын, сіз түсініктеме бересіз.
3) мүмкіндікті бағалау + белгісіздік сұрауы:
Молекула (КҮЛКІМ): [КІЛІМІЗ]Тапсырма: Суда ерігіштігінің (logS) (жоғары/орташа/төмен) сапалы бағасын беріңіз және құрылымдық ерекшеліктерімен негіздеуді түсіндіріңіз. Нақты нөмірді бермеңіз; Бұл БОЛЖАУ екенін және оны эксперимент арқылы растау қажет екенін айтыңыз. Молекулада әдеттен тыс құрылым болса, ескертіңіз (қолдану қаупі).
4) Үміткерлер рейтингі (болжам бойынша басымдық):
Төменде 5 молекуланың СМАЙЛАРЫ берілген. Тапсырма: Құрылымдық ерекшеліктеріне қарай (полярлық топтардың, сақиналардың, липофильділіктің) суда ерігіштігі бойынша (ең еритіннен азға дейін) дәрежелендіріңіз. Әрбір рейтингтік шешімге негіздеме жазыңыз. Ескерту: Бұл АЛДЫДАСЫ сұрыптау; Соңғы таңдау өлшеу арқылы жасалады.
Әлсіз шақыру / Күшті шақыру
Әлсіз:
Бұл молекуланың ерігіштігі қандай?
AI есептеу кезінде жоқ санды құрайды (мысалы, «12 мг/мл»); Бұл сенімділік береді, бірақ қате болуы мүмкін.
Күшті:
Молекула (КҮЛКІМ): [КҮЛІМ].Тапсырма: 1) RDKit көмегімен есептелетін logP, TPSA, HBD/HBA беремін: [мәндер].2) Осы мәндерге сүйене отырып, ажыратымдылықтың жоғары/орташа/төмен екенін түсіндіріңіз.3) Нақты санды беру; Бұл болжам және эксперименттер қажет екенін айтыңыз.
Айырмашылық: біз көліктен детерминирленген мәндерді алдық және АИ оларды жай ғана түсіндіруге мәжбүр еттік; Біз белгісіздік пен эксперимент қажеттігін анық сұрадық.
Мүмкіндік түрлері және сенім деңгейі
ерекшелігі
Қалай алуға болады
сенім
ескертпе
молекулалық салмақ
RDKit (детерминирленген)
өте жоғары
Формуладан кесіңіз
TPSA, HBD/HBA
RDKit (детерминирленген)
жоғары
ережеге негізделген
logP (есептелген)
RDKit моделі
орташа-жоғары
Эксперименттен ауытқуы мүмкін
logS (ажырату)
QSAR бағалауы
орташа
Қолдану аймағына байланысты
pKa
арнайы үлгі
орташа
Ол күрделі құрылымға түседі
биологиялық белсенділік
QSAR/ML
Айнымалы
Тестілеуді және тексеруді ұмытпаңыз
шағын істер
1-жағдай — Орнатылған шешімдер саны. Студент АИ-ден қосылыстың ерігіштігі туралы сұрады; Ол «25 мг/мл» деген жауап алды және соған сәйкес эксперименттік жобаны орнатты. Өлшеудегі нақты мән ~2 мг/мл болды, 10 есе айырмашылық. AI санды құрастырды. Сабақ: ажыратымдылық сияқты қасиеттерді тіл үлгісінен сандар ретінде қабылдамаңыз; сапалық болжау + өлшеу.
2-жағдай – Қолдану аясынан тыс. QSAR үлгісі жаттығу жиынынан мүлде ерекшеленетін үлкен макромолекула үшін «белсенділік жоғары» деді. Пайдаланушы молекуланың жаттығу деректеріне ұқсамайтынын байқады және болжамды сенімсіз деп санады; Эксперимент шынымен төмен белсенділік берді. Сабақ: модель әрқашан жауап береді; Егер ол ауқымнан тыс болса, жауап түкке тұрғысыз.
3-жағдай — Липинскийді дұрыс қолдану. Бір үміткер молекулада AI Липинскиді RDKit мәндерімен бағалады: MA 512 (>500, шекара), logP 4.8 (қолайлы), HBD 2, HBA 7. Пайдаланушы «бір критерий қалады, бірақ ереже абсолютті емес» деп дұрыс түсіндірді және молекуланы мүлдем жойған жоқ. Сабақ: ереже – шек емес, бағдар; Мәтінмәнмен түсіндіріңіз.
Жалпы қателер
- Тіл үлгісінен мүмкіндіктер санын алу. Есептелмеген мәндер ойдан шығарылады; Детерминирленген құралды немесе белгісіздік үлгісін пайдаланыңыз.
- Қолдану өрісін елемеу. Модель әрбір молекула үшін сандарды жасайды; өрістен тыс сенімсіз.
- Болжалды өлшемді ескере отырып. logS – бұл бағалау; Бұл эксперименттік рұқсатты алмастырмайды.
- Липинскийді абсолютті ереже деп санайды. Шекарада тұрған үміткер автоматты түрде жойылмайды; Көптеген препараттар ережені бұзады.
- «Есептелген» мен «бағаланған» дегенді шатастырып алу. TPSA есептеледі (сенімді), белсенділік бағаланады (белгісіз).
Абайлаңыз: Мүмкіндік болжамдары үміткерлерді рейтинг пен басымдықты анықтау үшін тамаша; бірақ шешімді жалғыз анықтау үшін емес. «Модель еритінін айтты» - гипотеза; «Мен өлшедім, ол ериді» - нәтиже.
Қысқаша айтқанда
- Молекулярлық қасиеттерді тәжірибе алдында болжауға болады және көп уақытты үнемдейді.
- Кейбір мүмкіндіктер детерминирленген түрде есептеледі (MA, TPSA, HBD/HBA), кейбіреулері статистикалық бағалаулар (logS, белсенділік).
- Қолдану аймағы ең маңызды тұжырымдама болып табылады: модель әрқашан жауап береді, бірақ доменнен тыс сенімсіз.
- Мүмкіндік сандарын тіл үлгісінен емес, RDKit немесе екіұштылық үлгісінен алыңыз.
- Үміткерлерді бағалау үшін болжамдарды пайдаланыңыз; Тәжірибе жасау арқылы соңғы шешімді қабылдаңыз.
Қолданбалы тапсырма
Бес молекуланы таңдаңыз (мысалы, дәрілік серия). RDKit көмегімен әрқайсысы үшін MA, logP, TPSA, HBD, HBA есептеңіз және Липинскиді бағалаңыз. Әр молекуланың ерігіштігінің сапалық бағасын (сан емес) және қолдану мүмкіндігі туралы ескерту үшін AI-дан бөлек сұраңыз. Кестеде детерминирленген мәндер мен AI болжамдарын жинаңыз. Қай молекула ең дәрілік профильді берді? Белгісіздік қай жерде ең жоғары?
бақылау парағы
- [ ] Мен детерминирленген есептелген және болжамды сипаттарды ажыратамын.
- [ ] Мен сипат мәндерін тіл үлгісінен емес, RDKit/үлгісінен аламын.
- [ ] Қолдану аясынан тыс молекулаларды байқаймын.
- [ ] Мен Липинскиді абсолютті ереже емес, нұсқаулық ретінде қолданамын.
- [ ] Мен болжамды рейтинг үшін және тәжірибе үшін шешім қолданамын.
- [ ] Менің маңызды мүмкіндіктерді өлшеу арқылы тексеру жоспарым бар.