กำไร:
- ความสามารถในการแยกแยะระหว่างคุณลักษณะที่คำนวณตามที่กำหนดและคุณลักษณะที่ประมาณการทางสถิติ และกำหนดระดับความเชื่อมั่น
- ความสามารถในการประเมินภูมิภาคที่แบบจำลองมีความน่าเชื่อถือโดยใช้แนวคิดของขอบเขตการบังคับใช้
- ความสามารถในการเข้าใจว่าควรใช้การทำนายลักษณะเพื่อจัดอันดับผู้สมัครและตัดสินใจขั้นสุดท้ายผ่านการทดลอง
ก่อนที่จะสังเคราะห์โมเลกุล เรามักถามว่า "มันละลายน้ำได้หรือไม่ มีความเป็นกรดแค่ไหน? มันผ่านเยื่อหุ้มเซลล์หรือไม่?" การทำนายคำตอบสำหรับคำถามเหล่านี้ก่อนการทดสอบช่วยประหยัดเวลาได้มาก AI และแบบจำลองเฉพาะทางของมัน (โดยเฉพาะ QSAR — ความสัมพันธ์เชิงปริมาณของโครงสร้าง-กิจกรรม เช่น แบบจำลองทางสถิติที่ทำนายคุณสมบัติจากตัวอธิบายโครงสร้างของโมเลกุล) มีประสิทธิภาพในการทำนายเหล่านี้ แต่การคาดการณ์เหล่านี้เป็นการคาดการณ์ความน่าจะเป็น ไม่ใช่การวัดผล ในหน่วยนี้ เราจะเรียนรู้เกี่ยวกับการคาดการณ์คุณลักษณะ จุดแข็งและแนวคิดที่สำคัญที่สุด โซนการบังคับใช้ (ภูมิภาคที่แบบจำลองมีความน่าเชื่อถือ)
มีการคาดการณ์คุณสมบัติอะไรบ้าง?
- logP: ค่าสัมประสิทธิ์การแบ่งส่วนของน้ำมัน/น้ำของโมเลกุล แสดงถึงความชอบไขมัน (ชอบไขมัน) มีความสำคัญต่อการดูดซึมยา
- ความสามารถในการละลาย (logS): ละลายได้ในน้ำแค่ไหน
- pKa: ความเป็นกรด/ความเป็นด่าง; ค่า pH ที่ทำให้หมู่แตกตัวเป็นไอออน
- TPSA: พื้นที่ผิวเชิงขั้วทอพอโลยี ใช้ในการประมาณค่าการซึมผ่าน
- ลิปินสกี้ “กฎห้าข้อ”: เกณฑ์ที่ใช้ได้จริงสำหรับน้ำหนักโมเลกุล, logP, จำนวนผู้บริจาค/ผู้รับพันธะเอชของผู้สมัครยารับประทาน
ค่าเหล่านี้บางส่วนได้รับการคำนวณตามที่กำหนด (เช่น TPSA, หมายเลขพันธะ H) ด้วยเครื่องมือเช่น RDKit; บางส่วนเป็นการประมาณการทางสถิติ (logS, กิจกรรมทางชีวภาพ) การรู้ถึงความแตกต่างนี้จะกำหนดว่าคุณไว้วางใจมากแค่ไหน
เคล็ดลับ: แยกแยะว่าคุณลักษณะนั้น "คำนวณ" (ตามกฎ ทำซ้ำได้) หรือ "คาดการณ์" (จากแบบจำลอง ไม่แน่นอน) มีความมั่นใจสูงในการคำนวณ มีความมั่นใจในการทำนายอย่างระมัดระวัง และตรวจสอบการคาดการณ์ด้วยการทดลอง
ขอบเขตของการบังคับใช้: แนวคิดที่สำคัญที่สุด
แบบจำลอง QSAR ทำงานได้ดีกับโมเลกุลที่คล้ายกับโมเลกุลที่ได้รับการฝึก หากคุณให้โมเลกุลที่แตกต่างจากข้อมูลการฝึกอย่างมาก (เช่น โครงกระดูกที่มีขนาดใหญ่มากและผิดปกติ) แบบจำลองจะยังคงสร้างตัวเลข แต่ตัวเลขนั้นจะไม่น่าเชื่อถือ นี้เรียกว่า "อยู่นอกขอบเขตของการบังคับใช้" โมเดลจะให้คำตอบเสมอ เป็นหน้าที่ของคุณที่จะบอกว่าคำตอบนั้นเชื่อถือได้หรือไม่
จะยิ่งมีความเสี่ยงมากขึ้นเมื่อโมเดลภาษาให้ค่าแอตทริบิวต์: โดยจะสร้างตัวเลขเป็นค่าที่ "ดูน่าจะเป็นไปได้" โดยไม่มีการคำนวณพื้นฐาน ดังนั้นหากเป็นไปได้ ให้รับค่าฟีเจอร์จากเครื่องมือกำหนด (RDKit) หรือโมเดล QSAR ที่ให้ความไม่แน่นอน ไม่ใช่จากโมเดลภาษา
ทีละขั้นตอน: การทำนายคุณลักษณะที่ปลอดภัย
- ตรวจสอบโมเลกุล: แยกวิเคราะห์ SMILES ด้วย RDKit (หน่วยที่ 2)
- คำนวณค่าที่กำหนด: MA, logP (คำนวณ), TPSA, หมายเลขพันธบัตร H จาก RDKit
- ทำเครื่องหมายการคาดการณ์แยกกัน: เก็บการคาดการณ์โมเดล เช่น บันทึก กิจกรรม ฯลฯ ด้วยแท็ก "การคาดการณ์"
- ตรวจสอบโดเมนการบังคับใช้: โมเลกุลดูเหมือนข้อมูลการฝึกหรือไม่ มันใหญ่มาก/ผิดปกติหรือเปล่า?
- ใช้สำหรับการจัดอันดับ ไม่ใช่การตัดสินใจ: ใช้การคาดการณ์เพื่อจัดอันดับผู้สมัคร ทางเลือกสุดท้ายคือการทดลอง
- การทดลองแบบปิด: ตรวจสอบคุณสมบัติที่สำคัญ (ความสามารถในการละลาย, pKa) โดยการวัด
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) คุณสมบัติที่กำหนดด้วย RDKit:
จาก rdkit import Chemจาก rdkit.Chem ตัวอธิบายการนำเข้า, rdMolDescriptorsmol = Chem.MolFromSmiles("CC(=O)Oc1ccccc1C(=O)O") # แอสไพรินพิมพ์ ("MA:", รอบ (Descriptors.MolWt(mol),2))พิมพ์("logP (คำนวณ):", รอบ(Descriptors.MolLogP(mol),2))พิมพ์("TPSA:", รอบ(Descriptors.TPSA(mol),1))พิมพ์("ผู้บริจาคพันธบัตร H:", rdMolDescriptors.CalcNumHBD(mol))พิมพ์("ตัวรับพันธบัตร H:", rdMolDescriptors.CalcNumHBA(mol))
2) การประเมินกฎลิปินสกี้:
โมเลกุล (SMILES): [SMILES] งาน: ประเมินการปฏิบัติตามกฎ Lipinski ห้าด้วยค่า MA, logP, HBD, HBA ที่จะคำนวณจาก RDKit ทำเครื่องหมายแต่ละเกณฑ์แยกกันว่าผ่าน/ไม่ผ่าน กฎ: อย่าสร้างตัวเลข ฉันจะได้มาจาก RDKit คุณแสดงความคิดเห็น
3) การประมาณคุณลักษณะ + คำขอความไม่แน่นอน:
โมเลกุล (ยิ้ม): [ยิ้ม] งาน: ให้การประมาณคุณภาพความสามารถในการละลายน้ำ (logS) (สูง/ปานกลาง/ต่ำ) และอธิบายเหตุผลพร้อมคุณสมบัติเชิงโครงสร้าง อย่าให้ตัวเลขที่แน่นอน ระบุว่านี่คือการคาดการณ์และต้องได้รับการยืนยันจากการทดลอง เตือนหากโมเลกุลมีโครงสร้างที่ผิดปกติ (ความเสี่ยงต่อการนำไปใช้)
4) การจัดอันดับผู้สมัคร (จัดลำดับความสำคัญโดยการทำนาย):
ด้านล่างนี้คือรอยยิ้มของ 5 โมเลกุล งาน: จัดอันดับในแง่ของความสามารถในการละลายน้ำ (ละลายได้มากที่สุดไปน้อยที่สุด) โดยพิจารณาจากคุณลักษณะทางโครงสร้าง (จำนวนกลุ่มขั้ว วงแหวน ความสามารถในการละลายไขมัน) เขียนเหตุผลสำหรับการตัดสินใจจัดอันดับแต่ละครั้ง หมายเหตุ: นี่เป็นการเรียงลำดับเบื้องต้น การคัดเลือกครั้งสุดท้ายจะทำโดยการวัด
พรอมต์อ่อน / พรอมต์แรง
อ่อนแอ:
ความสามารถในการละลายของโมเลกุลนี้คืออะไร?
AI ประกอบขึ้นเป็นตัวเลขที่ไม่มีอยู่ในการคำนวณ (เช่น "12 มก./มล.") มันให้ความมั่นใจแต่อาจจะผิดก็ได้
แข็งแกร่ง:
โมเลกุล (ยิ้ม): [ยิ้ม] งาน: 1) ฉันจะให้ logP, TPSA, HBD/HBA ที่จะคำนวณด้วย RDKit: [ค่า].2) จากค่าเหล่านี้ ให้ตีความว่าความละเอียดสูง/ปานกลาง/ต่ำ3) ให้ตัวเลขที่แน่นอน; ระบุว่าเป็นการคาดเดาและต้องมีการทดลอง
ความแตกต่าง: เรานำค่าที่กำหนดมาจากยานพาหนะและทำให้ AI ตีความมัน เราถามอย่างชัดเจนถึงความไม่แน่นอนและความจำเป็นในการทดลอง
ประเภทคุณสมบัติและระดับความน่าเชื่อถือ
คุณสมบัติ
วิธีการรับ
ไว้วางใจ
หมายเหตุ
น้ำหนักโมเลกุล
RDKit (กำหนดไว้)
สูงมาก
ตัดมาจากสูตร
TPSA, HBD/HBA
RDKit (กำหนดไว้)
สูง
ตามกฎ
logP (คำนวณ)
โมเดล RDKit
สูงปานกลาง
อาจเบี่ยงเบนไปจากการทดลอง
บันทึก (ความละเอียด)
ประมาณการ QSAR
ปานกลาง
ขึ้นอยู่กับขอบเขตการใช้งาน
พีเค
รุ่นพิเศษ
ปานกลาง
มันอยู่ในโครงสร้างที่ซับซ้อน
กิจกรรมทางชีวภาพ
สาธารณรัฐกาสิโน/มล
ตัวแปร
อย่าลืมทดสอบและตรวจสอบ
กรณีขนาดเล็ก
กรณีที่ 1 — จำนวนความละเอียดที่ติดตั้ง นักเรียนคนหนึ่งถาม AI เกี่ยวกับความสามารถในการละลายของสารประกอบ เขาได้รับคำตอบ "25 มก./มล." และตั้งค่าการออกแบบการทดลองให้สอดคล้องกัน ค่าจริงในการวัดคือ ~2 มก./มล. ซึ่งแตกต่าง 10 เท่า AI ได้ประกอบตัวเลขขึ้นมาแล้ว บทเรียน: อย่าใช้คุณสมบัติเช่นการแก้ปัญหาเป็นตัวเลขจากโมเดลภาษา การทำนายเชิงคุณภาพ + การวัดผล
กรณีที่ 2 — อยู่นอกขอบเขตของการบังคับใช้ แบบจำลอง QSAR ระบุว่า "มีกิจกรรมสูง" สำหรับโมเลกุลขนาดใหญ่ซึ่งแตกต่างจากชุดฝึกอย่างมาก ผู้ใช้สังเกตเห็นว่าโมเลกุลไม่เหมือนกับข้อมูลการฝึกและถือว่าการทำนายไม่น่าเชื่อถือ การทดลองให้กิจกรรมต่ำมาก บทเรียน: โมเดลจะตอบสนองเสมอ หากอยู่นอกขอบเขตคำตอบก็ไร้ค่า
กรณีที่ 3 — การใช้ Lipinski อย่างถูกต้อง ในโมเลกุลของผู้สมัครหนึ่งราย AI ประเมิน Lipinski ด้วยค่าจาก RDKit: MA 512 (>500, เส้นเขตแดน), logP 4.8 (ดี), HBD 2, HBA 7 ผู้ใช้ตีความอย่างถูกต้องว่า "ยังคงมีเกณฑ์หนึ่งข้อ แต่กฎไม่แน่นอน" และไม่ได้กำจัดโมเลกุลทั้งหมด บทเรียน: กฎคือแนวทาง ไม่ใช่เกณฑ์ ตีความตามบริบท
ข้อผิดพลาดทั่วไป
- รับจำนวนคุณลักษณะจากโมเดลภาษา ค่าที่ไม่ได้คำนวณจะถูกประดิษฐ์ขึ้น ใช้เครื่องมือหรือแบบจำลองที่กำหนดขึ้นด้วยความไม่แน่นอน
- ละเลยขอบเขตการบังคับใช้ แบบจำลองจะสร้างตัวเลขสำหรับแต่ละโมเลกุล นอกสนามไม่น่าเชื่อถือ
- การพิจารณาการวัดโดยประมาณ logS เป็นการประมาณการ ไม่สามารถทดแทนความละเอียดของการทดลองได้
- พิจารณาลิปินสกี้เป็นกฎสัมบูรณ์ ผู้สมัครที่อยู่ชายแดนจะไม่ถูกคัดออกโดยอัตโนมัติ ยาเสพติดจำนวนมากฝ่าฝืนกฎ
- สับสนระหว่าง "คำนวณ" กับ "ประมาณการ" TPSA ได้รับการคำนวณ (เชื่อถือได้) กิจกรรมเป็นการประเมิน (ไม่แน่นอน)
ข้อควรระวัง: การคาดการณ์คุณลักษณะเหมาะสำหรับการจัดอันดับและจัดลำดับความสำคัญของผู้สมัคร แต่มิใช่เพื่อตัดสินการตัดสินใจเพียงลำพัง "แบบจำลองที่บอกว่าละลายได้" เป็นสมมติฐาน; “ฉันวัดแล้วมันก็ละลาย” จึงเป็นผลลัพธ์
โดยสรุป
- สามารถทำนายคุณสมบัติทางโมเลกุลได้ก่อนการทดลองและประหยัดเวลาได้มาก
- คุณลักษณะบางอย่างได้รับการคำนวณตามที่กำหนด (MA, TPSA, HBD/HBA) คุณลักษณะบางอย่างเป็นการประมาณการทางสถิติ (logS, กิจกรรม)
- ขอบเขตของการบังคับใช้เป็นแนวคิดที่สำคัญที่สุด: โมเดลจะตอบเสมอ แต่ไม่น่าเชื่อถือนอกโดเมน
- รับจำนวนฟีเจอร์จาก RDKit หรือโมเดลความกำกวม ไม่ใช่โมเดลภาษา
- ใช้การคาดการณ์เพื่อจัดอันดับผู้สมัคร ตัดสินใจขั้นสุดท้ายด้วยการทดลอง
งานสมัคร
เลือกห้าโมเลกุล (เช่น ชุดยา) คำนวณ MA, logP, TPSA, HBD, HBA สำหรับแต่ละรายการด้วย RDKit และประเมิน Lipinski แยกกัน ขอให้ AI ประเมินความสามารถในการละลายของแต่ละโมเลกุล (ไม่ใช่ตัวเลข) และขอบเขตคำเตือนการใช้งาน รวบรวมค่าที่กำหนดและการทำนาย AI ไว้ในตาราง โมเลกุลใดมีลักษณะคล้ายยามากที่สุด ความไม่แน่นอนสูงสุดอยู่ที่ไหน?
รายการตรวจสอบ
- [ ] ฉันแยกแยะระหว่างคุณสมบัติที่คำนวณตามที่กำหนดและคุณสมบัติที่คาดการณ์ไว้
- [ ] ฉันได้รับค่าคุณสมบัติจาก RDKit/model ไม่ใช่โมเดลภาษา
- [ ] ฉันสังเกตเห็นโมเลกุลที่อยู่นอกขอบเขตของการบังคับใช้
- [ ] ฉันใช้ลิปินสกี้เป็นแนวทาง ไม่ใช่กฎตายตัว
- [ ] ฉันใช้การคาดการณ์เพื่อจัดอันดับและตัดสินใจเพื่อการทดลอง
- [ ] ฉันมีแผนในการตรวจสอบคุณสมบัติที่สำคัญด้วยการวัดผล