我校陈伟教授团队提出了预测小分子血脑屏障通透性的新方法。相关研究成果以“a merged molecular representation deep learning method for blood-brain barrier permeability prediction”为题，于2022年8月24日发表于生物信息学领域顶级期刊briefings in bioinformatics。
血脑屏障(blood-brainbarrier, bbb)能够将中枢神经系统(central nervous system, cns)与血液及血液中的物质隔离开来，从而维持cns稳态，并保护脑部组织免受代谢产物损伤。cns相关疾病的发生、发展，以及跨血脑屏障进行药物递送对cns疾病的治疗都与血脑屏障密切相关。因此，小分子血脑屏障通透性的预测对cns疾病治疗药物的研发具有重要意义。
课题组基于多模态深度学习策略，利用分子图像、分子指纹和分子描述符、smiles文本对小分子进行表征，使用卷积神经网络和长短期记忆网络提取图像和smiles字符串中的潜在特征，并与分子指纹以及分子描述符进行特征整合，基于卷积神经网络开发了识别小分子血脑屏障通透性的生物信息学发方法deep-b3。
图1 deep-b3模型架构
为了对模型进行可解释性分析，课题组还利用注意力机制分析了deep-b3中输入特征的重要性。发现来自morgan分子指纹的第22、754、397-bit位的特征对小分子能否穿过血脑屏障具有重要决定性作用。独立测试集和中药小分子集中的验证结果均表明，deep-b3的预测性能明显优于现有方法。deep-b3将有助于具有血脑屏障透过性的小分子的筛选。
图2 deep-b3网站页面及结果展示
成都中医药大学基础医学院博士研究生唐强为本文的第一作者，陈伟教授为本论文的通讯作者。本工作得到了成都中医药大学中医药创新研究院高性能计算平台的算力支持。
论文链接：
（供稿：中医药创新研究院/交叉学科研究院）