基于图卷积神经网络（GCN）的深度学习血脑屏障（BBB）通透性药物分析：为中枢神经系统（CNS）靶向药物研发开辟新路径

《The AAPS Journal》：GCN-BBB: Deep Learning Blood-Brain Barrier (BBB) Permeability PharmacoAnalytics with Graph Convolutional Neural (GCN) Network

为解决血脑屏障（BBB）通透性实验成本高、通量低的问题，研究人员开展了利用图卷积神经网络（GNNs）预测 BBB 通透性的研究。结果显示，GCN_2 模型表现出色，该研究成果可用于新药研发的初始筛选阶段。

　　血脑屏障（Blood-Brain Barrier，BBB）是中枢神经系统（Central Nervous System，CNS）与外周系统之间的选择性屏障，它调控着分子的分布。BBB 的通透性在中枢神经系统靶向药物开发中至关重要，比如在胶质母细胞瘤相关药物的研发上。此外，还有许多中枢神经系统疾病仍面临巨大挑战，像阿尔茨海默病（Alzheimer’s Disease，AD）这类神经障碍疾病以及药物滥用问题。相反，为避免中枢神经系统脱靶的精神药物效应，还需要不能穿过 BBB 的大麻素类药物。测量 BBB 通透性的体外（In vitro）和体内（In vivo）实验成本高昂且通量较低。计算药物分析建模，尤其是利用深度学习图神经网络（Graph Neural Networks，GNNs），提供了一种很有前景的替代方法。GNNs 擅长捕捉基于图的信息中的复杂关系，比如小分子结构。在这项研究中，研究人员利用药物的图表示开发了用于预测 BBB 通透性的 GNNs 模型。研究人员将 GNNs 与其他使用分子指纹或理化描述符的算法进行比较。在包含 1924 个分子的数据集上，表现最佳的 GNNs 模型 —— 使用归一化拉普拉斯矩阵的卷积图神经网络（GCN_2），达到了 0.94 的精度、0.96 的召回率、0.95 的 F1 分数和 0.77 的马修斯相关系数（Matthews Correlation Coefficient，MCC）。这一结果优于其他使用分子指纹的机器学习算法。研究结果表明，小分子的图表示与 GNNs 架构相结合，在高精度和高召回率地预测 BBB 通透性方面非常有效。所开发的 GNNs 模型可用于新药开发的初始筛选阶段。