ADMET 预测特征与药物心脏毒性分类
根据分子结构预测 ADMET 性质，再用 XGB 区分药物的心脏毒性关注类别，并解释特征贡献。
用途与模型
- 研究用途
- 研究药物心脏毒性分类，以及 ADMET 预测特征对分类结果的贡献。
- 模型与细胞来源
- ADMET-AI 根据分子结构预测吸收、分布、代谢、排泄与毒性（ADMET）性质，再用极端梯度提升（Extreme Gradient Boosting，XGB）模型分类；标签来自 DICTrank 药物心脏毒性数据集。
- 方法版本
- 2025 年 555 种 DICTrank 药物、41 项 ADMET-AI 预测与 XGB 分类版本
- 实验形式
- 555 种药物：293 种最需关注、262 种无需关注；每种药物使用 41 项性质预测。
材料与平台
- 药物与标签
- 选择 DICTrank 的最需关注和无需关注类别，不纳入其他级别作同一二分类标签。
- 预测与分类
- ADMET-AI 输出 41 项性质预测，以这些数值训练 XGB；另以 SwissADME 预测训练 XGB 作参照。
- 评估与解释
- 按分子骨架划分，每轮 80% 训练、20% 测试，共 10 轮；比较 ROC-AUC/PR-AUC，并用 Shapley 值、4 特征 t-SNE 及雷达图分析。
测量指标与分析
- 心脏毒性高关注类别概率
- ROC-AUC 与 PR-AUC
- 各预测特征的 Shapley 贡献
按 10 轮测试平均曲线下面积；保持 XGB 分类器，比较 ADMET-AI 与 SwissADME 输入；以 Shapley 值分析分类特征贡献。
研究设计与结果
训练集与交叉验证
- 研究设计
- 对按分子骨架划分的药物作重复训练/测试，比较两套性质预测输入。
- 测试范围
- 555 种药物，10 轮划分；标签来自既有 DICTrank 资料。
- 参照体系
- SwissADME 预测输入的 XGB 分类器。
- 研究结果
- ADMET-AI 输入平均 ROC-AUC 0.72、PR-AUC 0.75；SwissADME 输入分别为 0.67 和 0.69。
适用条件与研究局限
- 原文称十折交叉验证，同时将每轮训练/测试比例写为 80%/20%。
- 评估范围为 DICTrank 选定类别与当前分子骨架划分。
- 输入为预测性质，Shapley 贡献用于解释分类。
来源与原文
- ADMET-AI Enables Interpretable Predictions of Drug-induced Cardiotoxicity原始研究 · Circulation · 2025-01-21