B3clf 重采样分类与外部标签评价
将 4 种分类算法与 6 种采样策略组合，以分子描述符预测血脑屏障通透标签，分别评价交叉验证和外部标签测试。
用途与模型
- 研究用途
- 小分子脑药物早期筛选及类别不平衡条件下的算法比较。
- 模型与细胞来源
- B3DB 初始 7,807 种分子，筛选带电/三维结构失败后 7,407 种（4,855 阳性/2,552 阴性），PaDEL 阶段另去除 5 种不兼容分子。外部数据 175 种（171 阳性/4 阴性），剔除与 B3DB 重叠及单原子物种。
- 方法版本
- 2025 年 ChemRxiv v1 预印本
- 实验形式
- 决策树、k 近邻、逻辑回归、极端梯度提升（XGBoost）分别与不重采样、随机欠采样、合成少数类过采样（SMOTE）及边界/聚类变体、自适应合成采样（ADASYN）组合，共 24 种分类流程。
材料与平台
- 结构与特征
- 有可用 PubChem 编号时读取坐标，否则由线性分子结构字符串（SMILES）生成；OpenBabel/MMFF94s 优化，最多 10,000 次迭代。PaDEL 计算 1,875 描述符，包含 431 个三维特征；去除非有限值、绝对值超过 100,000 及常量特征，再按 Pearson 相关系数 0.8 阈值筛除高度相关特征，保留 475 个。
- 数据划分与搜索
- 第一轮分层 10 折每折 90% 训练、5% 测试、5% 验证；仅训练部分重采样。Hyperopt 以树结构 Parzen 估计搜索超参数，得到 10 组。第二轮分层 10 折以 90% 训练、10% 评价比较这些参数，选择最低误差组。
- 外部标签与输出
- 外部 175 分子来自中枢药物、H1 抗组胺药及因 BBB 通透较差停止开发的化合物；结构优化/特征计算与 B3DB 一致。程序接受结构文件或 SMILES，输出通透标签与概率。
测量指标与分析
- 受试者工作特征曲线下面积（ROC-AUC）
- 敏感度与特异度
- 准确率与 F1 分数
- 平均精确率 AP
- Matthews 相关系数
- 预测标签与概率
交叉验证先搜索再比较超参数，随后在作者另行整理且无 B3DB 分子重叠的标签集合评价；算法/采样组合按多项指标比较，交叉验证与外部指标各按对应数据集和类别组成解释。
研究设计与结果
训练集与交叉验证；药物集评价
- 研究设计
- 4 算法×6 策略经过 2 轮分层 10 折及超参数搜索，比较各项分类指标。
- 测试范围
- B3DB 按分子结构/特征兼容性筛选后的数据。
- 参照体系
- 24 种算法—采样组合及各算法不重采样版本。
- 研究结果
- XGBoost–ADASYN 交叉验证 ROC-AUC 为 0.9585 ± 0.0048、敏感度 0.9275±0.0121、特异度 0.8233±0.0180、准确率 0.8916±0.0083；采样收益随算法/指标改变。
适用条件与研究局限
- 超参数选择与交叉验证均基于同一 B3DB 来源，外部测试单独解释。
- 原始标签来自不同实验条件，数据噪声和化学空间覆盖仍有限。
训练集与交叉验证；药物集评价
- 研究设计
- 在新整理的 175 种外部化合物标签上比较 B3clf 组合及 6 项既有模型。
- 测试范围
- 175 种化合物：171 通透阳性、4 阴性，无 B3DB 分子重叠。
- 参照体系
- 各组合及作者所比较的 6 项既有模型。
- 研究结果
- XGBoost–ADASYN：AP 为 0.9993、准确率 0.9086、敏感度 0.9064、特异度 1.0；决策树–边界 SMOTE：AP 为 0.9997、准确率 0.8114。
适用条件与研究局限
- 仅 4 个阴性，特异度和排序指标需连同类别分布解释。
- 作者指出既有比较模型可能含 40–60 个外部分子的训练重叠，模型间结果需连同训练资料解释。
- 概率阈值未优化，仍需更多一致测量和阴性数据。
- ChemRxiv v1 预印本，尚未经过同行评审。
来源与原文
- B3clf: A Resampling-Integrated Machine Learning Framework to Predict Blood-Brain Barrier Permeability原始研究 · ChemRxiv · 2025-08-20