Prediction of ADMET properties with machine learning: a trustworthy and explainable approach

Abstract

Els problemes d'eficàcia i seguretat relacionats amb les qualitats d'absorció, distribució, metabolisme, excreció (ADME) i toxicitats diferents (T) són causes importants de falles en el desenvolupament de fàrmacs. Per tant, fer una anàlisi ADMET a temps és fonamental. La capacitat de predir aquestes característiques de forma ràpida i precisa permet als investigadors eliminar compostos que poden presentar problemes amb ADMET. Donada la gran complexitat del model actual de recerca i desenvolupament, s'han buscat metodologies de modelatge molecular per trobar patrons a les dades ADMET i convertir-les en coneixement. En aquest projecte, hem generat i validat models per predir les propietats d'ADMET i determinar-ne el domini d'aplicabilitat i l'explicabilitat.

Los problemas de eficacia y seguridad relacionados con las cualidades de absorción, distribución, metabolismo, excreción (ADME) y diferentes toxicidades (T) son causas importantes de fallas en el desarrollo de fármacos. Por lo tanto, realizar un análisis ADMET a tiempo es fundamental. La capacidad de predecir estas características de forma rápida y precisa permite a los investigadores eliminar compuestos que pueden presentar problemas con ADMET. Dada la tremenda complejidad del modelo actual de investigación y desarrollo, se han buscado metodologías de modelado molecular para encontrar patrones en los datos ADMET y convertirlos en conocimiento. En este proyecto, hemos generado y validado modelos para predecir las propiedades de ADMET y determinar el dominio de aplicabilidad y la explicabilidad de dichos modelos.

Efficacy and safety issues linked to absorption, distribution, metabolism, excretion (ADME) qualities, and different toxicities (T), are significant causes of drug development failures. Therefore, conducting an ADMET analysis on time is critical. The ability to predict these features quickly and accurately allows researchers to eliminate compounds that may present problems with ADMET. Given the current research and development model’s tremendous complexity, molecular modeling methodologies to find patterns in ADMET data and convert them into knowledge have been pursued. In this project, we have generated and validated models to predict ADMET properties and determine the realm of applicability domain and explainability of such models.