Эффективность нейронных сетей глубокого обучения в прогнозировании анксиолитической и офтальмотоксической активностей химических соединений
Журнал: Волгоградский научно-медицинский журнал @bulletin-volgmed
Статья в выпуске: 3 т.23, 2026 года.
Бесплатный доступ
Проведенное исследование направлено на экспериментальную проверку точности модели с архитектурой искусственной нейронной сети глубокого обучения (ИНСГО) на основе корреляционных сверток спектров энергий множественного докинга (КССЭМД), предназначенной для направленного поиска анксиолитических соединений с учетом сложных взаимосвязей между биологическими мишенями, а также модели ИНСГО для прогноза офтальмотоксичности на основе совокупности физико-химических характеристик молекул. Предложенная архитектура ИНСГО была использована для моделирования двух разных видов биологической активности химических соединений, фармакологической анксиолитической и токсикологической офтальмотоксической, что демонстрирует универсальность указанной методологии и ее применимость в различных задачах по доклиническим исследованиям лекарственных веществ. Цель. Валидировать модель прогноза анксиолитической активности на основе мультитаргетной сверточной ИНСГО, а также построить ИНСГО для прогнозирования офтальмотоксичности с использованием физико-химических параметров. Материалы и методы. Для построения модели анксиолитической активности использовались данные множественного молекулярного докинга. Обучение нейросетей проводилось с использованием библиотеки PyTorch. Для экспериментальной валидации в тесте «Открытое поле» на белых беспородных мышах-самцах было взято 18 производных адамантана. Дополнительно также с помощью PyTorch разработана модель офтальмотоксичности, использующая 15 физико-химических дескрипторов при аналогичной архитектуре нейросети. Результаты и обсуждение. По результатам компьютерного прогноза 4 из 18 соединений были классифицированы как обладающие выраженной анксиолитической активностью. Экспериментальные исследования подтверждают данные in silico: три из четырех активных по прогнозу соединения продемонстрировали статистически значимое отличие параметров, ассоциированных с тревогоподобным поведением, от группы контроля, тогда как неактивные по прогнозу не показали значимых эффектов. Совпадение результатов in silico и in vivo свидетельствует о высокой предсказательной способности модели и эффективности учета мультитаргетного взаимодействия. Модель для прогноза офтальмотоксичности имеет достаточно высокие показатели точности в автотестировании и будет в дальнейшем также испытана в прогнозе активности химических соединений с последующей экспериментальной проверкой. Заключение. Разработанная модель с архитектурой ИНСГО на основе КССЭМД обеспечивает точный прогноз анксиолитической активности химических соединений, что подтверждено экспериментально. Показано, что используемая архитектура нейросети обладает универсальностью и может применяться как для анализа данных молекулярного докинга, так и для обработки физико-химических параметров. Полученные результаты демонстрируют перспективность использования технологии ИНСГО, в том числе сверточных, для оптимизации ранних этапов поиска лекарственных веществ.
Короткий адрес: https://sciup.org/142248774
IDS: 142248774 | УДК: 615.015.11:544.165:575.112:[004.032.26+004.852+544.187.2] | DOI: 10.19163/2658-4514-2026-23-3-35-41
Efficiency of deep learning neural networks in predicting anxiolytic and ophthalmotoxic activities of chemical compounds
The study aimed to experimentally validate the accuracy of a model with architecture of artificial neural network of deep learning (ANNDL) based on convolutions of multiple energy docking spectra. This model is constructed for the direct search for anxiolytic compounds taking into account the complex relationships between biological targets. In addition, we created a ANNDL model to predict ophthalmotoxicity based on a set of physicochemical characteristics of molecules. The proposed ANNDL architecture was used to model two different types of biological activity of chemical compounds: pharmacological anxiolytic and toxicological ophthalmotoxic. This demonstrates the versatility of this methodology and its applicability to various preclinical drug trials. Purpose: The aim of the study was to validate a model for predicting anxiolytic activity based on a multitarget ANNDL and to construct a ANNDL for predicting ophthalmotoxicity using physicochemical characteristics. Materials and methods: We used multiple molecular docking data to construct a model of anxiolytic activity. Neural networks were trained using the PyTorch library. Eighteen adamantane derivatives were selected for experimental validation in the Open Field test on white outbred male mice. Additionally, an ophthalmotoxicity model was developed using PyTorch, utilizing 15 physicochemical descriptors with a similar neural network architecture. Results and discussion: Based on the computer prediction, four of the 18 compounds were classified as possessing pronounced anxiolytic activity. Experimental studies confirm the in silico data: three of the four predicted active compounds demonstrated statistically significant differences in parameters associated with anxiety-like behavior compared to the control group, while the predicted inactive compounds showed no significant effects. The agreement between the in silico and in vivo results demonstrates the high predictive power of the model and the effectiveness of accounting for multitarget interactions. The ophthalmotoxicity prediction model demonstrated a relatively high accuracy rate in automated testing and will be further tested in predicting the activity of chemical compounds, followed by experimental verification. Conclusion: The developed ANNDL model based on correlation convolutions of multiple docking energy spectra provides an accurate prediction of the anxiolytic activity of chemical compounds, as confirmed experimentally. The neural network architecture used is shown to be versatile and can be applied both to molecular docking data analysis and to processing physicochemical parameters. The obtained results demonstrate the potential of using ANNDL technology, including convolutional networks, to optimize the early stages of drug discovery.
Текст научной статьи Эффективность нейронных сетей глубокого обучения в прогнозировании анксиолитической и офтальмотоксической активностей химических соединений
doi:
ORIGINAL ARTICLE doi:
Funding: The work was performed within the framework of the state task of the Ministry of Health of the Russian Federation No. 23022400009-9 "Development of a methodology for computer search for multi-target pharmacologically active compounds based on multiple docking and convolutional neural network technology of various architectures".
Применение методов машинного обучения в поиске лекарственных веществ охватывает широкий спектр задач от виртуального скрининга и оптимизации соединений-лидеров до прогноза фармакокинетических и токсикологических свойств. Ключевой технологией в машинном обучении являются искусственные нейронные сети (ИНС), способные аппроксимировать сложные нелинейные зависимости между структурой химических соединений и их биологической активностью [1].
Отдельными проблемами при построении нейросетевых моделей для поиска in silico лекарственных соединений являются мультитар-гетный характер действия фармакологически активных веществ и ограниченный размер исходных выборок, которые могут быть использованы при обучении нейросетей [2]. Анксиолитическая активность лекарственных средств формируется в результате сложного взаимодействия химического вещества с рядом белков-мишеней центральной нервной системы. В этой связи применение методов молекулярного докинга к множеству белков позволяет сформировать интегральное описание аффинности соединения, что, однако, приводит к значительному увеличению размерности входных данных. Эффективная обработка таких данных требует разработки специализированных архитектур нейросетей, способных учитывать взаимосвязи между различными мишенями.
Наряду с прогнозированием фармакологической активности, важной задачей современного компьютерного дизайна лекарственных средств является оценка их потенциальной токсичности, в том числе офтальмотоксичности. Повреждающее воздействие химических соединений на структуры глаза может быть обусловлено как специфическими механизмами взаимодействия с биомишенями, так и совокупностью физикохимических свойств молекул, определяющих их проникающую способность, распределение и накопление в тканях. В этой связи особый интерес представляет использование дескрипторов, отражающих фундаментальные характеристики соединений, таких как молекулярная масса, липофильность, полярная поверхность и параметры, связанные с образованием водородных связей. Применение нейросетевых методов для анализа подобных данных позволяет выявлять скрытые закономерности между физико-химическими параметрами и токсикологическими эффектами, формируя основу для построения универсальных прогностических моделей.
ЦЕЛЬ РАБОТЫ
Экспериментальная валидация модели с архитектурой искусственной нейронной сети
^Ж1 = -^E^h bgyj + <1 - yjMl - у, Г, где – выход модели.
Для оптимизации параметров модели 9 использовался по выбору один из двух алгоритмов, Adam или L-BFGS. Оптимизатор рассматривался как гиперпараметр модели и анализировался в рамках сравнительного эксперимента. Основной алгоритм обучения нейросетей реализован с помощью библиотеки PyTorch [5].
Качество обученной модели оценивалось на отложенной тестовой подвыборке с использованием стандартных метрик бинарной классификации, таких, как площадь под ROC-кривой AUCROC, глубокого обучения (ИНСГО) для прогноза анксиолитической активности химических соединений на основе корреляционных сверток спектров энергий множественного докинга (КССЭМД) в 22 релевантных белка-мишени, а также создание ИНСГО модели для прогноза офтальмотоксичности на основе набора физикохимических параметров.
МЕТОДИКА ИССЛЕДОВАНИЯ
В качестве исходных данных для построения модели анксиолитической активности использовались результаты молекулярного докинга для 22 релевантных белков-мишеней. Подробная методика построения ИНС, используемой в настоящем исследовании, приведена в работах [3, 4].
ИНСГО модель была реализована на основе архитектуры многослойного перцептрона с двумя скрытыми слоями. Для повышения устойчивости обучения нейронной сети и обеспечения сопоставимости энергетических признаков применялось стандартное нормирование значений каждого столбца входной матрицы на среднее и дисперсию.
Полный набор данных разделялся на обучающую, тестовую и валидационную выборки в фиксированной пропорции 70:15:15. В качестве активационных функций на скрытых нейронах использовались Identity, Exponential, Sigmoid, Tanh, ReLU, LeakyReLU . Для выходного слоя функцией активации всегда служила Softmax .
Обучение нейронной сети осуществлялось путем минимизации функции бинарной кроссэнтропии:
общая точность Acc , сензитивность Sens , специфичность Spec . Остановка обучения проводилась по минимуму функции потерь (1) при прогнозе независимой валидационной подвыборки. Основной метрикой сравнения моделей служила AUC ROC , как наиболее устойчивая к возможным колебаниям значений порога классификации.
Для валидации разработанной ИНСГО модели были взяты 18 новых производных адамантана. Экспериментальная проверка проводилась с использованием поведенческого теста
«Открытое поле» на белых беспородных мышах-самцах. Данный тест является стандартным методом оценки уровня тревожности и поисковой активности животных [6]. Лабораторные животные случайным образом разделялись на группы по 6 особей. Регистрировались следующие показатели: латентный период (время до выхода из центра установки); горизонтальная двигательная активность (число переходов между квадратами установки); число выходов в центр установки; общее время нахождения в центре установки; вертикальная двигательная активность (число вертикальных стоек); поисковая активность (число заглядываний в отверстия); число актов короткого и длительного груминга; число болюсов.
Перечисленные параметры позволяют судить о выраженности психотропного действия испытываемых веществ, а также предполагать наличие анксиолитического эффекта. Препаратом сравнения являлся диазепам (раствор в ампулах «Сибазон», 5 мг/мл, АО «Органика», Россия). Изучаемые вещества вводили животным внутрижелудочно в виде водного раствора в дозах, эквимолярных препарату сравнения, который вводился в дозе 1 мг/кг. В контрольной группе животным вводилась дистиллированная вода в объеме 0,1 мл на 10 г массы тела. После введения исследуемых соединений или дистиллированной воды животные до начала эксперимента выдерживались 30 мин. Животные содержались согласно правилам проведения доклинических исследований в РФ (ГОСТ 351.000.3-96 и 51000.4-96) и приказу МЗ и СР РФ от 23 августа 2010 г. № 708н «Об утверждении Правил лабораторной практики»; все условия соответствовали директивам 2010/63/EU Европейского Парламента и Совета Европейского Союза от 22.09.2010 г. по охране животных, используемых в научных целях. Выполнение экспериментов одобрено локальным этическим комитетом ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России, регистрационный номер IRB 00005839 IORG 0004900 (OHRP), справка № 2022/119 от 18.03.2022 г.
Дополнительно была разработана ИНСГО модель для прогноза офтальмотоксичности химических соединений. В отличие от модели анксиолитической активности, в данном случае в качестве входных нейронов использовались
15 физико-химических параметров, включая молекулярную массу, коэффициент распределения logP, площадь полярной поверхности TPSA, число доноров и акцепторов водородных связей, а также ряд других дескрипторов, рассчитанных в программе DruLiTo [7]. Архитектура нейросети для данной задачи была аналогична описанной выше, за исключением блока свертки, отсутствующего ввиду небольшой размерности пространства описания структуры химических соединений.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯИ ИХ ОБСУЖДЕНИЕ
Обучение ИНСГО осуществлялось с использованием стратегии полного перебора гиперпараметров. Процесс тренировки продолжался на протяжении 500 эпох на обучающей подвыборке с начальными значениями скорости обучения в диапазоне от 0,0001 до 0,1. Критерием остановки обучения служило достижение минимума функции потерь (1) на независимой ва-лидационной подвыборке.
Для прогноза анксиолитической активности была получена оптимальная нейронная сеть с архитектурой MLP 22-5-7-2, включающая полносвязные слои с функцией активации LeakyReLU на скрытых слоях и Softmax на выходном слое. В автотестировании найденная модель продемонстрировала следующие показатели точности: Acc = 68,3%; Sens = 53,6%; Spec = 77,5%; AUC ROC = 0,718. Архитектура полученной нейронной сети показана на рис. 1.
Результаты компьютерного прогноза новых соединений показали, что из 18 исследованных производных адамантана четыре, вероятно, обладают выраженной анксиолитической активностью. Структурные формулы перспективных по прогнозу соединений приведены на рис. 2.
Проведенные испытания in vivo в тесте «Открытое поле» продемонстрировали соответствие экспериментальных данных результатам нейросетевого прогноза для трех соединений.
Активные соединения вызывали появление внешнего фармакологического эффекта, статистически значимо отличного от контроля, что может служить признаком наличия возможного психотропного действия (рис. 3). В то же время соединения, предсказанные как неактивные, не показали значимых изменений поведенческих параметров по сравнению с контрольной группой.
Рис. 1. Архитектура ИНСГО на основе КССЭМД в 22 релевантные биомишени
Рис. 2. Структурные формулы производных адамантана:
а – sh-N2, R 1 = [2-CH(CH 3 ) 2 ]C 6 H 4 , R 2 = [2-CH(CH 3 ) 2 ]C 6 H 4 , R 3 = H; sh-N8, R 1 = C 6 H 5 , R 2 = NHC 6 H 5 , R 3 = H, аналогичный фрагмент в положении 3; б – sh-N19, R 1 = 4-NO 2 C 6 H 4 , R 2 = H; sh-N20, R 1 = 4-BrC 6 H 4 , R 2 = H
150q
Рис. 3. Показатели поведенческой активности исследуемых веществ в эквимолярных дозах (диазепам 1 мг/кг, в/ж), в тесте «Открытое поле» (M ± m); значимые отличия от контроля по U-критерию Манна – Уитни:
* – 0,05 > p ≥ 0,01; ** – 0,01 > p ≥ 0,001; *** – p < 0,001
Полученные результаты свидетельствуют о высокой предсказательной способности разработанной модели. Совпадение на 75 % данных компьютерного прогноза с экспериментальными данными указывает на то, что использование КССЭМД в множество биомишеней позволяет адекватно описывать сложные механизмы формирования системной фармакологической активности.
Разработанная архитектура сверточных ИНСГО для прогноза фармакологической активности химических соединений показала свою эффективность.
Использование двух скрытых слоев позволило достичь баланса между сложностью модели и ее обобщающей способностью в условиях ограниченных экспериментальных данных для обучения нейросетей. При этом универсальность архитектуры подтверждается возможностью ее применения не только к данным молекулярного докинга, но и к физикохимическим параметрам, как это было продемонстрировано на примере модели офтальмотоксичности.
Для моделирования офтальмотоксичности была сформирована выборка из 5 163 химических соединений, для которых были рассчитаны 15 физико-химических параметров, которые выступали в качестве входных нейронов. Всего было обработано 5163 • 15 = 77445 значений. Свертка этих параметров не проводилась.
Найденная для прогноза офтальмотоксичности оптимальная сеть имела архитектуру MLP 15-10-6-2, полносвязные слои с функцией активации LeakyReLU на скрытых слоях и Softmax на выходном слое. Автотестирование показало следующую точность этой нейросети: Acc = 72,9%; Sens = 84,0%; Spec = 63,2%; AUC roc = 0,812.
ЗАКЛЮЧЕНИЕ
-
1. Экспериментально валидирована ИНСГО модель для прогноза анксиолитической активности химических соединений на основе КССЭМД в 22 релевантные биомишени, продемонстрировавшая соответствие результатов in silico прогноза с данными биологических испытаний in vivo для 18 производных адамантана.
-
2. Создана ИНСГО модель для прогноза офтальмотоксичности, основанная на использовании совокупности физико-химических параметров, что подтверждает универсальность предложенной нейросетевой архитектуры и возможность ее применения для анализа разнородных типов входных данных.
-
3. Предложенный подход может быть использован в качестве эффективного инструмента для ранних этапов поиска лекарственных средств, обеспечивающего повышение точности компьютерного прогноза и сокращение временных и ресурсных затрат при отборе перспективных химических соединений с заданной фармакологической активностью.
