基于图神经网络的药物血浆蛋白结合率预测结题报告.docVIP

基于图神经网络的药物血浆蛋白结合率预测结题报告

一、研究背景与问题提出

药物血浆蛋白结合率（PlasmaProteinBindingRate,PPBR）是指药物进入血液循环后，与血浆蛋白结合的药物浓度占总药物浓度的比例，是药物代谢动力学领域的关键参数之一。它直接影响药物在体内的分布、代谢、排泄以及药效发挥，对于药物研发、临床用药方案制定具有重要指导意义。

在传统药物研发流程中，PPBR的测定主要依赖体外实验，如平衡透析法、超滤法等。这些方法虽然准确性较高，但存在操作复杂、耗时久、成本高的缺点，且受实验条件、样本质量等因素影响较大。一个候选药物从体外实验到获得可靠的PPBR数据，往往需要数周甚至数月时间，这在一定程度上延缓了药物研发进程，增加了研发成本。

随着计算机辅助药物设计（Computer-AidedDrugDesign,CADD）技术的发展，基于机器学习的PPBR预测模型逐渐成为研究热点。早期的机器学习模型，如支持向量机（SVM）、随机森林（RF）等，主要基于药物的二维分子描述符进行建模。然而，这些模型无法有效捕捉药物分子的三维空间结构信息以及分子间的相互作用关系，导致预测精度难以满足实际需求。

图神经网络（GraphNeuralNetwork,GNN）作为一种新兴的深度学习模型，能够以图结构的形式对分子进行建模，将原子视为节点，化学键视为边，从而有效捕捉