基于图注意力的药物清除率预测结题报告.docVIP

基于图注意力的药物清除率预测结题报告

一、研究背景与问题提出

药物清除率（Clearance,CL）是评估药物体内代谢动力学特征的核心参数之一，它直接反映了机体消除药物的能力，与药物的剂量设计、给药间隔制定以及毒副作用风险密切相关。精准预测药物清除率，能够在药物研发早期阶段筛选出具有良好代谢特性的候选化合物，大幅降低后期临床试验的失败率，缩短研发周期并节约成本。

传统的药物清除率预测方法主要依赖体外实验和基于结构的定量构效关系（QSAR）模型。体外实验如肝微粒体孵育、肝细胞培养等，虽然能在一定程度上模拟体内代谢过程，但存在实验周期长、成本高、无法完全复现体内复杂生理环境等局限性。QSAR模型则多基于分子的二维结构描述符，难以捕捉药物分子与生物大分子之间的三维相互作用以及代谢过程中的动态变化，预测精度往往难以满足实际研发需求。

随着人工智能技术在药物研发领域的渗透，基于深度学习的方法逐渐成为药物性质预测的研究热点。图神经网络（GNN）作为一种能够有效处理非结构化图数据的深度学习框架，为药物分子的结构表征提供了新的思路。药物分子天然具有图结构，原子可视为节点，化学键可视为边，图神经网络能够通过消息传递机制学习分子的局部和全局结构特征。然而，传统图神经网络在处理分子图时，对不同节点的重要性区分能力不足，无法精准捕捉药物分子中与代谢相关的关键结构片段。

图注意力网络（GAT）作为图神经网