近日，广东工业大学生物医药学院周渭副教授和杜志云教授，联合我校计算机学院苏庆教授团队，在国际著名期刊《Journal of Medicinal Chemistry》（医学一区TOP，IF：6.8）上发表了题为“QSAR Prediction of BBB Permeability Based on Machine Learning upon PETBD a Novel Dataset of PET Tracers”的研究论文，并选为该期封面文章。我校为论文第一单位，周渭副教授和杜志云教授为论文共同通讯作者。

该研究通过构建全球首套基于PET示踪剂的多器官药代动力学开源数据集（PETBD），开发出一系列高精度机器学习模型，不仅在血脑屏障（BBB）通透性预测上达到国际领先水平，更在业内首次实现了对脑内药物绝对浓度的定量预测。

血脑屏障通透性是决定中枢神经系统药物研发成败的核心指标，长期以来，评价药物穿透血脑屏障（BBB）的能力是中枢神经系统药物开发中最具挑战性的环节。虽然学术界已建立多种计算模型，但现有模型大多局限于“能否穿透”的二元分类评价，且受限于实验数据来源杂乱、标准不一等痛点，导致定量预测模型的泛化能力普遍不足。针对这一领域长期存在的异质性瓶颈，研究团队创新性地借鉴了正电子发射断层扫描（PET）示踪剂体内研究的高度标准化流程（SOPs），通过对上万篇科研文献的系统梳理与严苛筛选，团队成功挖掘并整合了1056种小分子PET示踪剂在14个典型器官中的时间分辨率分布数据，构建了迄今为止质量最高、标准最统一的多器官药代动力学开源数据集PETBD。

该项研究的核心亮点在于实现了从“定性分类”到“定量预测”的技术跨越。依托PETBD数据集，团队采用了多种前沿机器学习算法（如XGBoost、随机森林等）构建定量构效关系模型，不仅在衡量脑血浓度比的logBB预测中达到了业界领先水平（R² = 0.770），更在全球范围内首次提出了对脑内绝对药物浓度（C_brain）的定量预测框架。这一突破意味着科研人员在药物开发的早期阶段，无需进行昂贵的活体实验，即可直接估算药物进入大脑的精确含量，从而为有效给药剂量的设定提供坚实的数据支持。

此外，为了打通从计算机模拟到临床应用的“最后一公里”，研究团队进一步提出了将模型预测结果直接转换为临床常用评价指标——标准摄取值（SUV）的计算框架，该模型可以直接指导新型PET示踪剂的分子设计与性能预判。同时，团队利用SHAP解释性分析深入揭示了分子物理化学特征对跨屏障转运的内在贡献权重，为药物分子的结构优化提供了极具科学价值的“导航”地图。

为了验证模型的泛用性，团队利用外部权威数据库B3DB以及来自医院的PET研究中心制备的6种PET示踪剂进行了严密的实验验证，干湿实验结合的研究结果证明模型具有优异的泛化能力。该研究标志着广东工业大学在“人工智能+医药”交叉领域取得了实质性突破，不仅为药物高通量虚拟筛选、临床前实验设计提供了更精准的指导，也为核医药学领域示踪剂的精准设计提供了全新的范式。

本研究由广东工业大学、南方医科大学附属第十医院、暨南大学附属第一医院以及智慧芽信息科技（苏州）有限公司等多方科研力量协作完成。项目得到了国家自然科学基金的资助支持。目前，PETBD数据集及相关模型已向全球科研界公开发布。

论文链接：https://doi.org/10.1021/acs.jmedchem.5c01791

PETBD数据集链接：https://github.com/GDUT-Computer-Medical-Science-Team/PETBD-QSAR/