Drug Discovery SMILES-to-Pharmacokinetics Diffusion Models with Deep Molecular Understanding

人工智能（AI）在药物开发的各个阶段中越来越被广泛使用。药物发现AI面临的一个挑战是药物药代动力学（PK）数据通常是相互独立收集的，通常存在有限的重叠，从而创建数据重叠稀疏性。数据稀疏性使得数据整理对于研究人员来说在多药物疗法、药物组合研究和高通量筛选中寻求研究问题变得困难。我们提出了Imagand，一种新颖的SMILES到药代动力学（S2PK）扩散模型，能够在SMILES输入的条件下生成一系列PK目标属性。我们展示了Imagand生成的合成PK数据与真实数据的单变量和双变量分布非常相似，并且提高了下游任务的性能。Imagand是数据重叠稀疏性的一个有前途的解决方案，使研究人员能够有效地生成配体PK数据，用于药物发现研究。代码可在 \url{https://github.com/bing1100/Imagand} 上找到。

解决问题：论文试图解决药物发现中数据稀疏性问题，提出一种SMILES-to-Pharmacokinetic (S2PK)扩散模型，用于生成药代动力学（PK）数据。

关键思路：提出一种新的S2PK扩散模型，可以根据SMILES输入生成一系列PK目标属性，以解决数据稀疏性问题。

其他亮点：实验表明，Imagand生成的PK数据与真实数据的单变量和双变量分布非常相似，并且可以提高下游任务的性能。研究者可以使用该模型有效地生成药物发现研究中的配体PK数据。开源代码可在GitHub上找到。

相关研究：最近的相关研究包括使用深度学习模型生成化合物和蛋白质的PK数据，如“DeepPKPred:深度神经网络用于药物药代动力学的预测”。