日前，成都中医药大学陈伟教授团队提出预测小分子血脑屏障通透性的新方法，相关研究成果以“基于分子表征的血脑屏障通透性预测模型”为题，发表于生物信息学领域国际权威期刊《生物信息学简报》。成都中医药大学博士研究生唐强为第一作者，陈伟教授为通讯作者。该项工作得到成都中医药大学中医药创新研究院高性能计算平台的算力支持。

血脑屏障是脑毛细血管壁与神经胶质细胞形成的血浆与脑细胞之间的隔离组织，能够将中枢神经系统（CNS）与血液及血液中的物质隔离开来。血脑屏障通过限制脑内外环境中的物质交换保护脑部组织免受代谢产物损伤，并调节着大脑的微环境和神经元的正常生理功能。

CNS疾病具有高发病率和高致残性的特点，严重威胁国民的生命健康。近年来，CNS疾病相关药物的研发成为医学领域关注的焦点。血脑屏障通透性是决定药物能否进入大脑，达到治疗作用的重要评价指标。因此，小分子血脑屏障通透性的预测对CNS疾病治疗药物的研发具有重要意义。

中草药是小分子药物的重要来源，许多中药均展现出了较好的CNS药理活性，并已被用于CNS疾病的治疗。然而，目前针对中药成分血脑屏障渗透性的研究相对缺乏，阻碍了源于中药的CNS疾病治疗药物的研发。通过实验方法确定小分子的血脑屏障通透性不仅过程复杂，而且时间和人力成本均较高。虽然基于机器学习方法的计算模型在评价血脑屏障渗透性方面具有高通量、低成本的优点，但现有方法存在预测准确率不高、模型缺乏可解释性等不足之处。

针对上述问题，陈伟教授研究团队基于多模态深度学习策略，利用分子图像、分子指纹和分子描述符、简化分子线性输入规范（SMILES）对小分子进行表征，使用卷积神经网络和长短期记忆网络提取图像和SMILES字符串中的潜在特征，并与分子指纹以及分子描述符进行特征整合，开发了可预测小分子血脑屏障通透性的新方法Deep-B3。

图1 Deep-B3模型架构

为了对模型进行可解释性分析，研究团队还利用注意力机制分析了Deep-B3中输入特征的重要性，发现来自摩根分子指纹的第22、754、397-bit位的特征对小分子血脑屏障的通透性具有重要的决定作用。经过独立测试集和中药小分子集中的验证结果均表明，Deep-B3不仅将有助于小分子血脑屏障通透性的评价，还有望促进治疗CNS疾病的中药药效物质发现。

图2 Deep-B3网站页面及结果展示

（文/成都中医药大学  孟繁博 编辑/霍文巍）