机器学习用于植物抗癌化合物发现及机制解析的综述

Journal of computer-aided molecular design · 2026-10-01 · 综述

• 一句话结论：该综述系统梳理植物来源抗癌化合物及机器学习在活性预测、候选优选与机制研究中的应用，提示机器学习可加速该领域发现流程，但受数据异质性与天然产物结构复杂性制约，尚不足以下结论认为其已可替代实验。
• 研究设计与做法：研究类型为综述，非原始实验；系统总结了植物来源天然抗癌化合物、机器学习在生物活性预测、候选化合物优选与机制探究中的应用，并比较植物来源抗癌化合物与FDA批准抗癌药物中官能团的分布与共现模式，样本量与随访时长不适用。
• 主要结果：综述提及支持向量机（SVM）与图神经网络（GNN）等算法被越来越多地用于从化合物筛选到实验引导机制研究的多个阶段；未报告具体效应量、置信区间或p值等定量结果。
• 机制或解释：作者指出机器学习为生物活性预测、候选优选与机制假设生成提供计算途径，可弥补传统方法耗时费力的不足；同时强调数据异质性与天然产物结构复杂性仍是主要挑战。
• 局限与边界：局限包括：作为综述，结论依赖所纳入研究的质量与异质性，未提供原始数据验证；植物化合物与FDA药物官能团比较的具体方法与统计口径材料未报告，利益冲突信息亦未报告。
• 可否落地：落地含义属提示档位：机器学习可作为植物抗癌化合物发现与机制假设生成的辅助工具，但需实验验证；目前证据不足以支持其单独用于药物开发决策，具体应用流程与验证标准材料未报告。

🔗 打开原文

Zhang C, Jiang S, Li Y 等

本文摘自《每日前沿研究简报 · 2026-10-03》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。