机器学习辅助发现选择性CK2抑制剂并降低CDK脱靶活性

Communications Chemistry · 2026-11-07 · 期刊论文

• 一句话结论：结论方向：作者报告一条机器学习辅助发现流程可产出亚微摩尔级、对CK2更选择性的变构抑制剂，并降低CDK家族脱靶风险；预测流程命中率达90%，但尚缺临床验证，属「提示」级证据。
• 研究设计与做法：设计为计算与药物流行病学相结合的方法学研究：构建ML辅助发现管线，将标准分子对接、CDK风险过滤与误差预测模型组合；材料未报告受试者样本量、随访时长及湿实验验证规模。
• 主要结果：主要结果：预测管线命中率90%；所得化合物对CK2达亚微摩尔抑制；药效流行病学分析提示靶向CDK1/2/7/9的小分子（含既有CK2抑制剂）不良效应或临床试验失败风险更高；具体效应量与置信区间材料未报告。
• 机制或解释：作者解释：既有CK2抑制剂因CDK家族脱靶带来剂量限制毒性，故在设计中引入CDK风险过滤与误差预测，以实现更特异的在靶结合与更优脱靶谱。
• 局限与边界：局限与边界：以计算预测为主，湿实验验证需求虽被降低但未消除；材料未报告动物模型、临床数据、单中心或多中心信息及利益冲突。
• 可否落地：可否落地：对早期药物发现具方法学参考价值，可减少后续湿实验负担；因缺乏体内与临床验证，属「提示」级，尚不足以下结论。

🔗 打开原文

Huiyan Ying, Weikaixin Kong, Aron Schulman 等

本文摘自《每日前沿研究简报 · 2026-11-09》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。