LSTM生成与机器学习辅助筛选CepI靶向候选物:针对新洋葱伯克霍尔德菌

化学 2026-11-20 21 阅读

Frontiers in Cellular and Infection Microbiology · 2026-11-18 · 期刊论文

  • 一句话结论:作者构建了结合LSTM分子生成、机器学习辅助药物重定位与结构验证的框架,用于优先筛选靶向CepI的抗毒力候选物;Extra Trees模型交叉验证ROC-AUC达0.992,提示该计算流程具备较强的分类区分能力,但仅为计算预测,尚不足以支持实验有效性结论。
  • 研究设计与做法:研究为计算药物发现类工作:采用随机SMILES增强与LSTM分子生成,结合机器学习辅助重定位;以10折交叉验证评估模型,并用scaffold-aware、y随机化、来源对照与跨来源分析检验稳健性;随后对DrugBank库筛选,经适用域评估后进入对接、MM-GBSA、ADMET与三次分子动力学模拟。
  • 主要结果:Extra Trees模型10折交叉验证ROC-AUC为0.992±0.025;100次y随机化平均ROC-AUC为0.481±0.084(最大0.559),与原模型0.99比较p=0.0099。结合活性概率阈值与适用域标准后,DrugBank筛选集缩小至115个化合物;DB12364(betrixaban)被优先提出。
  • 机制或解释:作者解释:随机标签下接近随机的表现提示分类信号并非简单偶然;来源对照分析提示信号不能仅由文献与LSTM来源标签解释,但残余来源与化学空间偏倚不能完全排除。
  • 局限与边界:局限包括:结果均为计算预测,材料未报告湿实验验证;残余来源偏倚与化学空间偏倚不能完全排除;适用域外推风险、分子动力学模拟次数有限(三次);利益冲突与资助信息材料未报告。
  • 可否落地:落地含义:DB12364被提出作为可优先进入实验评估的计算候选物,属提示性证据;对CepI靶向抗毒力策略的实际价值不足以下结论,需体外/体内实验验证。

🔗 打开原文

Vijayavidhya Magizhvannan, Shanthi Veerappapillai


本文摘自《每日前沿研究简报 · 2026-11-20》「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。

评论 共 0 条

暂无评论

微信小程序

微信扫一扫体验

立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部