通路驱动的机器学习与虚拟筛选框架识别抗类风湿关节炎天然小分子

Pharmaceuticals · 2026-10-19 · 期刊论文

• 一句话结论：结论：研究构建了整合机器学习、靶点优选与虚拟筛选的通路驱动框架，将补体与凝血级联及C3AR1列为候选，并优先推荐天然化合物SM1；但外部验证判别力有限，整体属「提示」层面，证据档位为C。
• 研究设计与做法：设计与做法：纳入16个RA相关GEO数据集，15个队列用于建模、1个留作独立外部验证；以GSVA量化通路特征，在7种机器学习算法下采用留一数据集框架做队列感知特征选择，结合SHAP、随机效应荟萃分析与网络分析优选靶点，再用分子对接、配体效率、多打分策略、显式膜分子动力学模拟及TNF-α诱导MH7A炎症模型评估候选化合物。
• 主要结果：主要结果：识别出10条稳定的RA相关通路；最终CAT+ET模型内部验证ROC-AUC为0.783（95% CI 0.731–0.836），独立外部验证为0.610（95% CI 0.496–0.720），提示跨队列泛化能力有限；虚拟筛选得到SM1–SM4四个候选，SM1在TNF-α刺激的MH7A细胞中IL6与MMP3降低相对一致，并伴C3AR1表达变化。
• 机制或解释：机制或解释：作者以SHAP与跨队列分析支持补体与凝血级联作为下游研究方向，整合表达与网络证据将C3AR1列为候选靶点；SM1的作用被解释为与C3AR1表达变化相关，但具体分子机制未讨论。
• 局限与边界：局限与边界：外部验证AUC仅0.610、置信区间跨0.5，跨队列泛化有限；体外实验仅用MH7A单细胞模型、缺乏动物与临床验证；化合物活性仅为相对一致的变化，未报告效应量与统计检验细节；利益冲突材料未报告。
• 可否落地：可否落地：该框架对RA通路层面靶点优选与天然产物筛选有方法学提示意义，SM1可作为后续研究候选；但证据档位为C，属「提示」，尚不足以下结论认为其具备抗RA疗效，需独立实验与体内验证。

🔗 打开原文

Jijia Sun, Yuezhen Wang, Hong Ye 等

本文摘自《每日前沿研究简报 · 2026-10-21》「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。