XAI-ACSM：一种基于集成模型的可解释人工智能框架，用于精准预测抗癌小分子

《ACS Omega》：XAI-ACSM: An Ensemble-Based Explainable Artificial Intelligence Framework for the Accurate Prediction of Anticancer Small Molecules

抗肿瘤小分子药物筛选中，本研究提出XAI-ACSM可解释AI框架，通过整合14种分子特征编码（包括CDK、Mol2Vec等）和5种机器学习算法构建70个基准模型，采用概率平均策略优化预测性能。实验表明，XAI-ACSM在独立测试中准确率（ACC）达0.826，特异性（SP）0.926，马修斯相关系数（MCC）0.666，较现有方法MLASM提升3.65%、9.60%和8.63%。结合分子对接验证，成功筛选出FDA批准药物（如Rimegepant、Ubrogepant）作为潜在ACSM，并通过SHAP分析揭示芳环、卤素取代等关键结构特征。

　　癌症仍然是全球范围内导致死亡的主要原因之一。根据2022年的数据，全球新发癌症病例估计达到2000万例，与癌症相关的死亡人数约为970万。预计到2050年，癌症的全球负担将显著增加，新增病例预计将达到3500万，比2022年增长77%。癌症的成因复杂，通常与异常细胞的不受控制增殖有关，这些细胞会侵犯健康组织并损害关键器官的功能。由于癌症的生物复杂性和异质性，其治疗面临诸多挑战，因此需要不断探索新的治疗策略。目前，化疗、放疗和免疫疗法仍然是临床肿瘤学中的主要手段，但这些方法常常导致系统性毒性、不良副作用以及药物耐受性的出现。因此，现代药物发现逐渐转向寻找具有更高特异性且毒性更低的新药。

小分子药物因其良好的药物特性，如口服生物利用度和全身疗效，逐渐成为抗肿瘤药物研究中的重要工具。相较于基于肽的治疗方式，小分子药物具有更高的稳定性、更好的生物利用度和更优的药代动力学特征。此外，小分子药物的药理作用通常更容易被理解，这使得它们在抗肿瘤药物研发中展现出广阔的应用前景。例如，已有多种小分子药物被批准用于靶向关键的生物学过程，如激酶信号传导、DNA损伤应答和细胞凋亡调控。因此，本研究聚焦于抗肿瘤小分子（ACSMs），旨在开发一种能够高效识别和表征这类药物的计算模型。

近年来，计算方法的引入彻底改变了抗肿瘤药物的发现过程。特别是在机器学习（ML）技术方面，其在加速小分子候选药物的识别和优化方面表现出显著成效。这些模型能够处理大规模的化学和生物学数据集，预测分子活性，从而优化药物研发流程。目前已有基于ML的预测工具MLASM，该模型使用了LightGBM算法，并基于510个经过筛选的1D和2D分子描述符进行训练。尽管MLASM在交叉验证和独立测试中分别达到了MCC值为0.54和0.58，其性能在实际应用中仍不够理想。

基于此，我们提出了一种新的基于集成学习的可解释人工智能（XAI）框架，称为XAI-ACSM。该模型专门用于通过SMILES表示识别和表征抗肿瘤小分子。XAI-ACSM的构建过程包括对五种流行的ML算法进行综合评估，并结合来自五种不同特征编码方案的14个分子描述符，构建了70个基础模型。随后，我们选取了表现最佳的基础模型，并通过概率平均策略进行整合，从而实现高精度的预测结果。交叉验证和独立测试的结果表明，XAI-ACSM在性能上优于其基础模型和现有方法。在独立测试数据集中，XAI-ACSM达到了82.6%的准确率、92.6%的特异性以及66.6%的MCC值，分别比现有方法高出3.65%、9.60%和8.63%。这表明XAI-ACSM在实际应用中具有显著的优势。

此外，XAI-ACSM被应用于筛选FDA批准的药物，以识别具有潜在抗肿瘤活性的候选药物。这些候选药物通过与最常见的癌症靶点进行分子对接分析，验证了其结合亲和力。XAI-ACSM不仅能够高效筛选大型化学库，识别潜在的抗肿瘤药物，还能帮助减少时间和资源成本。这一方法特别适用于那些现有表征有限的化合物，从而推动药物再利用的研究进展。

在方法学方面，本研究采用了相同的基准数据集，该数据集由Balaji等人建立，包含10000个化合物，其中5000个为抗肿瘤化合物（ACSMs），5000个为非抗肿瘤化合物。这些化合物来源于NCBI PubChem BioAssay数据库。为了评估模型的泛化能力，我们使用了ECFP4分子指纹计算了训练集与独立测试集之间的结构相似性，并通过Tanimoto相似性系数进行了分析。结果显示，训练集与独立测试集之间的结构重叠极小，仅0.08%的化合物对超过了0.4的相似性阈值，表明数据集的独立性良好，有助于更严格的模型性能评估。

在特征编码方面，本研究使用了四种传统的分子指纹编码方法以及Mol2Vec技术，将化合物表示为固定长度的特征向量。这些指纹能够有效捕捉化合物的结构特征，并广泛应用于机器学习模型中。为了优化Mol2Vec的应用，我们调整了指纹半径参数（R）从0到9，每次增加1，并固定嵌入尺寸（ES）为300。这种配置生成了十个基于Mol2Vec的描述符集合，称为M2VX，其中X代表使用的指纹半径。例如，M2V4表示使用半径为4的Mol2Vec编码。通过这种方式，我们能够从不同的特征编码方案中提取出丰富的分子信息，从而提升模型的预测能力。

在模型构建过程中，我们首先利用五种不同的特征编码方案（CDK、CDKExt、PubChem、FP4C和Mol2Vec）对ACSMs和非ACSMs进行编码，然后使用五种流行的机器学习算法（KNN、PLS、MLP、SVM和XGB）构建了70个基础模型。这些模型的最优参数通过网格搜索和交叉验证方法确定。随后，我们评估了所有70个基础模型的性能，并根据交叉验证的MCC值对它们进行了排序。最终，我们选择了表现最佳的基础模型，并通过概率平均策略进行整合，构建了最终的集成模型。实验结果表明，XAI-ACSM在预测性能上优于其基础模型和现有方法，展示了其在实际应用中的潜力。

在数据探索方面，我们对数据集进行了详细的分析，包括药物亲和性和口服生物利用度的可视化，以及化学结构的分析。我们计算了六种药物亲和性指标，如分子量（MW）、辛醇-水分配系数（ALogP）、氢键受体（HBA）、氢键供体（HBD）、拓扑极性表面积（TPSA）和旋转键数（RB），并通过t-SNE算法对这些指标进行了可视化分析。结果表明，ACSMs和非ACSMs在化学空间中呈现出一定的分离趋势，显示出显著的物理化学差异。此外，通过BM结构分析，我们进一步探讨了化合物的化学结构特征，发现ACSMs和非ACSMs在结构多样性方面具有相似性，但ACSMs更倾向于包含融合的杂环结构和复杂的双芳基连接。

在分子对接研究中，我们从DrugBank数据库中收集了2734种FDA批准的小分子药物，并对它们进行了预处理，去除了盐、无机化合物、具有显式价错误的SMILES、不连通结构和重复化合物。随后，我们使用XAI-ACSM模型预测了这些化合物的潜在抗肿瘤活性，并筛选出1388种可能具有抗肿瘤活性的化合物。为了验证这些预测结果，我们对这些化合物进行了分子对接研究，针对全球最常见的四种癌症（肺癌、乳腺癌、前列腺癌和结直肠癌）的靶点。这些靶点包括CDK2、ERα、AR和VEGFR2，它们分别对应肺癌、乳腺癌、前列腺癌和结直肠癌。通过分子对接分析，我们评估了这些化合物与靶点的结合亲和力，并分析了其与靶点的相互作用模式。结果表明，一些FDA批准的药物在与这些靶点的结合能力上表现出色，可能具有潜在的抗肿瘤活性。

在结果分析中，我们发现XAI-ACSM在多个指标上均优于其基础模型和现有方法。特别是在独立测试中，XAI-ACSM的准确率、特异性和MCC值分别达到了82.6%、92.6%和66.6%，比现有方法高出3.65%、9.60%和8.63%。这表明XAI-ACSM在实际应用中具有更高的预测准确性和稳定性。此外，我们还进行了消融实验，以评估特征选择策略和基础模型组合对ACSMs识别的有效性。结果表明，结合多种特征编码和ML算法的XAI-ACSM在性能提升方面具有显著优势。

为了进一步理解模型中影响预测的关键分子特征，我们使用了SHAP（SHapley Additive exPlanations）方法进行特征重要性分析。SHAP值能够量化每个特征对预测结果的贡献，并且具有模型无关性和一致性。通过分析XGB-FP4C模型的SHAP图，我们发现了一些重要的分子特征，如芳香环系统、共轭双键和卤素取代基等。这些特征在抗肿瘤药物设计中具有重要意义，能够有效增强药物与靶点的相互作用能力。此外，我们还对一些其他特征进行了分析，如极性取代基和小杂环结构，这些特征在药物的药代动力学行为中也起到了重要作用。

在实际应用中，XAI-ACSM被用于筛选FDA批准的药物，以识别具有潜在抗肿瘤活性的候选药物。通过分子对接分析，我们发现了一些药物在与特定癌症靶点的结合能力上表现出色。例如，Rimegepant（DB12457）在与CDK2（PDB ID: 1AQ1）的结合亲和力上达到了-12.2 kcal/mol，显著高于其结合的晶体配体（-9.5 kcal/mol）。Rimegepant与多个关键残基形成了氢键，并通过π-烷基和疏水相互作用稳定其在结合口袋中的位置。类似地，Ubrogepant（DB15328）在与ERα（PDB ID: 1SJ0）的结合能力上表现出色，形成了氢键并稳定于多个疏水残基之间。这些结果不仅表明了这些药物在结构上的兼容性，也展示了它们在与靶点相互作用中的潜力。

在前列腺癌模型中，Etrasimod（DB09280）表现出较高的结合亲和力，与AR（PDB ID: 2PNU）的结合亲和力为-11.7 kcal/mol，显著高于其结合的晶体配体（-12 kcal/mol）。Etrasimod与多个关键残基形成了氢键，并通过疏水相互作用稳定于结合口袋中。这些结果支持了Etrasimod在AR结合中的兼容性。在结直肠癌模型中，Simeprevir（DB15688）与VEGFR2（PDB ID: 3VNT）的结合亲和力达到了-11.5 kcal/mol，与晶体配体的结合亲和力（-11.1 kcal/mol）相比具有显著优势。Simeprevir通过稳定的氢键和疏水相互作用与多个关键残基结合，这表明其可能在VEGFR2抑制方面具有潜在的治疗价值。

综上所述，XAI-ACSM不仅在识别和表征抗肿瘤小分子方面表现出色，还通过分子对接分析为药物再利用提供了有价值的见解。这些结果表明，XAI-ACSM能够有效地筛选出具有潜在抗肿瘤活性的化合物，并为癌症治疗的药物研发提供理论支持和实践指导。然而，需要注意的是，这些分子对接结果是基于计算机模拟的预测，实际的抗癌活性仍需通过生物化学和细胞实验进行验证。因此，XAI-ACSM的应用不仅限于计算模型的构建，还为后续的实验验证提供了方向和依据。