OpioidBias：一种用于预测阿片类配体偏激活性的机器学习工具

《ACS Medicinal Chemistry Letters》：OpioidBias: A Machine Learning Tool for Predicting the Biased Agonism of Opioid Ligands

开发基于机器学习的OpioidBias工具，用于预测阿片类药物与GPCRs的G蛋白或β- arrestin偏向性，通过3800+分子描述符构建特征集，结合Boruta和RFE进行特征筛选，最终随机森林模型实现高精度预测。工具免费开源供药物开发使用。

　　

G蛋白偶联受体（GPCRs）的偏置信号传导能够实现特定途径的选择性调节，但在实验上对其进行表征仍然具有挑战性。我们推出了OpioidBias这一机器学习工具，用于预测阿片类配体在G蛋白与β-阻遏蛋白之间的作用偏向。该工具使用来自RDKit和Mordred的3800多个描述符来表征阿片类配体，这些描述符涵盖了物理化学、拓扑结构以及基于“指纹”分析的特征。通过Boruta算法和递归特征消除（RFE）进行特征选择，指导了六个分类器的训练过程。最终，结合RDKit和Mordred描述符、分子“指纹”以及RFE结果的随机森林模型表现最佳，并通过进一步特征分析确定了导致这种偏向的分子决定因素。OpioidBias工具可免费使用（http://github.com/PGlab-NIPER/OpioidBias），有助于推进阿片类药物学领域中偏向性配体的发现工作。