GraphDeep-hERG：基于图神经网络的 hERG 相关心脏毒性评估，为药物研发带来新曙光

为解决传统 hERG 筛查方法耗时费力，且现有计算模型依赖手动定义原子特征易忽略关键信息的问题，研究人员开展了利用深度神经网络（DNNs）和图神经网络（GNNs）自动学习原子表示以筛查 hERG 抑制剂的研究，模型表现优异，助力药物研发。

　　人类醚 - 去 - 走相关基因（hERG）编码整流钾通道，在心肌细胞动作电位复极化过程中发挥重要作用。脱靶药物阻断 hERG 通道可导致长 QT 综合征，显著增加致心律失常性心脏毒性风险。传统 hERG 筛查方法费力又耗时，因此开发计算方法进行更快速准确的计算机模拟筛查很有必要。现有计算模型常依赖手动定义原子特征表示原子节点，可能忽略关键潜在信息。研究人员先利用深度神经网络（DNNs）开发自动原子嵌入模型，用从 ZINC 数据库收集的 118,312 种化合物进行训练，然后用 7909 种 ChEMBL 化合物训练图神经网络（GNNs）模型作为分类部分。二者结合形成的分类器可有效区分 hERG 抑制剂和非抑制剂。原子嵌入模型在结构表示上准确率达 0.93，最佳 GNNs 模型准确率达 0.84，在外部测试中优于传统机器学习模型和已发表的人工智能驱动模型。这些结果凸显了自动原子嵌入模型作为生成稳健分子表示标准的潜力，其与先进 GNNs 算法结合，为筛查 hERG 抑制剂、加速药物发现和重新利用提供了有力帮助。