编辑推荐：
这篇研究利用机器学习（ML）和分子动力学（MD）模拟，在有限数据下构建模型预测抗人类肠道病毒 71 型（EV71）化合物。通过实验验证，有效筛选出活性化合物，揭示其作用机制。该研究为抗病毒药物研发提供新策略，对攻克相关疾病意义重大。
研究背景
冠状病毒病 2019（COVID-19）引发的全球健康危机，凸显了快速药物开发的紧迫性，也暴露出当前抗病毒治疗的局限性。人类肠道病毒 71 型（EV71）作为手足口病（HFMD）、疱疹性咽峡炎和神经系统疾病的主要病原体，尤其对儿童和免疫功能低下的成年人危害严重。尽管疫苗降低了 HFMD 的发病率，但仍需有效的抗 EV71 化合物来防控病毒传播和治疗感染。
在此背景下，计算方法在加速药物发现中发挥着日益重要的作用。人工智能（AI）和机器学习（ML）能快速、低成本地分析大型数据集，结合分子动力学（MD）模拟，可加快预测活性化合物和生成新候选药物的进程。然而，计算方法面临着 MD 模拟资源需求高、训练 ML 模型需大量高质量数据等挑战。本研究旨在开发一种 ML 模型，解决小训练数据集的限制，预测抗 EV71 化合物，并通过 MD 模拟探究其作用机制。
研究方法
- 数据集构建：测试了包括表面活性剂、有机酸、聚合物等多类化学物质对 EV71 的灭活能力。在 pH 3、7、10 三种条件下，用浓度为 107 PFU mL?1的病毒接种物与各测试化合物（每种 pH 下 36 个样本，共 108 个样本）孵育 5 分钟，中和反应后感染横纹肌肉瘤（RD）细胞，监测病毒斑形成，以此构建用于训练 ML 模型的低密度内部数据集。
- 化合物表征：考虑了三种化合物特征作为 ML 模型输入，即传统的摩根指纹（Morgan fingerprint）、变分自编码器（VAE）生成的潜在代码（latent code）以及两者连接而成的混合特征（hybrid feature）。通过主成分分析（PCA）对这些特征进行降维，以减轻高维特征导致的过拟合问题。
- ML 模型训练与评估：将杀病毒化合物预测任务构建为分类和回归问题。在分类场景中，以 log reduction 1.5 为阈值二值化数据，测试多种化合物特征和分类模型组合；在回归场景中，训练判别式 ML 模型直接预测杀病毒活性的 log reduction 值。采用留一化合物交叉验证（LOOCV）评估模型性能，选择最佳模型和特征组合。
- 分子动力学模拟：以 EV71 病毒衣壳的五聚体为模拟对象，使用 PROPKA3 确定蛋白质在不同 pH 下的质子化状态，用 AutoDock Vina 将化合物预对接至五聚体表面，然后在 NAMD 2.14 中进行模拟，采用 CHARMM36m 力场和相关参数设置，模拟时长为 100 ns，以探究化合物对病毒衣壳的作用机制。
研究结果
- 数据集活性分析：在 108 个样本中，17 个样本减少了病毒斑数量。表面活性剂如聚赖氨酸（pH 10）、琥珀酸（pH 3 和 7）等有适度效果；氧化剂、变性剂和醛类表现出更显著的杀病毒作用，如戊二醛（pH 3、7、10）、尿素（pH 3、7、10）、次氯酸钠（pH 3 和 7）和氧化银纳米颗粒（pH 3、7、10）等。
- 病毒形态变化：透射电子显微镜（TEM）分析显示，经所选抗 EV71 化合物处理后，病毒粒子密度明显降低。戊二醛处理后仅见少量 EV71 衣壳，多聚甲醛处理后则无衣壳；氧化银纳米颗粒、次氯酸钠和尿素处理导致病毒聚集体形成，形态显著改变，表明病毒蛋白的氧化和变性可能是 EV71 失活的关键机制。
- ML 模型性能：在分类场景中，PCA 降维提高了大多数化合物组合的分类性能，混合特征集在多个 ML 模型中表现最佳。在回归场景中，混合特征经 PCA 降维后与随机森林（RF）回归器结合性能较强，自然梯度提升决策树（nGBDT）模型进一步提高了性能，并能量化预测不确定性。外部验证表明，回归器在检索已知有效化合物方面表现更优，但分类器可作为初步筛选工具。
- 新化合物预测与验证：应用所选分类器和回归器对 8783 种中国化妆品原料列表中的化合物进行预测，经多轮筛选后，对排名靠前的化合物进行实验验证。实验结果显示，如硫化钠、氢氧化钾和氢氧化钠等化合物表现出较高的抗 EV71 活性，而部分化合物无显著效果。
- MD 模拟机制探究：MD 模拟表明，尿素优先结合到 EV71 的 VP1 疏水口袋和 VP1-VP2 界面，降低衣壳稳定性；氢氧化钠通过创造碱性环境，使残基去质子化，干扰分子间相互作用，影响衣壳稳定性；戊二醛和多聚甲醛虽未观察到直接化学反应，但能稳定占据疏水口袋并与赖氨酸胺基相互作用，存在潜在的交联可能性。
研究结论
本研究成功开发了一种基于有限数据集训练的 ML 模型，用于预测抗 EV71 化合物，并通过 MD 模拟深入探究了其作用机制。研究发现，使用无监督学习模型增强化合物特征表示，能有效提高对 EV71 杀病毒活性的建模能力。实验验证了模型预测的有效性，为抗病毒化合物的发现提供了新的思路和方法。未来研究可通过纳入更大、更多样化的数据集，采用更复杂的 AI 方法，进一步优化模型，有望在抗病毒药物研发领域取得更大突破，为应对新兴病毒威胁提供有力支持。
