基于机器学习的PI3Kγ抑制剂虚拟筛选：整合药效团、分子对接与分子描述符的创新策略

为解决PI3Kγ(磷脂酰肌醇3-激酶γ亚型)抑制剂开发难题，研究人员开发了整合分子描述符、分子指纹、分子对接和药效团模型的朴素贝叶斯分类(NBC)模型。该模型能有效区分活性/非活性化合物，筛选出ChEMBL数据库中潜在PI3Kγ抑制剂，为肿瘤和自身免疫疾病药物研发提供新策略。

　　

在生命科学领域，磷脂酰肌醇3-激酶γ亚型(PI3K^γ)作为主要在白细胞中表达的脂质激酶，已成为肿瘤、炎症和自身免疫疾病治疗的关键靶点。最新研究采用机器学习驱动的虚拟筛选技术，创新性地将分子描述符、二维分子指纹、分子对接模拟与三维药效团模型整合到朴素贝叶斯分类(Na?ve Bayesian Classification, NBC)算法中。

验证数据显示，这个经过优化的计算模型展现出惊人的判别能力：不仅能准确识别具有生物活性的PI3K^γ抑制剂，还能像经验丰富的药物化学家那样，敏锐地区分活性与非活性化合物。更有价值的是，该模型揭示了影响抑制剂效力的关键分子片段——既标出了"加分项"的促效结构，也指出了"减分项"的干扰基团，为理性药物设计提供了分子层面的路线图。

研究人员将这个智能筛选系统应用于ChEMBL化合物库的挖掘，成功捕获多个高潜力候选分子。这项技术就像给药物发现装上了人工智能驱动的"分子探矿仪"，为攻克肿瘤和自身免疫疾病提供了新的数字化研发范式。