基于Python驱动的QSPR研究与人工神经网络在抗疟疾药物化学中的计算策略

为解决抗疟疾药物开发中传统方法耗时长、成本高的问题，研究人员采用机器学习算法（ANN和RF）结合拓扑指数开展QSPR研究，预测药物理化特性，显著提升药物筛选效率。该研究为加速抗疟疾药物发现提供了计算框架，具有重要应用价值。

　　

疟疾是全球重大公共卫生问题，但传统药物开发周期长、成本高昂。如何快速筛选有效抗疟疾化合物成为关键挑战。近年来，机器学习（Machine Learning, ML）与定量结构-性质关系（QSPR）的结合为药物研发提供了新思路。

为解决这一问题，来自巴基斯坦COMSATS大学伊斯兰堡校区、阿迪斯阿贝巴科技大学等机构的研究人员Wakeel Ahmed等人，利用人工神经网络（ANN）和随机森林（RF）算法，结合拓扑指数对抗疟疾药物进行QSPR建模，显著提升了药物理化性质的预测精度。该成果发表在《Scientific Reports》上。

研究采用Python算法计算了15种抗疟疾药物的反向（Reverse）和简化反向（Reduced Reverse）拓扑指数，包括Zagreb指数、谐波指数等12类描述符。通过ANN和RF模型预测了密度（D）、沸点（BP）、极性表面积（PS）等12项理化性质，并与实验数据对比验证。

主要技术方法

1. 分子图构建：使用Graph online软件将药物化学结构转化为图论模型
2. 拓扑指数计算：开发Python算法计算Reverse和Reduced Reverse两类拓扑指数
3. 机器学习建模：采用ANN（含2个隐藏层）和RF（N_trees=100）进行预测
4. 模型评估：通过MSE、MAE、RMSE和R²四个指标验证预测准确性

研究结果

1. 拓扑指数计算：成功计算出15种抗疟疾药物的24类拓扑指数，其中Atovaquone（A1）的反向第一Zagreb指数（RM1）最高（170），Artemether（A2）的简化反向谐波指数（RRH）为11.6666
2. ANN模型表现：在沸点预测中，Reverse ANN的R²达0.9999（MSE=0.0432），显著优于RF模型（R²=0.9469）
3. RF模型优势：在表面张力（ST）预测中，Reverse RF的MAE为2.0464，优于ANN的1.7442
4. 指数类型比较：Reverse指数在极性（POL）预测中表现更优（ANN的R²=0.9996），而Reduced Reverse指数在摩尔折射率（MR）预测更准确（ANN的R²=0.9999）

结论与意义
该研究证实：

1. ANN在大多数性质预测中优于RF，特别是在沸点（BP）和极性（POL）等关键参数上表现突出
2. Reverse拓扑指数相比Reduced Reverse指数更适合预测复杂分子性质
3. 该方法将传统药物开发中的实验验证转化为计算预测，可缩短60%以上的研发周期

这项工作的创新性在于：

1. 首次系统比较了Reverse和Reduced Reverse拓扑指数在抗疟疾药物QSPR中的差异
2. 开发的开源Python算法可直接应用于其他药物研发领域
3. 为资源有限地区开展抗疟疾药物研究提供了低成本解决方案

研究人员指出，未来可进一步优化模型架构，并扩展至更多类别的抗疟疾化合物。该成果不仅推动了计算药物化学的发展，也为实现WHO 2030年消除疟疾的目标提供了技术支撑。