基于图神经网络的TNBC活性化合物预测模型构建与机制解析

来自印度的研究人员针对三阴性乳腺癌(TNBC)治疗药物匮乏的难题，创新性地整合人工智能技术，构建了4种图神经网络模型(MPNN表现最优，AUC达0.82)，通过756种突变型化合物数据集和十折交叉验证，成功识别出关键抑制片段，并经FDA药物验证取得97%预测准确率，为TNBC靶向药物开发提供新范式。

　　

乳腺癌正以惊人速度席卷全球，其中三阴性乳腺癌(TNBC)因缺乏HER2/孕酮/雌激素受体表达而成为最难攻克的亚型。面对治疗选择有限的困境，科学家们另辟蹊径，从756个突变型化合物入手，在三种细胞系中训练出四大图神经网络模型——包括消息传递神经网络(MPNN)、图注意力网络等。这些模型经过严格的分层嵌套十折交叉验证，在Optuna框架调优下交出亮眼成绩单：预测AUC值稳定在0.65-0.82区间，其中MPNN模型更是拔得头筹。

研究团队还运用可解释性AI技术，像化学侦探般破解了分子结构与抑癌活性的密码，锁定关键药效团。更令人振奋的是，当模型遇到FDA批准药物库时，展现出66%-97%的惊人预测准确率，这些"数字药剂师"俨然成为筛选TNBC克星的智能雷达。这项研究不仅为抗癌药物研发装上AI引擎，更开辟了从分子图谱直通临床疗效的加速通道。