机器学习驱动的ULK1抑制剂分类与结构活性关系分析：抗癌药物设计新洞见

为解决抗癌药物设计中ULK1靶点抑制剂活性预测的挑战，来自研究团队利用机器学习方法，基于846个ULK1抑制剂IC50数据集，建立了包括SVM、RF、XGBoost和DNN在内的39个分类模型，其中ECFP4-based DNN模型准确率超95%，MCC>0.9。通过K-means和SHAP进行SAR分析，识别出高活性分子骨架和关键片段，为优化ULK1抑制剂提供理论依据，助力抗癌药物研发。

　　

在抗癌药物研发的前沿，自噬起始的关键调控因子——Unc-51样激酶1（ULK1）闪耀为新靶点。研究者们汇编了846个ULK1抑制剂及其IC₅₀值，源自30篇文献，为机器学习模型注入丰富数据。利用ECFP_4、MACCS指纹和Mordred描述符，结合支持向量机（SVM）、随机森林（RF）、极限梯度提升（XGBoost）和深度神经网络（DNN），构建了39个分类模型；此外，指纹与图神经网络（FP-GNN）模型通过混合分子指纹和图结构增添创新维度。其中，基于ECFP4的DNN模型Model_1D_1脱颖而出，在验证集和测试集上实现超过95%的准确率和0.9以上的马修斯相关系数（MCC）。加权欧几里得距离计算的适用域揭示，该模型可可靠预测超过84%化合物的活性。通过K-means聚类，分子结构被分为7个子集，三个高活性子集共享2-氨基-4-(2-噻吩基)-5-(三氟甲基)嘧啶的共同骨架，如同一把解锁活性的分子钥匙。SHAP分析则像侦探般揪出影响活性的关键片段，深化模型预测的可解释性，为优化ULK1抑制剂铺设了坚实的理论基础，让抗癌药物设计迈入精准智能新时代。