综述：QSAR与机器学习方法预测白蛋白-配体结合

这篇综述系统探讨了定量构效关系（QSAR）和机器学习（ML）技术在预测血清白蛋白（Serum Albumin）与配体结合亲和力中的应用。文章重点分析了白蛋白结合特性对药物ADME（吸收、分布、代谢、排泄）性质的影响，比较了基于结构的计算方法和基于配体的机器学习模型优劣，并讨论了模型向血浆蛋白结合值预测的迁移潜力。

　　

白蛋白的生物学意义与药物结合特性

作为人类和哺乳动物血浆中最丰富的蛋白质，血清白蛋白（Serum Albumin）承担着运输内源性物质和外源性药物分子的关键功能。其与药物分子的结合能力直接影响药物的游离浓度、组织分布和清除速率，进而调控ADME（Absorption, Distribution, Metabolism, Excretion）特性。实验数据显示，白蛋白可结合超过50%的临床常用药物，这种相互作用通常通过疏水作用、氢键和范德华力实现。

传统预测方法的局限性

虽然基于结构的分子对接和自由能计算（如MM/PBSA、MM/GBSA）理论上能预测结合亲和力，但白蛋白存在多个动态结合位点（如Sudlow site I/II），且构象灵活性极高，导致计算成本呈指数级增长。相比之下，基于配体的方法通过分子描述符（如2D/3D-QSAR参数）和机器学习算法，能够绕过复杂的蛋白质结构建模问题。

机器学习模型的创新应用

研究团队系统评估了随机森林（RF）、支持向量机（SVM）和深度神经网络（DNN）等算法在K_d值预测中的表现。其中，融合E