基于智能共识模型的5HT1A/5HT7双靶点抑制剂定量构效关系研究与虚拟筛选

本研究创新性地构建了整合机器学习（ML）、分子对接和虚拟筛选的计算框架，开发出预测性能优异的共识QSAR模型（R2Test>0.93），通过多数表决法将分类准确率提升至92%，为抑郁症和焦虑症等神经精神疾病的5HT1A/5HT7双靶点抑制剂开发提供了高效筛选策略。

　　

研究亮点

本研究开创性地将共识建模策略应用于5HT_1A/5HT₇双靶点抑制剂的开发，通过集成多种机器学习算法，构建了预测性能卓越的定量构效关系（QSAR）模型。共识回归模型在测试集上展现出惊人的预测能力（R2>0.93），交叉验证均方根误差（RMSE_CV）较单一模型降低30-40%。分类任务中，多数表决法使准确率飙升至92%，F1分数提升25%，为神经精神疾病治疗提供了革命性的计算工具。

引言

血清素（5-羟色胺，5HT）作为关键神经递质，通过7类受体亚型（5-HT₁至5-HT₇）调控情绪、认知和睡眠等生理功能。其中5HT_1A和5HT₇受体已成为抑郁症和焦虑症治疗的重要靶点。本研究通过开发双靶点抑制剂，有望实现"一石二鸟"的治疗效果，减少联合用药带来的副作用。

配体与靶点准备及数据分割

研究团队精心构建了包含110个双靶点抑制剂的数据库，结合文献报道的受体亲和力（K_i）数据，将pK_i值作为建模的关键参数。通过系统化的数据分割策略，确保了模型训练与验证的科学性。

配体化学空间分析

在描述符筛选前，研究团队采用可视化手段（图2A-B）全面评估了化合物结构多样性，确保QSAR模型能覆盖更广阔的化学空间，这对提升模型预测的普适性至关重要。

结论

这项研究标志着计算药物发现领域的重大突破，通过整合分子对接、机器学习和虚拟筛选技术，建立了创新的双靶点抑制剂预测体系。研究采用分类回归树（CART）识别关键分子描述符，结合5折交叉验证确保模型可靠性，为新一代血清素相关疾病治疗药物的开发铺平了道路。