整合机器学习与分子模拟技术筛选阿巴卡韦类似物中高效HIV-1逆转录酶抑制剂的研究

本研究针对HIV耐药株频现的挑战，来自多学科团队的研究人员通过整合机器学习(ML)、分子对接、分子动力学(MD)模拟和密度泛函理论(DFT)计算，系统筛选出333种阿巴卡韦类似物中具有潜力的HIV-1逆转录酶(RT)抑制剂。研究发现化合物1、2、5和8相比原型药物具有更强结合亲和力、稳定相互作用及优良药代动力学特性，为新一代抗HIV药物开发提供了重要理论依据。

　　

面对人类免疫缺陷病毒(HIV)耐药株不断涌现的严峻挑战，科学家们采用跨学科计算策略开展了一项创新性研究。通过机器学习(ML)回归模型成功预测了333种阿巴卡韦类似物的半抑制浓度(IC₅₀)值，并结合ADMET（吸收、分布、代谢、排泄和毒性）性质进行初步筛选。研究人员对优选出的9种化合物进行了野生型与突变型HIV-1逆转录酶(RT)的分子对接研究，其中化合物1、2、5和8展现出优于原型药物阿巴卡韦的结合亲和力。

通过500纳秒(ns)分子动力学(MD)模拟验证了这些化合物与蛋白复合物的动态稳定性，密度泛函理论(DFT)计算进一步揭示了其电子结构特性。值得注意的是，这些先导化合物不仅对常见耐药突变株保持活性，还表现出理想的药代动力学特征。该研究开创性地融合人工智能与计算生物学方法，为开发新一代HIV-1 RT抑制剂提供了重要理论基础和候选分子。