BioScreen-QSAR:面向抗菌活性预测与基于配体虚拟筛选的模块化低代码Python框架

《Letters in Drug Design & Discovery》:BioScreen-QSAR: A modular low-code python framework for antimicrobial activity prediction and ligand-based virtual screening

【字体: 大 中 小 】 时间:2026年10月14日 来源:Letters in Drug Design & Discovery 1.6

编辑推荐:

  专业摘要翻译: 抗菌药物耐药性(antimicrobial resistance, AMR)日益构成全球公共卫生风险,迫切需要快速识别新型抗菌药物。定量构效关系(quantitative structure–activity relationship, QSA

  
专业摘要翻译: 抗菌药物耐药性(antimicrobial resistance, AMR)日益构成全球公共卫生风险,迫切需要快速识别新型抗菌药物。定量构效关系(quantitative structure–activity relationship, QSAR)建模结合机器学习(machine learning, ML)是对候选化合物进行计算机模拟筛选的高效策略;然而,多数现有工具缺乏自动化数据整理、正式的适用域(applicability domain, AD)评估及模型可解释性,且对非编程人员使用困难。方法:本研究提出BioScreen-QSAR,一个基于Streamlit构建的模块化、低代码、开源Python框架,整合分子标准化、重复记录消解(Fourches协议)、两类分子描述符(扩展连接性指纹ECFP4/ECFP6,以及约200个RDKit二维(2D)理化描述符)、三种机器学习算法(随机森林、支持向量机、LightGBM)结合贝叶斯超参数优化(Optuna)、两级验证策略及扩展指标套件(平衡准确率BACC、灵敏度Se、特异度Sp、阳性与阴性预测值PPV/NPV、马修斯相关系数MCC、Cohen’s κ、F1分数及受试者工作特征曲线下面积AUC)、正式适用域分析(杠杆值与k近邻Tanimoto相似性)、基于SHapley Additive exPlanations(SHAP)的可解释性,以及基于配体的虚拟筛选。结果:该流程在经整理的ChEMBL第33版数据集(1248种对金黄色葡萄球菌具有抗菌活性的化合物)上得到验证。最优分类模型(LightGBM,ECFP4描述符)在外部测试集上达到平衡准确率0.81、MCC 0.62及AUC 0.87;将ECFP4与RDKit 2D描述符结合进一步提升了性能(BACC = 0.83,AUC = 0.89)。最优回归模型的决定系数(R2)为0.74,均方根误差(RMSE)为0.61个对数单位。适用域分析覆盖外部测试集的94.4%,域外化合物准确率显著降低(BACC = 0.68 vs. 0.82),SHAP分析识别出硝基芳香、卤代及碱性胺亚结构为主要的活性驱动特征。结论:BioScreen-QSAR是一个透明、可重复且完全开源的流程,降低了抗菌药物发现中严格QSAR建模的技术门槛。全部源代码、示例数据集及单元测试均可从GitHub免费获取。
论文解读文章:
研究背景与问题
抗菌药物耐药性(antimicrobial resistance, AMR)已成为21世纪最严峻的全球公共卫生威胁之一。2019年耐药病原体直接导致约127万人死亡,若趋势持续,到2050年这一数字可能升至每年1000万。金黄色葡萄球菌(Staphylococcus aureus)是临床最重要的病原菌之一,其耐甲氧西林变种(MRSA)与大量重症感染相关。随着耐药机制不断扩散,临床可用治疗手段日益减少,快速发现新抗菌药物成为紧迫任务。定量构效关系(quantitative structure–activity relationship, QSAR)建模结合机器学习(machine learning, ML)是早期抗菌药物发现中成熟的计算方法,可基于分子结构直接预测未测试或未合成化合物的活性。然而,现有工具普遍存在三大障碍:第一,数据质量差,公共生物活性数据库如ChEMBL和PubChem汇集了异质测定结果,常含结构错误、混合物、抗衡离子及与冲突活性值关联的重复记录;第二,验证与可靠性不足,许多已发表QSAR研究仅报告内部交叉验证,缺乏外部验证、正式适用域(applicability domain, AD)评估或可解释性分析;第三,可及性差,多数平台要么隐藏内部机制不公开源代码,要么要求高级编程技能,造成方法学最佳实践与药物化学家日常使用之间的鸿沟。为此,研究人员设计并验证了BioScreen-QSAR,一个模块化、低代码、开源Python框架,覆盖从原始数据整理到基于配体虚拟筛选的完整QSAR工作流。
研究内容与主要技术方法
研究人员开发了BioScreen-QSAR框架,基于Streamlit构建,整合六大松散耦合阶段:分子标准化、重复消解、描述符计算、模型训练、适用域与SHAP分析、虚拟筛选。关键方法包括:采用五步分子标准化流程(解析验证、去盐并选择最大片段、电荷中和、互变异构体规范化、规范SMILES重建);按Fourches协议进行重复检测与活性协调;支持两类描述符,即ECFP4/ECFP6圆形指纹(位向量长度1024或2048)和约219个RDKit 2D理化描述符(含Lipinski类药性规则违例计数);集成三种机器学习算法(随机森林RF、支持向量机SVM、LightGBM),使用Optuna树结构Parzen估计器进行贝叶斯超参数优化(默认50次试验);采用两级验证策略,内层5折分层交叉验证指导超参数选择,外层独立测试集评估泛化性能;适用域分析采用杠杆值法(阈值h* = 3(p+1)/n)和k近邻Tanimoto相似性法(k=5,阈值0.30);可解释性采用SHAP分析,树模型用TreeExplainer,核模型用KernelExplainer。案例数据集来自ChEMBL第33版(靶标CHEMBL352),包含1856条原始记录,经整理后保留1248种高置信度化合物(687活性/561非活性,阈值10 μM),按80%/20%分层划分训练集与外部测试集。实验环境为Python 3.10、RDKit 2024.3.5等固定依赖版本,完整端到端运行在45分钟内完成,代码库含29项单元与集成测试。
研究结果
数据集整理:从1856条原始记录中,解析阶段剔除14条无效SMILES(0.8%),五步标准化后得到1842条记录;重复消解移除594条记录,其中231组为冲突重复集(同一结构在不同测定中被报告为活性和非活性),其余为一致重复合并,最终保留1248条高置信度化合物。近三分之一的原始记录受整理影响,证实自动化整理是决定数据集完整性的关键步骤。
分类性能:外部测试集上,LightGBM在所有指标上均优于RF和SVM,达到BACC 0.81、灵敏度0.85、特异度0.76、PPV 0.80、NPV 0.82、MCC 0.62、Cohen’s κ 0.61、F1 0.82、AUC 0.87。三种模型均超过公认可靠性阈值(BACC ≥ 0.70,AUC ≥ 0.70)。灵敏度高于特异度的不对称性(Se 0.85 > Sp 0.76)有利于虚拟筛选场景,因为漏掉真正性化合物的代价高于测试假阳性。MCC/κ(约0.6)与AUC(0.87)之间的差距表明排序质量高于单阈值分类质量,支持筛选模块采用概率排序输出。
回归性能:连续pMIC50预测同样呈现LightGBM最优的排序,达到R2 = 0.74、RMSE = 0.61、MAE = 0.47个对数单位,优于RF(R2 = 0.68,RMSE = 0.69)和SVR(R2 = 0.61,RMSE = 0.82)。RMSE 0.61接近MIC测定本身的实验重现性噪声上限,进一步改进可能需要测定均质化数据集而非更优算法。
RDKit 2D描述符与混合表征的增值:将ECFP4与219个RDKit 2D描述符拼接为混合表征后,所有模型均获提升,最优配置LightGBM混合矩阵达到BACC 0.83、MCC 0.65、AUC 0.89(对比ECFP4单独使用的0.81/0.62/0.87)。仅用RDKit描述符的模型较弱(LightGBM:BACC 0.76,AUC 0.82),证实亚结构信息(ECFP)与全局理化性质(RDKit 2D)携带互补信号。混合表征现为仪表盘推荐默认。
适用域分析:将杠杆值+5近邻Tanimoto组合AD应用于外部测试集,94.4%的测试化合物被判定为域内。按AD状态分层显示显著差异:LightGBM分类器在域内化合物上BACC = 0.82,域外仅0.68,14个百分点的退化在无AD分析时不可见。虚拟筛选演示中,43个高置信度命中中有39个(91%)在域内。这证明AD标记作为筛选模块默认非可选输出的合理性。
SHAP可解释性:最优LightGBM分类器的全局SHAP分析排名约20个ECFP位为主导贡献者。将位映射回亚结构显示化学上连贯的模式:最强正向贡献来自硝基芳香、卤代芳香环和环胺片段(与已知抗菌类别如硝基呋喃、氟喹诺酮样卤代芳香及碱性侧链一致);强负向贡献对应长脂肪链和羧酸样片段(在中性pH下与不良抗菌活性相关)。SHAP识别特征与既定药物化学知识的一致性提供了模型学习真实构效关系的独立验证。
虚拟筛选演示:500化合物演示库经最优LightGBM分类器筛选,187个化合物预测潜在活性(P(active) ≥ 0.50),43个达到高置信度(P(active) ≥ 0.80),其中39个(91%)位于适用域内。排序输出支持活性概率×域可靠性的双轴优先级排序。
与近期先进模型比较:与已发表的抗菌/生物活性QSAR模型相比,BioScreen-QSAR的LightGBM混合描述符模型(外部AUC 0.89,BACC 0.83)处于近期深度学习和AutoML方法的性能包络内,同时计算成本低数个数量级且完全可通过SHAP解释。结论是:在约103化合物的中等规模整理表格描述符上,良好调优的梯度提升仍与深度架构高度竞争;本研究显示的主导性能杠杆不是算法而是数据,移除231组冲突重复集可测量地改变模型排序,AD分析显示域内外BACC差距14个百分点,实证支持“整理优先、可靠性感知”的设计哲学。
讨论与结论
与现有平台比较中,BioScreen-QSAR的独特定位在于单一轻量包中组合四项特性:嵌入流程的自动化Fourches协议整理、每次筛选预测的集成适用域标记、内置SHAP可解释性及发布质量报告、双无代码(Streamlit)/命令行界面并配有约2500行完全开源且经单元测试的代码库。局限性包括:单一物种数据集、跨物种泛化未验证、描述符限于ECFP与RDKit 2D、深度学习模型未纳入、AD模块假设结构相似性隐含活性相似性(活性悬崖为已知失败模式)、二进制端点依赖10 μM阈值、免费Streamlit云层交互筛选约限2000化合物、SHAP解释归因于描述符位而非直接可合成化学。未来方向包括整合3D/药效团描述符与深度学习骨干、多物种多端点基准测试、共形预测不确定性量化、自动活性悬崖检测及容器化部署。结论:BioScreen-QSAR提供一个透明、模块化、完全开源的QSAR流程,覆盖从原始数据整理到可靠性标记虚拟筛选结果的完整工作流。金黄色葡萄球菌案例研究证明,整理优先建模配合良好调优的梯度提升达到近期深度学习方法性能包络内(外部AUC最高0.89),适用域分层揭示不可见可靠性差异(BACC 0.82 vs. 0.68),SHAP解释恢复化学连贯且文献一致的结构活性知识。通过结合严谨方法学、低代码界面和单元测试代码库,BioScreen-QSAR降低了抗菌药物发现中可信QSAR建模的技术门槛,同时作为研究工具和化学信息学教学资源。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号