《Computational Biology and Chemistry》:A Multi-Modal Computational Strategy Integrating Ensemble Learning, Molecular Docking, and Drug-Likeness Profiling for the Discovery of Novel Small-Molecule TNF-α Inhibitors
编辑推荐:
•该管线包括五个阶段:基于配体的机器学习、对接分析和物理化学筛选•随机森林模型在独立于模型的TNF-α测试集上获得了0.9727的ROC-AUC值•重采样使AUC值变化不超过0.001;500次置换测试的ΔAUC值为+0.423•筛选出的化合物能够探索模型训练之外的化学空间;需要
- •
该管线包括五个阶段:基于配体的机器学习、对接分析和物理化学筛选
- •
随机森林模型在独立于模型的TNF-α测试集上获得了0.9727的ROC-AUC值
- •
重采样使AUC值变化不超过0.001;500次置换测试的ΔAUC值为+0.423
- •
筛选出的化合物能够探索模型训练之外的化学空间;需要进一步通过实验验证
引言
肿瘤坏死因子α(TNF-α)是一种同三聚体细胞因子,在炎症反应中起关键作用(Bradley,2008;Wajant等人,2003)。它通过两个性质几乎相反的受体发挥作用:TNFR1可以驱动NF-κB依赖的生存途径或caspase介导的死亡途径,而TNFR2主要存在于免疫细胞和内皮细胞中。组织究竟会走哪条通路取决于受体密度、下游泛素系统的状态以及细胞因子的局部浓度(Sedger和McDermott,2014;Wajant等人,2003)。这种依赖性解释了为什么抗TNF疗法在个别患者中效果显著,同时又难以预测。
TNF-α的临床应用范围广泛。抗体阻断技术显著改善了类风湿性关节炎的治疗效果,它中断了巨噬细胞产生的细胞因子与滑膜纤维细胞增殖之间的恶性循环(Feldmann和Maini,2001;McInnes和Schett,2011)。同样的原理也适用于炎症性肠病(Neurath,2014)和银屑病(Nestle等人,2009),在这两种疾病中,TNF-α在共同的信号通路中处于不同的作用位置。在每种情况下,治疗效果都非常显著,因此该靶点的重要性不言而喻。
所有获批的抗TNF药物都是蛋白质制剂,包括单克隆抗体和可溶性受体融合蛋白,这些药物都需要注射给药,并且由于价格较高,在许多医疗体系中使用受到限制(Feldmann和Maini,2001;Sedger和McDermott,2014)。小分子药物可能成为更好的选择,它们可以覆盖那些无法接受注射的患者、因抗药抗体产生而失去治疗反应的患者,以及经济条件不允许使用生物制剂的患者。因此,直接抑制TNF-α的小分子药物仍然是一个未解决的问题(D?mling和Holak,2025;Mascret等人,2021)。
由于结构原因,直接抑制TNF-α具有挑战性。TNF-α没有可供结合的深酶口袋,其表面结构较大且极性基团较少,不适合传统药物化学方法的作用。SPD304是第一个被证明能直接抑制该细胞因子的化合物,它结合在单体间的作用位点,这一结构已在PDB数据库中得到验证(He等人,2005)。后续研究进一步详细描述了该作用位点,确定了十六个关键残基(Leu57、Tyr59、Ser60、Gln61、Tyr119、Leu120、Gly121、Gly122和Tyr151来自A链,以及B链中的Tyr119和Gly122),并指出Tyr119的侧链旋转对于配体结合至关重要(Zia等人,2020)。后续的研究从不同角度攻击了这一区域:有些化合物能稳定三聚体的非对称构象从而阻断信号传导(O'Connell等人,2019);有一种口服有效的抑制剂能改善小鼠的炎症性关节炎(Javaid等人,2022);还有balinatunfib正在进入临床研究阶段(D?mling和Holak,2025)。尽管已有诸多进展,但实际应用于患者的药物仍然很少(Chauhan等人,2025)。
计算科学也在快速发展。化学信息学指导的发现方法产生了同时抑制TNF-α和RANKL的化合物,表明可以通过基于配体的方法来设计抑制剂(Melagraki等人,2017)。定量结构-活性建模(Cherkasov等人,2014)和机器学习在药物发现中的应用(Vamathevan等人,2019)为这些研究提供了工具。典型的研究流程包括两个步骤:首先使用基于配体的模型对化合物库进行排序,然后通过对接实验验证排序结果。这两个步骤都可能存在错误:监督学习模型可能会对未知的化学空间进行错误推断;而没有经过验证的对接得分是没有实际意义的数值。这两种错误都是可以检测的,但通常都不会被实际测试。
本研究探讨了基于配体统计的排序结果在结合结构信息后是否仍然成立,并全面报告了实验结果,包括负面结果。“多模态”在这里指结合了两种信息来源:一种是从经过训练的监督学习模型中获得的基于配体的统计证据(该模型基于测量的TNF-α活性数据),另一种是从晶体结合位点对接实验中获得的基于结构的证据;此外还应用了非统计性的物理化学性质筛选。本研究并未声称某种单一模型能够整合多种类型的数据。这三个阶段的计算是独立进行的,结果也是分别对比的:化合物在分类器中的排名与其对接得分之间没有算法上的关联,本文也不会将两者视为同一个排序结果。研究的目标是明确分类器实际测量的内容,验证常用的解决不平衡问题的方法,评估该对接方法在特定受体上的可靠性,并清晰地描述最终候选列表,以便药物化学家能够据此进行后续研究。
因此,这项研究的贡献并不在于提出新的学习算法,而在于针对具体问题提供了一个经过校准的答案:基于公共TNF-α数据构建的排序工具在实际筛选中的应用范围及其可靠性界限。研究采用了严格的验证流程(Q)SAR标准(如OECD和Tropsha推荐的支架独立划分、嵌套交叉验证、自助区间分析、标签置换、随机化处理和适用性分析等方法),这些方法在已发表的TNF-α筛选研究中很少被采用(Melagraki等人,2017;Zia等人,2020)。研究还验证了常用的解决类别不平衡问题的方法(Blagus和Lusa,2013;Chawla等人,2002),并在对接步骤前加入了对照组(Warren等人,2006,即重新对接共结晶的配体)。所有对照组的结果均为阴性,这些负面结果为后续研究提供了参考,指出了筛选流程需要改进的地方。
部分概述
工作流程概述
工作流程包括五个阶段:将生物活性数据整理为二进制活性数据库;将化合物编码为特征指纹;在独立于模型的数据集上训练和验证分类器;对商业化合物库进行排名;去除重复项并验证其结合能力;以及对最终候选列表进行物理化学和药代动力学性质分析。图S1展示了整个流程及化合物的流动路径。
数据来源:ChEMBL1825
生物活性数据来自ChEMBL数据库
数据集构建与组成
对ChEMBL CHEMBL1825数据进行处理后,得到了1,559个化合物的模型集:其中1,344个具有活性,215个无活性,这些化合物基于2.2方法的活性阈值进行筛选,涵盖了697个不同的化合物骨架,活性比例为86.2%。算术上来说,1,344个活性化合物加上215个无活性化合物,再加上在1–10 μM浓度范围内被排除的325个化合物,以及一个0 nM的占位符,共计1,885个化合物通过了所有筛选步骤。
通过支架独立划分和标签分层的方法,最终筛选出1,246个候选化合物。
分类器的作用范围与局限
八种不同的分类算法(线性模型、核模型、树集成模型和神经网络模型)在测试数据集上的ROC-AUC值介于0.8628到0.9727之间,其中表现最好的两种算法的AUC值相差0.0051。在这个数据集上,选择哪种算法是一个次要因素,而训练数据的组成则是决定性因素。这些模型建立了一种从分子结构到活性标签的映射关系,这种映射是真实存在的(结果3.7的置换测试表明ΔAUC值为+0.423)。
该数据集的活性化合物比例为86.2%
结论
我们实现了一个包含五个阶段的虚拟筛选流程,用于筛选TNF-α抑制剂,该流程涵盖了1,559个经过处理的化合物。在独立于模型的数据集上,通过嵌套交叉验证、支架分组交叉验证、自助区间分析和500次置换标签测试对这些分类器进行了性能评估。随机森林模型获得了0.9727的ROC-AUC值(95%置信区间为0.949–0.992),其ΔAUC值为+0.423;最终选择该模型作为优选方案。
作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。
资助信息
本研究得到了陕西省自然科学基金(2023-JC-QN-0159)的资助。
作者贡献声明
李涛:负责资金筹集。刘丽:负责数据分析。左海月:项目管理工作。王媛:数据分析。严晓荣:数据分析。梁琦:撰写报告、审稿与编辑、概念构思。贾倩倩:撰写报告、审稿与编辑。穆亚楠:撰写报告、初稿编辑。
作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。
梁琦|穆亚楠|贾倩倩|严晓荣|王媛|刘丽|李涛|左海月