机器学习驱动的新型光敏剂发现：加速光动力疗法癌症治疗药物研发

《Digital Discovery》：Machine learning-driven discovery of novel photosensitizer for cancer therapyOpen Access

　　

光动力疗法提供了一种非侵入性癌症治疗方法，其副作用少于化疗和放疗；然而，其临床潜力因缺乏有效的光敏剂而受到严重限制。新型光敏剂可改善光动力治疗效果，但其从头设计受到耗时的合成和纯化步骤的制约，且消耗大量化学品并带来相应的环境影响。此外，预测与治疗活性相关的关键激发态性质所需的高计算成本显著延缓了大规模筛选。在此，我们展示了一种机器学习驱动的发现流程，以前所未有的效率从类药化学库中识别新型光敏剂，并通过实验加以验证。利用我们开发的X-MACE消息传递神经网络预测关键光物理性质，包括激发能、振子强度和系间窜越速率，我们在短短几分钟内从治疗相关的化学数据库筛选了数千种分子——这项任务若使用传统量子化学激发态方法则需数十年。我们的计算筛选确定了具有前景的光敏分子作为潜在候选者。对排名第一分子的实验验证确认了其在四种癌细胞系（CAL-27、A-431、HT-29、MDA-MB-231）中具有稳健的光增强细胞毒性，光激活后IC??改善24至302倍。光谱分析验证了预测的吸收性质，生化测定证实了如计算所预测的双重途径活性氧生成。该机器学习框架将光敏剂发现从经验筛选转变为理性设计，成功识别出具有治疗活性的化合物并验证了计算预测。

此内容仅通过PDF提供。

打开 PDF为癌症疗法机器学习驱动的新型光敏剂发现，在新窗口中打开

? 2026 作者。由化学皇家学会出版

2026

作者

本文根据知识共享署名4.0国际许可协议获得授权。您可以在其他出版物中使用本文材料，无需向RSC申请进一步许可，只需给予正确的致谢。

本作品根据 知识共享署名4.0国际许可协议 获得授权。