诱饵选择对结核分枝杆菌胸苷酸激酶（TMK）靶向机器学习评分函数用于基于结构虚拟筛选的影响：TMK-VS-Pred研究

《Molecules》：TMK-VS-Pred: Impact of Decoy Choice on Target-Specific Scoring for Structure-Based Virtual Screening of Thymidylate Kinase, a Potential Anti-Mycobacterium Tuberculosis Target

　　

人工智能（AI）通过提高基于结构的虚拟筛选（SBVS）和结合亲和力预测的效率和准确性，已经革新了药物发现。SBVS依赖评分函数（SFs）识别潜在候选药物，但传统SFs常缺乏靶标特异性。AI驱动的SFs通过数据驱动方法克服这些局限，提高预测性能。靶标特异性机器学习评分函数（MLSFs）通过捕获复杂分子相互作用进一步增强结合亲和力预测，从而产生更可靠的虚拟筛选结果。本研究聚焦于结核分枝杆菌的胸苷酸激酶（TMK），该酶是核苷酸合成和DNA复制中的关键酶，因而成为开发新型抗结核疗法的有前景靶标。在已训练的MLSFs中，人工神经网络-蛋白质-配体扩展连接性指纹（ANN-PLEC）分类器表现最佳，达到平均精确率-召回率曲线下面积（PR-AUC）0.90，相应F₁分数为0.88。研究人员的发现表明，在相同类型诱饵上训练和测试模型会引入诱饵偏倚，导致SBVS性能被高估。重要的是，ANN-PLEC表现出优越的分类性能，达到前1%归一化富集因子（NEF_1%）0.96。此外，极端梯度提升-网格特征（XGB-GRID）在结合亲和力预测中表现突出，Pearson和Spearman相关系数分别为0.87和0.73，表明其按结合亲和力准确排序分子的能力。

结核病（TB）仍是全球重大公共卫生问题，结核分枝杆菌（Mycobacterium tuberculosis，MTB）生长缓慢且耐药，耐多药结核（MDR-TB）和广泛耐药结核（XDR-TB）增加治疗难度。胸苷酸激酶（thymidylate kinase，TMK）催化脱氧胸苷一磷酸（dTMP）向脱氧胸苷二磷酸（dTDP）转化，影响脱氧胸苷三磷酸（dTTP）和DNA复制，是抗TB靶点。基于结构的虚拟筛选（SBVS）依赖评分函数（SFs），传统SFs缺乏靶标特异性；靶标特异性机器学习评分函数（MLSFs）可学习复杂相互作用，但其性能受训练数据中诱饵（decoy）类型影响。DUD-E等基准存在类似物偏倚和人工富集，TMK-MTB不在DUD-E靶标中。为此，研究人员构建TMK-VS-Pred，比较DeepCoy（性质匹配、结构不同）与Random ZINC20诱饵对表观和可迁移SBVS性能的影响，训练随机森林（RF）、极端梯度提升（XGBoost，XGB）和人工神经网络（ANN）的分类与回归模型，使用蛋白质-配体扩展连接性指纹（PLEC）和网格特征（GRID）。结论是ANN-PLEC分类器最佳（平均PR-AUC 0.90，F₁ 0.88，NEF_1% 0.96），XGB-GRID回归最佳（Pearson 0.87，Spearman 0.73）；同源诱饵训练测试会高估性能，DeepCoy训练提高泛化和稳健性。意义在于为TMK抗TB虚拟筛选提供靶标特异性框架，并强调挑战性诱饵和跨诱饵评估的重要性。

关键技术方法：从BindingDB、PubChem和ChEMBL收集TMK-MTB生化活性数据，去重后674个分子，按10 μM阈值分为286个活性和388个实验确认非活性；每个活性生成100个DeepCoy诱饵并保留50个，另从ZINC20随机选50个/活性。用smina对接PDB 1GTV（1.55 ?），以PLEC和GRID表征蛋白-配体复合物；训练RF、XGB和ANN分类/回归变体，贝叶斯调参，5折交叉验证，以PR-AUC、F₁、平均绝对误差（MAE）、前1%富集因子（EF_1%）和前1%归一化富集因子（NEF_1%）评价，并用t检验比较建模选择；采用Butina聚类划分防止结构泄漏。

3.1 实验设计：通过PDB筛选获得1.55 ?的TMK-MTB结构1GTV；674分子pIC₅₀（负对数半数抑制浓度）为5–9.7；构建DeepCoy和Random训练/测试8种交叉场景，训练-测试活性Tanimoto相似度<0.8。结论：基准设计用于区分诱饵难度和同源偏倚。
3.2 交叉验证评估模型稳健性：5折CV显示XGB-PLEC/GRID在DeepCoy训练PR-AUC为0.989/0.983，Random训练更高；分类偏Precision，回归偏Recall。结论：模型稳定，初始划分无明显偏倚。
3.3 开发SBVS的MLSFs：通过比较两类诱饵训练模型，DeepCoy训练模型预测准确性高；Random训练在同源Random测试高，但跨DeepCoy测试差；PLEC略优但无统计显著（p=0.538）。结论：同源诱饵导致偏倚和高估。
3.4 诱饵选择影响的统计分析：通过统计比较，同源训练测试更好，Random-Random最高；DeepCoy训练跨Random优于Random训练跨DeepCoy；DeepCoy训练在两测试差异小，RF例外。结论：训练诱饵难度影响可迁移性。
3.5 评估VS性能：通过10次运行中位数和谐均值，分类优于回归；DeepCoy训练在两类测试均好，Random训练在DeepCoy测试差；ANN-PLEC DeepCoy训练PR-AUC 0.90 vs Random 0.50，F₁ 0.87 vs 0.47；XGB-PLEC 0.83 vs 0.32。结论：ANN-PLEC最适合分类。
3.6 回归模型预测结合亲和力分析：通过Pearson/Spearman相关，含诱饵训练回归差（诱饵pIC₅₀=2）；仅活性训练改善；XGB-GRID最佳（0.87/0.73），RF-PLEC（0.73/0.66）；GRID优于PLEC。结论：XGB-GRID适合亲和力排序。
3.7 TMK特异性SF早期富集分析：通过NEF_1%，DeepCoy诱饵下普遍更高；RF-GRID和XGB-GRID为0.94/0.91，ANN-PLEC最高0.96。结论：模型能在挑战性诱饵中早期富集活性。
3.8 通用SF评估：通过比较Smina、RF-Score、CNN-Score、SCORCH，Smina通用中PR-AUC最高0.2687，但远低于ANN-PLEC 0.90；DeepCoy测试普遍差；ANN-PLEC F₁ 0.95。结论：靶标特异性MLSFs优于通用SFs。
3.9 建模选择：通过t检验，DeepCoy vs Random对XGB/ANN显著（p=3.56×10^?2、1.88×10^?2），RF不显著；ML vs通用高度显著；分类vs回归、PLEC vs GRID不显著；XGB-GRID回归强但无显著。结论：诱饵选择和模型类型影响大，任务和特征影响较小。
3.10 局限与未来方向：讨论指出诱饵无活性为假定，可能潜在活性使指标为保守下界；PLEC/GRID间接且单姿态；研究为回顾性；建议实验验证、扩大真非活性、三维/图网络/分子动力学、Bemis–Murcko骨架划分和前瞻筛选。结论：需前瞻酶学验证。

讨论总结：作者将主要不确定性归于诱饵标签噪声、表示能力不足和回顾性评价，并提出实验测定顶级诱饵、三维等变图网络/CNN、构象集合与分子动力学、Bemis–Murcko划分及前瞻筛选作为改进方向；这些均基于原文，不改变DeepCoy训练提高稳健性的核心结论。

研究结论部分翻译：本研究介绍了TMK-VS-Pred，一种专为结核分枝杆菌胸苷酸激酶（TMK）基于结构虚拟筛选（SBVS）设计的机器学习评分函数。研究人员的发现强调，使用具有挑战性的诱饵（如DeepCoy诱饵）训练机器学习模型以提高泛化和稳健性的关键重要性。在DeepCoy诱饵上训练的模型始终表现出优于Random诱饵训练模型的预测性能，尤其是在挑战性数据集上测试时。ANN-PLEC模型成为最有效分类器，达到PR-AUC 0.90和NEF_1% 0.96，并在Random和DeepCoy测试集上保持强性能。对于结合亲和力预测，XGB-GRID被证明最具预测性，Pearson和Spearman相关系数分别为0.87和0.73，表明其按结合亲和力准确排序分子的能力。结果还突出表明，在Random诱饵上训练的模型在相似诱饵上测试时表现出膨胀性能，但在DeepCoy诱饵上显著下降，强调SBVS任务中需要多样且现实的诱饵集。此外，与通用评分函数（Smina、RF-Score、SCORCH和CNN-Score）的比较显示，靶标特异性机器学习评分函数在分类和回归任务中均明显优越。TMK-VS-Pred取得显著更高的PR-AUC和NEF_1%值，尤其是在涉及挑战性诱饵的场景中，突出其加速抗TB化合物发现的潜力。此外，研究人员的发现证明了特征表示的影响：PLEC指纹在分类任务中略好，而GRID特征在结合亲和力回归中显示更强预测力。这种利用多种特征类型的双重方法确保对蛋白质-配体相互作用进行全面建模。ANN-PLEC用于分类和XGB-GRID用于回归的组合为药物发现提供了通用框架。总之，TMK-VS-Pred解决了通用评分函数的关键局限，并为SBVS提供了稳健的靶标特异性解决方案。通过整合挑战性诱饵、先进特征表示和定制机器学习算法，本研究为虚拟筛选方法设定了新基准。未来研究可通过探索额外特征化技术、扩展到其他蛋白靶标以及整合深度学习架构，进一步提高药物发现流程中的预测性能。TMK-VS-Pred代表了通过数据驱动、基于结构虚拟筛选抗击结核病的重要进展。三项注意事项应伴随这些结论。第一，基准中的负类主要由计算生成或随机选择的诱饵组成，其针对TMK-MTB的无活性是假设而非实验验证，因此报告指标是基准估计，尚待前瞻验证，且小部分诱饵可能证明具有可测活性。第二，PLEC和GRID表示仅从单一对接姿态间接编码蛋白质-配体几何，留下显式三维和构象集合表示（如三维卷积和等变图神经网络）作为进一步增益的明确机会。第三，此处评估是回顾性的：TMK-VS-Pred尚未前瞻应用，且没有由其排序的候选物针对TMK-MTB进行测定，因此该框架的真实命中率仍待确定。使用ANN-PLEC分类器和XGB-GRID回归器对商业库进行前瞻筛选，随后对顶级候选物进行酶学验证，是此工作的直接下一步。