基于正-未标注学习的口袋可成药性预测框架PocketBagger：一种面向药物发现的可泛化结构预测方法

《Digital Discovery》：PocketBagger: generalizable pocket druggability prediction via positive-unlabeled learningOpen Access

摘要专业翻译 基于结构的小分子可成药性可靠预测受到一个根本性标注问题的阻碍。实验确认的结合配体位点（阳性）是可观测的，但可信的“不可成药”口袋（阴性）几乎无法定义。因此，标准监督机器学习依赖于对“不可成药”的任意定义，导致偏差和假阴性。本文引入PocketBagger，一个正-未标注（PU）学习框架，用于口袋可成药性预测，仅使用实验确定的蛋白质数据银行（PDB）结构进行训练。PocketBagger采用PU bagging学习与可靠“可成药”口袋相关的关键特征，并将结构表征蛋白质组中的所有剩余口袋视为未标注。研究人员通过训练一个简单的PU-Bagging分类器展示了PocketBagger的能力，并在面对日益严格的泛化评估和整个蛋白质家族留出测试时，展示了稳健的召回率（0.804）。研究人员证明了PU学习相对于监督学习基线的附加价值，并展示了即使与领先的深度学习预测器相比也具有附加价值。更广泛地说，PocketBagger为口袋可成药性分类提供了一种通用的正-未标注公式。连同代码，PocketBagger生成的数据部署在canSAR.ai中，为药物发现社区提供可扩展、可泛化的口袋可成药性预测。

论文解读

一、研究背景与问题

药物发现是一个漫长且昂贵的过程，单个获批药物的研发成本常超过28亿美元，且候选分子在临床试验中的失败率高达约90%。在药物发现的最早且最关键步骤中，靶点选择至关重要，而口袋可成药性是小分子发现中技术可行性的关键决定因素。

“可成药性”概念提出至今已超过20年，2002年对“可成药基因组”的首次估计较为保守，依赖于与先前已成药“特权”家族的序列同源性。此后，计算方法不断演进，包括基于向量化口袋属性的方法（如PocketVec）以及越来越多地采用机器学习算法来学习可成药口袋的特征。这些方法通常涉及识别候选结合位点并评估其可成药性。值得注意的是，口袋检测与口袋可成药性分类是不同任务：前者识别候选空腔或表面位点，后者则根据候选位点结合药物样分子的可能性对其进行排序或分类。

当前方法面临的核心困境在于标签定义问题。实验确认的结合配体位点（阳性）是可观测的，但可信的“不可成药”口袋（阴性）几乎无法定义。在PDB结构中，仅有6.6%的口袋含有任何配体，这凸显了实验观测到配体结合口袋的稀疏性。将未结合配体的口袋视为阴性是幼稚的假设——配体缺失并不代表口袋本质上无法结合药物样分子。此外，由于实验验证的可成药位点数量极少，生成独立测试集以恰当评估超出当前认知的泛化能力极具挑战。因此，现有方法存在偏差，偏向于已知程度的可成药性，对真正新颖的可成药位点存在系统性偏见。

二、研究内容与结论

针对上述局限性，研究人员提出采用正-未标注（PU）学习框架进行口袋可成药性预测。在PU学习中，训练集包含少量确认的阳性样本和大量未标注池（阳性与阴性的混合），未标注类别被视为“未知”而非假定为阴性。PU bagging是一种合适的PU方法，它通过反复在所有阳性和不同重采样的未标注子集上训练分类器并聚合各bag的预测，避免将任何未标注样本承诺为确定性阴性标签。鉴于“不可成药”口袋很少能以与可成药口袋相同的置信度被观测到（如历史上被视为“不可成药”的KRAS靶点后来被证明是可成药的），PU学习为口袋可成药性提供了比标准监督分类更合适的学习范式。

研究人员引入了PocketBagger，一种基于正-未标注学习的结构口袋可成药性预测方法，仅使用实验确定的PDB结构进行训练。PocketBagger采用PU bagging，从含有精选药物样配体的口袋中学习阳性特征，同时将剩余口袋视为未标注，避免了不可靠的“不可成药”标签。泛化性是贯穿始终的首要设计目标：超参数选择和性能评估采用序列聚类感知验证以防止同源泄漏，辅以链感知和蛋白质感知分割、靶向蛋白质家族留出以及标签置换对照，以量化在日益严格的分布外设置下的稳健性。

三、关键技术方法

研究人员主要采用了以下关键方法：其一，数据整理方面，从canSAR.ai中查询口袋，根据口袋中是否存在“药物样”配体进行阳性标注，药物样配体通过Lipinski、Veber和Ghose过滤器结合QED≥0.5等标准定义，并额外使用隔离森林（Isolation Forest）扩展“合理”配体面板；其二，使用MMSeqs2在30%序列同一性阈值下对PDB SEQRES序列进行聚类，共获得580,304条独特蛋白质链，归入24,101个基于序列的簇，用于驱动聚类感知分割；其三，采用PU bagging集成学习框架，使用imbalanced-learn的BalancedBaggingClassifier，以决策树为基础估计器，每个bag保留全部阳性样本并采样等量未标注样本作为临时阴性；其四，使用贝叶斯优化（BayesSearchCV）进行超参数调优，以平均精度为优化目标，验证折采用序列聚类感知分割；其五，训练隔离森林于训练集阳性样本上，用于将测试口袋分为分布内和分布外，并作为适用域标记；其六，采用Elkan-Noto PU类先验估计方法，结合等渗校准和逆序列聚类加权，推导基于流行度的操作阈值。

四、研究结果

PU学习改进可成药性标签训练。 在嵌套交叉验证下，PocketBagger在随机分割下达到高真阳性召回率（0.895±0.003）和recall@K_i（0.948±0.002）。链感知分割保持整体召回率（0.895±0.005）但降低结构级恢复（0.870±0.005）。蛋白质感知分割下召回率降至0.812±0.042，recall@K_i降至0.815±0.033。序列聚类感知分割（30%同一性）对召回率影响较小（0.804±0.055，recall@K_i为0.805±0.059），有效限制了同源泄漏。标签置换测试确认性能并非数据集伪影所致（置换后召回率降至0.450±0.200）。

PU与监督学习的受控比较。 使用相同框架但不进行未标注池欠采样的监督基线，在固定阈值0.5下召回率显著低于PocketBagger，但排序性能（平均精度和recall@K_i）与PU bagging相近。监督基线产生更压缩的分数分布，而PU bagging产生更宽的分数分离，为实际操作阈值提供了更大空间。

靶向蛋白质家族留出压力测试。 对蛋白激酶、核激素受体和G蛋白偶联受体三个药物相关家族进行完整留出测试，同时移除训练集中与留出家族共享序列簇的记录。口袋级真阳性召回率在蛋白激酶中为0.907，G蛋白偶联受体中为0.894，核激素受体中最高达0.960。recall@K_i分别为0.909、0.838和0.938。隔离森林标记的分布外口袋在蛋白激酶中召回率较低（0.38），人工检查发现这些口袋要么异常小要么异常大，其中26个为实验伪影导致的错误阳性标签。

与GrASP的时间和新颖性基准比较。 使用26条在2023年7月26日后发布且属于此前未观测序列簇的PDB链作为严格外部基准。在配体锚定的均值和最大值概率标准下，PocketBagger的召回率均高于GrASP，但该基准仅含26条链和28个阳性口袋，结果应视为描述性说明而非统计性定论。

特征重要性分析。 置换重要性分析表明，PocketBagger的预测主要由几何封闭性（bur_vertices）、口袋大小（pocket_size）、粗糙度（cons_rating）、深度（max_depth）和体积比（vol_ratio）等几何特征驱动，理化组成（nrm_polar_ratio、hp_ratio）和热点代理（hot_fraction）作为二阶判别因素。

分数和异常感知的未标注口袋阈值设定。 研究人员结合三种互补截断方法：未标注样本分数分布的Tukey上栅栏阈值（k=1.5和k=3.0）、Elkan-Noto类先验估计推导的流行度知情阈值、以及基于隔离森林分数的深度-1决策树边界。这些分析提供透明且可审计的阈值选择替代方案。

五、讨论与结论

PocketBagger解决了结构可成药性预测中的核心挑战：缺乏可靠的阴性（“不可成药”）标签以及标准监督训练引入的偏差。通过将口袋可成药性构建为正-未标注学习问题，并使用PU bagging对实验确定的PDB结构中的SURFNET衍生口袋特征进行学习，PocketBagger学会优先考虑具有与实验观测的药物样配体结合相关特征的口袋，同时将剩余空腔视为未标注而非赋予确定性阴性标签。

在泛化优先的评估设计中——涵盖随机、链感知、蛋白质感知和序列聚类感知分割——PocketBagger在泄漏控制增强时保持强召回率，为新颖蛋白质和未见序列家族上的性能提供了现实估计。靶向药物相关家族留出和标签置换对照进一步强化了这些结果。在针对当代深度学习位点预测器（GrASP）的小型但具有挑战性的时间和新颖性基准上，PocketBagger的性能与其聚类感知估计一致，尽管其机器学习框架更简单，仍实现了高于GrASP的召回率。这些结果连同与监督学习基线的比较表明，正-未标注公式在避免未标注口袋为真阴性这一无根据假设的同时，保持了强预测性能和泛化能力。PocketBagger的代码库可自由获取，结果部署在canSAR（https://cansar.ai/）中，每周更新，使药物发现社区能够使用一个明确设计和评估用于泛化性的模型，探索最新的蛋白质结构以寻找可能可成药的位点。