抗炎活性的分子建模：ToSS-MoDE方法在合成与天然化合物中的应用

《Biophysica》：Molecular Modelling of Anti-Inflammatory Activity: Application of the ToSS-MoDE Approach to Synthetic and Natural Compounds Manuel Londa Vueba, Ana Figueiras and Luis Alberto Torres Goméz

　　

基于试错的传统药物设计方法成本高且效率低。计算方法ToSS-MoDE（拓扑亚结构分子设计，Topological Substructural Molecular Design）通过将分子描述符与生物活性相关联提供了一种替代方案。研究人员开发了一个QSAR（定量构效关系，Quantitative Structure–Activity Relationship）模型，利用加权光谱矩预测合成与天然化合物的抗炎活性。光谱矩（μ_k）是根据410种化合物（180种活性，230种非活性）的键邻接矩阵计算得出的。使用MODESLAB软件（MICROSOFT OFFICE 365）生成描述符，并应用线性判别分析（LDA，Linear Discriminant Analysis）对活性进行分类。该模型通过62种化合物的外部系列进行验证。结果：该模型在训练系列中的总体分类正确率为91.59%，在验证集中为90.2%。光谱矩μ₀、μ₃、μ₄和μ₅是最显著的。天然代谢物薯蓣皂苷元（Diosgenin）显示出潜在抗炎活性（分类概率：81%）。该模型表现出强大的训练性能（准确率91.7%）和令人满意的外部性能（对于可置信分类的化合物）。所有数据集、描述符生成设置、系数和后验概率均在正文中完整描述，以确保完全可重复性。

**论文解读：基于ToSS-MoDE方法对抗炎活性的分子建模及其在合成与天然化合物中的应用**

**研究背景与问题**
炎症是由类花生酸、细胞因子等化学介质介导的复杂生理过程。当前抗炎药物（非甾体抗炎药和类固醇）存在显著不良反应，促使研究人员寻找新的替代物。传统基于试错法的药物设计成本高且效率低，而计算策略（如定量构效关系，QSAR）可通过分子描述符预测生物活性，优化药物发现。近年来，分子建模技术（包括分子对接、分子动力学模拟和QSAR建模）能够快速对合成与天然化合物进行计算机评估，不仅降低先导物识别成本，还加深了对分子间相互作用（如结合亲和力、构象稳定性）的理解。然而，现有方法仍需进一步结合拓扑信息以高效区分活性与非活性化合物。因此，本研究旨在应用拓扑亚结构分子设计（ToSS-MoDE）方法，利用加权光谱矩建立预测抗炎活性的QSAR分类模型，以增强虚拟筛选能力。

**研究内容与结论**
Manuel Londa Vueba等人采用ToSS-MoDE框架，基于键级理化性质（键距、偶极矩、疏水性、极化率）计算410种训练化合物（180种活性、230种非活性）的加权光谱矩（μ₀–μ₁₅），并通过线性判别分析（LDA）构建分类模型。模型经62种外部化合物验证，整体准确率在训练系列达91.59%，外部验证为90.2%。关键光谱矩μ₀、μ₃、μ₄和μ₅对判别贡献显著。模型还预测了药用植物代谢物薯蓣皂苷元（Diosgenin）具有高抗炎活性概率（81%），但需实验验证。该研究证明了加权光谱矩在合理药物设计中的价值，提供了一种可重复、透明的QSAR分类工具。论文发表在《Biophysica》。

**主要关键技术方法**（不超过250字）
研究使用了来源于文献和公开数据库的化合物集：训练集包含410种化合物（180种活性、230种非活性），外部验证集包含62种未参与建模的化合物，活性标签基于环氧化酶（COX-1/COX-2）抑制、炎症介质（前列腺素、细胞因子）抑制及体内抗水肿模型等实验数据确定（来源详细信息见正文表1–3）。关键方法包括：（1）使用MODESLAB软件和ToSS-MoDE框架，通过键邻接矩阵计算加权光谱矩（μ₀–μ₁₅），权重为键距、偶极矩、疏水性和极化率；（2）描述符预处理采用训练集均值和标准差进行标准化；（3）应用线性判别分析（LDA）构建分类模型，以0.5为后验概率阈值，低于0.6标记为未分类；（4）模型验证通过训练集混淆矩阵和外部验证集（仅计算置信分类化合物）评估，并报告Wilks' lambda、马氏距离平方（D²）、Fischer系数等统计指标。所有软件设置及参数在正文中完全公开以确保可重复性。

**研究结果**（保留原小标题）

**3.1 判别函数**
通过LDA获得了标准化ToSS-MoDE描述符的线性判别方程，方程系数在正文表3中提供。关键描述符包括：μ₀、基于键距的一阶光谱矩（μ STD1）、基于键偶极的一阶和二阶光谱矩（μ DIP1、μ DIP2）、基于疏水性的一阶光谱矩（μ HYD1）和基于极化率的一阶光谱矩（μ POL1）。这些变量组合构成了抗炎活性判别函数，其统计显著性和判别能力由Wilks' lambda（λ）、马氏距离平方等指标确认。

**3.2 训练集性能**
训练集混淆矩阵显示总体准确率为91.7%，灵敏度与特异性平衡，马修斯相关系数为0.83，表明分类性能稳健。活性化合物正确分类率为91.53%，非活性化合物正确分类率为92.00%，假阳性和假阴性率分别为8.00%和8.47%。

**3.3 外部验证**
62个外部化合物中，51个被置信分类（后验概率≥0.6），总体准确率为90.2%（活性化合物89.89%，非活性化合物91.77%）。11个化合物因后验概率低于0.6而被标记为未分类；若保守地将这些视为误分类，则整体准确率为74.2%。该模型在预测系列中假活性和假非活性率分别为8.23%和11.11%。由Wilks' lambda（0.3–0.8之间）、马氏距离（>1）和Fischer系数等统计指标支持模型判别力。

**3.4 键对活性的贡献（等贡献区分析）**
通过定义等活性区（所有键贡献为正且度数≥1）和等负性区（所有键贡献为负且度数≥1），研究人员分析了键贡献对活性模式的作用。以双氯芬酸（如图1所示）为例，等活性区集中在苯环和杂环系统，而氯原子等取代基表现为等负性区。对活性化合物奥普诺辛（Orpanoxin）的分析表明，苯环和呋喃环的等活性区贡献分别为3.72和2.37，归因于其对四阶光谱矩μ₄的正贡献；氯取代基通过吸电子效应增强分子缺电子性，间接促进与受体的高电子密度位点相互作用。对非活性化合物（如溴马嗪、氯普噻吨）的分析显示，其等负性区主要位于芳香环和侧链，而正贡献区仅限于硫原子或特定取代基位点。这种等贡献区划分有助于根据合成、药理学或电子标准设计活性分子。

**3.5 药用植物代谢物评估**
模型被应用于预测两种药用植物代谢物：（1）24-羟基托马酸糖苷酯——分析显示其大部分结构贡献为负，但酯基等高活性区贡献显著；（2）薯蓣皂苷元（Diosgenin）——模型预测其具有高抗炎活性概率（后验概率0.81），但研究人员明确指出这是基于QSAR的理论预测，因为植物提取物中可能存在其他活性成分，需要对分离的薯蓣皂苷元进行实验验证以确认生物学活性。

**讨论与结论**
讨论部分强调模型统计指标（Wilks' lambda、马氏距离及分类百分比）确认了模型的判别能力，尤其通过外部预测系列的高准确率（90.2%）验证了泛化能力。等贡献区分析从电子和亚结构角度解释了活性与非活性分子的结构决定因素，卤素等吸电子基团通过增加分子缺电子性间接增强活性，而非直接贡献于光谱矩。对于天然产物预测，薯蓣皂苷元的高概率结果与文献中提取物抗炎作用一致，但分离成分的实验验证仍是必要条件。结论部分翻译如下：
ToSS-MoDE模型展示了强大的稳健性和对抗炎活性的预测能力，强调了光谱矩在合理药物设计中的价值。此外，将该模型应用于药用植物代谢物，确定了薯蓣皂苷元为具有高预测概率的抗炎活性化合物。这一结果代表了一个基于QSAR的理论预测。尽管含有薯蓣皂苷元的植物提取物已被报道具有抗炎作用，但需要对该分离化合物进行实验验证以确认其生物活性。ToSS-MoDE/LDA框架为抗炎活性提供了一个可重复且透明的QSAR分类模型。本研究中使用的所有数据和模型参数均包含在正文中，以便验证和重复使用。