在机器学习中，是否可以使用电子结构信息学（ESI）描述符集来实现“跳过中间步骤”的方法？以基于天然产物的药物发现为例，探讨该方法在寻找α-葡萄糖苷酶抑制剂中的应用

《Journal of Cheminformatics》：Is scaffold hopping possible in machine learning using the electronic-structure-informatics (ESI) descriptor set? an application to natural-product-based drug discovery of α-glucosidase inhibitors

　　

摘要

电子结构信息学（ESI）描述符集被应用于从天然产物（NP）数据库中发现新型α-葡萄糖苷酶抑制剂。通过使用ESI描述符集和XGBoost进行回归建模，对抑制活性（pIC50）进行了计算机模拟（in silico）筛选。优化后的模型测试R2值为0.85，证明了其高预测准确性。为了寻找具有强抑制活性的天然产物，对2623种天然产物进行了计算机模拟筛选。已知的一些α-葡萄糖苷酶抑制剂，如theasinensin A、chebulagic acid和casuarictin，通过此次筛选得到了重新确认。此外，还发现了一些结构新颖且具有中等抑制活性的天然产物化合物，以及与已知抑制剂不同的新骨架结构。对新发现的化合物进行的一系列对接模拟显示，它们的结合分数高于市售药物阿卡波糖（acarbose）。这些结果证明了ESI描述符集在利用天然产物数据库进行“骨架跳跃”（scaffold hopping）研究中的适用性和独特性。

科学贡献

本研究表明，电子结构信息学（ESI）描述符集支持从天然产物库中高效地发现α-葡萄糖苷酶抑制剂，超越了传统的基于结构的搜索方法。通过将量子化学衍生的ESI描述符与机器学习相结合，我们识别出了结构新颖的天然产物抑制剂候选物，尽管这些候选物与已知化学类型的相似度较低，但仍表现出具有竞争力的预测活性。这项工作展示了电子结构信息在计算机模拟筛选中识别化学多样性候选物的价值。

电子结构信息学（ESI）描述符集被应用于从天然产物（NP）数据库中发现新型α-葡萄糖苷酶抑制剂。通过使用ESI描述符集和XGBoost进行回归建模，对抑制活性（pIC50）进行了计算机模拟（in silico）筛选。优化后的模型测试R2值为0.85，证明了其高预测准确性。为了寻找具有强抑制活性的天然产物，对2623种天然产物进行了计算机模拟筛选。已知的一些α-葡萄糖苷酶抑制剂，如theasinensin A、chebulagic acid和casuarictin，通过此次筛选得到了重新确认。此外，还发现了一些结构新颖且具有中等抑制活性的天然产物化合物，以及与已知抑制剂不同的新骨架结构。对新发现的化合物进行的一系列对接模拟显示，它们的结合分数高于市售药物阿卡波糖（acarbose）。这些结果证明了ESI描述符集在利用天然产物数据库进行“骨架跳跃”研究中的适用性和独特性。

科学贡献

本研究表明，电子结构信息学（ESI）描述符集支持从天然产物库中高效地发现α-葡萄糖苷酶抑制剂，超越了传统的基于结构的搜索方法。通过将量子化学衍生的ESI描述符与机器学习相结合，我们识别出了结构新颖的天然产物抑制剂候选物，尽管这些候选物与已知化学类型的相似度较低，但仍表现出具有竞争力的预测活性。这项工作展示了电子结构信息在计算机模拟筛选中识别化学多样性候选物的价值。