MSI:一种基于马氏距离的高维嵌入分子相似性指数

《Molecular Informatics》:MSI: A Mahalanobis-Based Molecular Similarity Index for High-Dimensional Embeddings

【字体: 大 中 小 】 时间:2026年08月29日 来源:Molecular Informatics 3.1

编辑推荐:

  量化分子相似性对于药物发现和探索化学空间至关重要。相似性评估总是结合两个独立的组成部分:分子表示和相似性系数。最常见的组合是使用Tanimoto系数评分的二元子结构指纹,其强烈依赖于指纹位密度,并且由于它比较未加权的子结构标识符集合,因而对重复片段的多样性不敏

  
量化分子相似性对于药物发现和探索化学空间至关重要。相似性评估总是结合两个独立的组成部分:分子表示和相似性系数。最常见的组合是使用Tanimoto系数评分的二元子结构指纹,其强烈依赖于指纹位密度,并且由于它比较未加权的子结构标识符集合,因而对重复片段的多样性不敏感,并经常产生掩盖有意义化学关系的排序并列。在此,研究人员引入了马氏相似性指数(MSI),它将连续的Mol2Vec嵌入与具有协方差感知的马氏距离(dM)及相关联的马氏角(θM)配对,提供一种统计上稳健且在描述符空间的可逆线性重参数化下不变的评估。研究人员在五种化学性质不同的参考化合物上评估了MSI:阿司匹林(一种水杨酸类非甾体抗炎药(NSAID))、苯胺(一种工业芳香胺)、姜黄素(一种多酚天然产物)、布洛芬(一种丙酸类NSAID)和洋地黄毒苷(一种强心苷)。相对于在ECFP4指纹上计算的Tanimoto系数,MSI在三个方面改善了分析:它提升了指纹法不重视的化学合理类似物;它解决了排序并列问题,在10个最近邻中恢复了7至10个不同分数,而Tanimoto仅恢复3至7个;并且其几何结构随QM9数据集中的HOMO-LUMO能隙系统性变化,表明该嵌入即使仅基于结构上下文训练,也能追踪电子结构。极坐标图和三维相似性图揭示了嵌入空间内的各向异性,并为高相似性检索定义了实际适用域。MSI在Tanimoto系数趋近于零饱和的区域内仍保持判别能力,稀疏的外围区域提示了骨架跃迁的机会。双径向-角度描述支持关于结构修饰如何改变电子性质的假设驱动推理。MSI计算高效、化学上可解释,并提供了一种导航高维化学空间的实用方法。除了药物发现之外,它还适用于材料科学、毒理学和化学生物学,只要这些领域使用连续分子嵌入进行性质驱动的筛选。
分子相似性量化是药物发现与化学空间探索的核心任务。相似性评估由两个独立成分构成:分子表示和相似性系数。最常见的组合是二元子结构指纹加Tanimoto系数(TSI),但该组合对指纹位密度高度敏感,且因为比较的是未加权子结构集合,无法区分片段出现的次数,导致不同分子(如寡聚体系列)获得相同分数,产生排序并列。此外,高维描述符之间普遍存在相关性,传统欧氏距离忽略这种相关性,无法准确刻画分子间关系。在此背景下,研究人员提出马氏相似性指数(MSI),将连续Mol2Vec嵌入与马氏距离(dM)和马氏角(θM)相结合,以提供协方差感知且具有线性不变性的度量。研究人员在五种化学性质不同的化合物上评估MSI:阿司匹林、苯胺、姜黄素、布洛芬和洋地黄毒苷。与ECFP4+Tanimoto基线相比,MSI表现出三个优势:提升指纹法低估的化学合理类似物;解决排序并列(在10个最近邻中恢复7-10个不同分数,而Tanimoto仅3-7个);且其几何结构随QM9数据集的HOMO-LUMO能隙变化,表明嵌入能追踪电子结构。该工作发表在《Molecular Informatics》。

在技术方法方面,研究人员使用Python 3.8、RDKit和预训练Mol2Vec模型(model_300dim.pkl)作为主要工具。数据来源为PubChem和QM9数据库。研究人员构建了ACI库(包含31,393个阿司匹林类、姜黄素类和布洛芬类分子)以及洋地黄毒苷增强库(32,903个分子)。每个分子生成ECFP4指纹和300维Mol2Vec向量,然后对每个库估计协方差矩阵Σ(加入Tikhonov正则化以保证正定性),并据此计算dM和θM,使用LOWESS平滑进行趋势分析。

研究结果按如下小标题分述:在4.1分子测试系统中,五个参考化合物覆盖了93至765 Da的分子量范围和多种结构类别。在4.2阿司匹林案例中,MSI排序的九个类似物共享水杨酸药效团,dM逐步增加(3.50-5.06),θM保持窄范围(0.95°-1.10°);而TSI出现五重并列,原因是水杨酸寡聚体的ECFP4位集完全相同。在4.3苯胺案例中,QM9中的MSI排序提升了甲苯、乙苯等芳香电子环境匹配的化合物,而TSI偏好苯二胺等子结构重叠分子;MSI排名与HOMO-LUMO能隙变化一致,表明嵌入与电子结构存在关联。在4.4扩展验证中,姜黄素、布洛芬和洋地黄毒苷三个更复杂的分子同样显示出TSI的严重并列(如布洛芬的10个最近邻中6个共享同一分数),而MSI大多能区分全部或几乎全部分子;洋地黄毒苷案例中,TSI将缺失一个糖单元的同系物评为完全相似(TSI=1.0000),而MSI将其分开,因为Mol2Vec向量按多重性求和。在4.5稳健性检验中,改变ECFP半径或折叠长度对TSI排名影响不大(Spearman ρ>0.94);使用MACCS键、余弦相似度或欧氏距离作为替代表示时,与TSI相关性中等(ρ=0.456-0.630),且均不能重现MSI的排序行为,表明协方差校正是MSI排名优势的关键因素。在4.6范围与局限性中,研究人员指出dM与θM高度冗余(ρ=1.0000),角度坐标主要用于设定可转移阈值;评估是检索排名比较而非筛选基准;表示法对立体化学不敏感,对位置异构
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号