基于分子对接与QSAR建模整合的天然产物芳香化酶（CYP19A1）抑制剂计算机虚拟筛选

《Bioinformatics and Biology Insights》：In Silico Identification of Natural-Product Aromatase (CYP19A1) Inhibitors via Integrated Molecular Docking and QSAR Modelling

　　

芳香化酶（CYP19A1）是雌激素生物合成中的限速酶，也是雌激素受体阳性（ER+）乳腺癌的主要治疗靶点。尽管第三代芳香化酶抑制剂（AIs）如来曲唑和阿那曲唑在临床上取得了成功，但获得性耐药和全身性不良反应（包括肌肉骨骼疼痛、骨密度丢失和心血管并发症）使得有必要鉴定新的骨架。本研究采用整合计算流程，将基于配体的定量构效关系（QSAR）建模与基于结构的分子对接相结合，对AfroDB和EANPDB天然产物库进行推定芳香化酶抑制剂筛选。使用来源于ChEMBL（v33）的3,068个唯一化合物整理的数据集训练随机森林模型，二元分类模型在独立留出集上实现了受试者工作特征曲线下面积（AUC）为0.95，准确率为0.90，马修斯相关系数（MCC）为0.76。用于pIC₅₀预测的回归模型在测试集上达到R²为0.65，均方根误差（RMSE）为0.81个pIC₅₀单位。将训练好的分类器应用于筛选1,871个AfroDB化合物；361个被预测为有活性，其中71个位于定义的适用域内。对接入人芳香化酶晶体结构（PDB ID：3S79）的分子对接揭示，排名最高的候选物为异戊烯基二氢黄酮（5,7-二羟基-4′-甲氧基-3′-(3-羟基-3-甲基丁-1-烯基)-5′-(3-甲基丁-2-烯基)黄烷酮），其结合亲和力为?9.598 kcal/mol，在相同对接条件下优于来曲唑（?7.11 kcal/mol）和阿那曲唑（?7.617 kcal/mol）。通过共晶配体的重新对接验证了对接方案（RMSD = 1.35 ?）。综合分析确定了与关键活性位点残基Arg115、Phe221、Thr310、Val370、Met374和Phe430的接触。ADMET分析表明，65%的优先命中满足Lipinski五规则，95%符合Veber生物利用度标准。本研究为下一代AI发现提供了可重复的计算框架，并遵循用于生物医学研究机器学习的TRIPOD+AI报告指南。

论文解读：基于QSAR与分子对接的天然产物芳香化酶抑制剂计算机筛选

一、研究背景与目的

乳腺癌是全球最常见的恶性肿瘤，其中雌激素受体阳性（ER+）亚型约占所有病例的70%–85%。此类肿瘤的增殖和存活高度依赖雌激素信号，因此雌激素生物合成成为治疗干预的核心靶点。芳香化酶（CYP19A1）是一种细胞色素P450酶，催化雄激素转化为雌激素的最终限速步骤，是激素依赖性乳腺癌的关键分子靶点。第三代芳香化酶抑制剂（AIs）如来曲唑、阿那曲唑和依西美坦通过阻断雌激素产生显著改善了ER+乳腺癌患者的无病生存和总生存，但获得性耐药和全身性不良反应（如关节痛、骨质疏松、心血管并发症）限制了其长期疗效。此外，传统高通量筛选成本高、耗时长。因此，需要开发新型AI骨架，而天然产物因其化学多样性和进化优化的生物活性成为重要来源。AfroDB和EANPDB等数据库提供了大量未充分开发的天然化合物。本研究旨在建立一个可重复的计算流程，整合基于配体的定量构效关系（QSAR）建模与基于结构的分子对接，从天然产物库中筛选推定芳香化酶抑制剂，为下一代AI发现提供候选物。该研究发表在《Bioinformatics and Biology Insights》。

二、主要技术方法

研究人员从ChEMBL（v33）数据库获取3,068个唯一化合物（去重后2,187个）的IC₅₀数据，使用RDKit标准化并用Morgan指纹（半径2，2,048位）进行表征。采用随机森林算法构建二元分类模型（活性/非活性）和回归模型（预测pIC₅₀），并通过5折交叉验证和独立测试集评估。将训练好的模型应用于AfroDB库进行虚拟筛选，并利用最近邻Tanimoto相似性定义适用域（AD）。对AD内的预测活性化合物，使用AutoDock Vina（v1.2.3）对接至人芳香化酶晶体结构（PDB ID：3S79），并用共晶配体重对接验证方案（RMSD=1.35 ?）。此外，对四个代表性化合物进行100 ns分子动力学（MD）模拟（GROMACS，CHARMM36力场），并使用SwissADME预测ADMET性质。

三、研究结果

3.1 数据预处理：从ChEMBL初始获得4,244个化合物，排除中间活性（1–10 μM）后得到3,068个，去重后2,187个，其中1,533个活性（IC₅₀≤1,000 nM），654个非活性（IC₅₀>10,000 nM）。通过四步流程处理测定间变异性。

3.2 适用域分析：采用最近邻Tanimoto相似度，AD阈值设为训练集第5百分位数（≥0.500）。AfroDB中仅193个（10.3%）化合物在AD内，表明天然产物与训练集结构差异大。

3.3 QSAR模型开发与性能：随机森林分类模型在独立测试集上AUC为0.949，准确率0.901，MCC 0.756；回归模型R²=0.652，RMSE=0.807 pIC₅₀单位。

3.4 三分类（活性/中间/非活性）：训练三分类器，基线模型准确率70.0%，中间类误分类最高，支持排除中间类。

3.5 回归模型性能：预测pIC₅₀值与实验值相关性良好，残差分布近似正态，无系统偏差。

3.6 基于SHAP的特征重要性分析：识别出对预测贡献最大的指纹位点，如Bit_932和Bit_843正向影响活性预测，Bit_1917和Bit_1164负向影响，表明模型捕获了真实构效关系。

3.7 外部验证与适用域评估：在结构不同的外部ChEMBL数据集上性能显著下降（分类AUC=0.56，回归