基于局部计算模型的前列腺素F2α类似物眼部毒性预测：优于全局模型及实验验证

《Molecules》：Prediction of Ocular Toxicity of Prostaglandin F2α Analogs Based on Local Computational Models: Superiority over Global Models and Experimental Validation

　　

药物诱导的眼部毒性难以预测和评估，尤其是在用于青光眼治疗的前列腺素F₂α（PGF₂α）类似物方面。传统的全局预测模型基于大型且多样化的数据集（n = 6187）构建，对于结构均匀的化合物组会产生系统性的假阴性结果。为了解决这一局限性，研究人员针对PGF₂α类似物开发了特殊的局部分类模型。通过Murcko骨架过滤和Tanimoto相似性选择（≥0.5），构建了一个结构一致的局部训练数据集（n = 350）。使用三种不同的分子指纹并结合机器学习及两种深度学习方法构建了二分类模型。虽然二维分子表示不编码立体化学信息，但计算预测仍适用于这些化合物共有的二维骨架。这些改进的模型被用于预测拉坦前列素及其相关杂质的眼部毒性。局部模型（n = 350）为拉坦前列素、拉坦前列素酸、15(S)-拉坦前列素和trans-5,6-拉坦前列素异构体提供了准确的毒性预测，而所有16个全局计算模型均给出了假阴性结果。使用原代兔角膜上皮细胞（pRCECs）和人角膜上皮细胞系（HCE-T）进行的实验评估证实了细胞毒性效应，这与模型的预测一致。在测试的化合物中，15(S)-拉坦前列素表现出最高的细胞毒性（IC₅₀ = 86.22 μM，95% CI：82.90–89.56 μM），其次是trans-5,6-拉坦前列素（IC₅₀ = 106.70 μM，95% CI：103.4–110.0 μM）和拉坦前列素（IC₅₀ = 112.60 μM，95% CI：106.7–118.6 μM）。在标准治疗剂量（0.005%）下，未观察到明显的毒性反应。采用虚拟分子对接探讨其机制，所有类似物均能良好地对接至线粒体复合物I的醌结合通道和SIRT3的催化裂缝中。这些结果表明，局部建模方法能够更好地捕捉化学相似化合物间的结构-毒性相关性，并强调了对拉坦前列素产品中杂质进行严格管理的迫切需求，尤其是对15(S)-拉坦前列素。

该研究发表于《Molecules》杂志，聚焦于前列腺素F₂α（PGF₂α）类似物的眼部毒性预测。眼部组织对外源化学物质敏感，药物诱导的眼部毒性临床表现多样，且常在广泛临床应用后才被发现，早期预测十分困难。PGF₂α类似物是青光眼的一线治疗药物，以拉坦前列素为代表，其合成过程中会产生几何异构体和非对映异构体等杂质，但这些杂质对眼部组织的潜在毒性此前缺乏系统研究。传统的动物实验如Draize试验存在可重复性差、伦理问题及种属差异等局限，亟需替代方法。当前的计算预测模型多采用全局建模策略，即基于结构多样的化合物数据集训练，但对于结构均匀的特定化合物组可能产生系统性假阴性结果。因此，该研究旨在开发针对PGF₂α类似物的局部结构-毒性关系（STR）模型，与全局模型比较，并通过体外实验验证其预测能力。

研究人员从已发表文献和公共数据库收集了6187个化合物的数据集，通过Murcko骨架过滤和Tanimoto相似性选择（≥0.5）筛选出350个结构一致的化合物作为局部训练集。使用RDKit、MACCS和Morgan三种分子指纹，结合k近邻（KNN）、支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）、卷积神经网络（CNN）和图卷积网络（GCN）构建了16个二分类模型，并与在6187个化合物上训练的对应全局模型比较。模型评估采用10折交叉验证、外部测试集验证、Y随机化检验、DeLong检验和McNemar检验；适用域评估采用杠杆方法和图嵌入K近邻方法；模型解释采用GCN梯度显著性分析。随后，研究人员用这些模型预测拉坦前列素及其相关杂质（拉坦前列素酸、15(S)-拉坦前列素、trans-5,6-拉坦前列素）的眼部毒性，并用原代兔角膜上皮细胞（pRCECs）短时暴露试验和人角膜上皮细胞系（HCE-T）24小时连续暴露试验进行实验验证，最后通过分子对接探讨潜在机制。

结果部分如下：

2.1 PGF₂α类似物的眼部毒性预测模型

2.1.1 最佳超参数组合
通过10折交叉验证确定了每个模型的最优超参数，不同算法与指纹类别间差异显著。RF的估计器数量为300–500，最大树深为无限制至10；XGBoost的学习率较低（0.05–0.1），最大树深为2–6；CNN的核大小为16或32，学习率为0.0005–0.001；GCN采用3层图卷积，隐藏维度64，学习率0.005。

2.1.2 模型性能评估
外部测试集含70个化合物，正负比约2.9:1，阴性样本仅18个，特异性指标分辨率有限。10折交叉验证中，RF+RDKit模型表现最好，特异性为0.9714（95% CI：0.9068–1.0000），平衡准确率（BA）为0.9405。外部测试集上，RF+RDKit、RF+Morgan和SVM+RDKit的AUC最高；SVM+Morgan和RF+Morgan的敏感性最高（0.9808）。

2.1.3 Y随机化验证
对最优模型进行100次标签随机置换，随机化模型的平均AUC低于0.6，平均BA低于0.55，显著低于原始模型。三个领先模型的Z值均大于3.5（p < 0.001），证明预测能力并非来自随机相关。

2.1.4 模型性能统计比较
DeLong检验显示，RF+RDKit与RF+Morgan（p = 0.512）、SVM+RDKit（p = 0.287）的AUC差异不显著，但与CNN+Morgan的差异呈边缘显著（p = 0.048）。McNemar检验显示，外部测试集上各最优模型间的分类准确率无显著差异，表明性能排序稳定。

2.1.5 适用域评估结果
四种目标化合物在全部15个指纹模型中的适用域得分均>0.5，且满足GCN的适用域标准，表明这些化合物位于模型的训练数据覆盖范围内，预测结果不是外推误差。

2.1.6 预测结果
拉坦前列素、15(S)-拉坦前列素和trans-5,6-拉坦前列素被13/16个模型判为有毒，拉坦前列素酸被16/16个模型判为有毒。这种跨算法的高度一致性支持PGF₂α类似物存在眼部毒性危害的结论。

2.1.7 模型解释与立体化学限制
GCN梯度显著性分析显示，与毒性预测最相关的结构特征为ω链上的羟基及相邻碳原子、α链上羧酸/酯基及其双键、前列腺素核心的极性取代基；苯环体系显著性较低。由于二维分子表示无法编码立体化学，GCN对三个立体异构体给出了相同的预测概率（0.9956），拉坦前列素酸为0.9918。训练数据中明确指定立体中心的化合物极少（局部数据集为0，全局数据集为0.03%），导致即使是手性感知编码也无法提供有效信息。

2.2 体外角膜细胞毒性验证

2.2.1 计算预测与体外毒性的相关性
在0.005%浓度下，四种化合物均维持约97–105%的细胞