可解释的基于机器学习定量构效关系框架用于预测凝血酶抑制活性

《Pharmaceuticals》：An Explainable Machine Learning-Based QSAR Framework for Predicting Thrombin Inhibitory Activity

　　

背景/目的：公共凝血酶生物活性记录包含异质终点、重复测量、相关化学系列和潜在反应性化合物，可能使定量构效关系模型产生偏倚。研究人员开发了一种可解释、assay感知且防泄漏的机器学习框架，用于预测凝血酶抑制活性。方法：研究人员将人凝血酶(CHEMBL204)的精确Ki与IC50记录标准化，转换为pActivity，并按预定义标准聚合。最终数据集包含5189个唯一化合物，由开发集过滤后的Mordred描述符和Morgan指纹表示。模型使用仅开发集的袋外验证优化，并采用随机与支架不重叠保留测试评估。结果：随机划分中，ConsensusAll袋外R2为0.7588，保留测试R2为0.7480，RMSE为0.7360，MAE为0.5307，一致性相关系数(CCC)为0.8540。支架不重叠锁定测试中，ConsensusTop5的R2=0.5831，RMSE=0.9484，MAE=0.7290。适用性域覆盖92.68%锁定测试化合物，R2=0.6041。100次Y随机化平均R2为?0.1233，经验p=0.0099。结论：该框架在所代表化学空间内可提供有用预测，并对未知支架具有可衡量泛化能力，可支持化合物优先级排序，但仍需前瞻生化验证。

研究背景方面，止血是维持血管完整性的受调控生理过程，凝血酶（thrombin，凝血因子IIa）作为类胰蛋白酶丝氨酸蛋白酶，在凝血启动、放大和稳定中居核心地位。现有直接凝血酶抑制剂如dabigatran、argatroban、bivalirudin仍有出血风险、药代差异和剂量调整等局限。公共数据库ChEMBL虽提供大量生物活性记录，但存在重复结构、单位不一致、K_i（抑制常数）与IC₅₀（半数抑制浓度）终点异质、重复测量冲突和潜在反应性结构等问题，传统定量构效关系(QSAR，Quantitative Structure–Activity Relationship)模型易受影响而产生偏倚。因此，研究人员开展一项assay感知、防泄漏且可解释的机器学习QSAR研究，论文发表于《Pharmaceuticals》。

关键技术方法方面，研究人员从ChEMBL获取人凝血酶(CHEMBL204)记录，仅保留精确关系、纳摩尔单位、无数据有效性警告且可RDKit标准化的结构；将K_i与IC₅₀转为pActivity并按结构与终点分组，用中位数聚合一致重复、排除跨度大于1.0 log的冲突组与跨终点不一致对；用Mordred二维描述符和Morgan指纹表示化合物，特征过滤与缺失值填补仅在开发集进行；采用随机80:20与Bemis–Murcko支架不重叠划分，内部用五折支架分组验证；模型含随机森林、Extremely Randomized Trees(ExtraTrees)、XGBoost、LightGBM、支持向量回归等，并以非负最小二乘构建ConsensusTop3/Top5/All；用SHAP（SHapley Additive exPlanations）、置换重要性、Y随机化、基于Morgan Tanimoto相似度的适用性域(Applicability Domain)解释与稳健性评估。

研究结果方面，2.1 Assay感知整理与数据集特征显示，初始9327条记录经精确关系、单位、有效性警告、结构标准化和去重后得6414条；按结构–终点分组后排除96个冲突重复组和49个不一致跨终点对，最终5189个唯一化合物，pActivity范围3.37–11.00，520个含潜在反应结构警报。2.2 分子表示与防泄漏特征处理显示，Mordred从1613降至615个非冗余描述符，Morgan 2048位中保留2039个非常量特征，过滤与填补均冻结于开发集，避免测试集泄漏。2.3 随机保留模型开发与预测性能显示，ExtraTreesMorgan袋外R²=0.7448最强；ConsensusAll袋外R²=0.7588，随机保留1038化合物测试R²=0.7480、RMSE=0.7360、MAE=0.5307、CCC=0.8540。2.4 支架不重叠数据集划分显示，开发集4151化合物1180支架，锁定测试1038化合物295支架，无支架重叠，活性分布与警报比例均衡，测试化合物对开发集中位最大Morgan Tanimoto相似度0.7045。2.5 支架分组模型选择与锁定测试性能显示，ExtraTreesMorgan支架袋外R²=0.5714；ConsensusTop5被选并冻结，锁定测试R²=0.5831、RMSE=0.9484、MAE=0.7290、CCC=0.7257。2.6 随机与支架不重叠验证比较显示，两者R²差0.1649，性能下降来自结构划分难度而非拟合不稳定。2.7 终点特异与反应亚结构敏感性分析显示，K_i仅子集R²=0.6053优于IC₅₀仅子集0.5097；无警报化合物R²=0.5717，警报化合物0.5674，说明反应基团未主导预测。2.8 Y随机化分析显示，100次置换响应后ExtraTreesMorgan平均R²=?0.1233，最高?0.0033，经验p=0.0099，排除偶然相关。2.9 基于相似性适用性域显示，阈值D*=0.5867，域内962化合物R²=0.6041、RMSE=0.9268，域外76化合物R²=?0.0043；相似度四分位R²从0.2560升至0.7486。2.10 模型解释与结构归因显示，ExtraTreesMorgan中Morgan位935、82、1416等经TreeSHAP影响最大，映射为代表原子环境如取代芳环、氮杂环、羰基区；SVRMordred中n7FARing、SlogP_VSA4等描述符经置换重要性突出，解释为模型关联而非因果机制。2.11 补充数据与可重复性记录显示，项目种子20260823，锁定前完成模型选择，补充材料含整理、划分、特征、超参与解释记录。

讨论部分总结方面，研究人员指出随机划分反映已知化学空间内插值，支架不重叠反映新核心框架外推；assay感知整理降低但未消除实验异质；K_i与IC₅₀合并为pActivity具端点异质，K_i信号更强；反应警报敏感分析不支持共价机制主导；ExtraTreesMorgan与共识模型互补提升稳定；Y随机化仅为负对照；适用性域说明局部环境支持决定可靠性；SHAP与置换重要性产生假设而非机制证据；相较Masand等的GA-XGBoost，本文贡献在集成验证与透明可重复；模型适用于虚拟筛选排序，不替代生化与ADMET实验；局限含单库回顾、元数据不全、端点非同质、反应机制未定、支架相似连续、解释受哈希碰撞影响、无前瞻合成验证。

结论部分翻译方面，本研究建立了一个assay感知、可解释且防泄漏的机器学习QSAR框架用于预测凝血酶抑制活性。对ChEMBL记录的系统性整理在分子标准化、重复一致性评估、跨端点协调和冲突测量排除后产生了5189个唯一化合物数据集。随机保留评估显示所代表化学空间内有用预测能力，支架不重叠锁定测试提供对新支架的保守泛化估计。端点特异、反应警报、Y随机化和适用性域分析厘清了预测受支持的条件。该框架可支持凝血酶抑制剂发现中的假设生成与实验优先级排序，但前瞻性生化验证仍必要。