TRPM8虚拟筛选:目标特异性与非活性富集机器学习评分函数的关键作用

《Digital Discovery》:TRPM8 Virtual Screening: The Essential Role of Target-Specific, Inactive-Enriched Machine-Learning Scoring FunctionsOpen Access

【字体: 大 中 小 】 时间:2026年09月18日 来源:Digital Discovery 7.1

编辑推荐:

   打开图形查看器 瞬时受体电位梅乐斯坦 8 (TRPM8) 离子通道是一个新兴的治疗靶点,与疼痛、炎症和其

  

瞬时受体电位梅乐斯坦 8 (TRPM8) 离子通道是一个新兴的治疗靶点,与疼痛、炎症和其他疾病有关。尽管基于结构的虚拟筛选 (VS) 被广泛用于药物发现,但通用和目标特异性机器学习 (ML) 评分函数 (SFs) 对 TRPM8 等离子通道的有效性仍有待研究。我们建立了 TRPM8 首个全面的基于结构的虚拟筛选基准。该基准回顾性地评估了经典的对接评分函数、通用机器学习评分函数以及目标特异性机器学习模型,涵盖多种 TRPM8 蛋白构象和对接方案。评估显示,通用机器学习重打分在该靶点上最多只能提供适度的且依赖于构象的改进,相较于经典对接。仅基于蛋白 - 配体相互作用指纹的目标特异性机器学习模型在采用回归算法时,改善了测试集上的早期富集。然而,性能仍对蛋白构象选择和化学差异性保持敏感。特征表示的系统评估表明,将结构衍生的相互作用特征与基于配体的描述符相结合,增强了选定对接工具 - 蛋白构象组合下的富集效果。关键的是,通过非活性富集训练,向学习算法提供更多负训练实例,大大减少了假阳性。这也使得基于结构的模型对化学差异性测试集的泛化能力显著改善。相比之下,仅配体的 QSAR 模型在类别不平衡的训练集中崩溃了。在非活性富集训练下,基于 PLEC 的支持向量回归 (SVR) 模型实现了稳健且强大的虚拟筛选性能,突出了在模型训练期间更好地学习非活性分子的巨大多样性对于开发 TRPM8 虚拟筛选的预测性目标特异性机器学习评分函数的重要性。

本文根据知识共享署名 4.0 非本地许可协议进行许可。您可以在其他出版物中使用本文材料,无需向 RSC 申请进一步许可,前提是提供正确的致谢。
本作品根据 知识共享署名 4.0 国际许可协议 进行许可。
署名
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