《Computational Biology and Chemistry》:SilicoSAR: an integrated machine-learning QSAR module within the SilicoXplore platform for QSAR-based virtual screening, demonstrated by the discovery of natural-product EGFR inhibitors
编辑推荐:
摘要定量构效关系(QSAR)建模是计算机辅助药物发现的核心,但现有的许多QSAR工具仅作为孤立的描述符生成或单一算法工具运行,需要编程专业知识,并且需要手动将输出数据传输到单独的对接和模拟程序中。我们提出SilicoSAR,这是SilicoXplore药物发现平台中的一个集成
摘要
定量构效关系(QSAR)建模是计算机辅助药物发现的核心,但现有的许多QSAR工具仅作为孤立的描述符生成或单一算法工具运行,需要编程专业知识,并且需要手动将输出数据传输到单独的对接和模拟程序中。我们提出SilicoSAR,这是SilicoXplore药物发现平台中的一个集成式、图形化机器学习QSAR模块,在一个可重复的管道中统一了数据整理、描述符计算、特征选择、多算法建模与验证、适用域评估以及大规模虚拟筛选。我们通过一个针对表皮生长因子受体(EGFR)的端到端案例研究展示了其能力,EGFR是临床上重要的抗癌靶点。使用来自BindingDB的约10,000个EGFR抑制剂的精选数据集构建并验证了XGBoost QSAR模型,随后筛选了来自NPAtlas的约36,000个天然化合物,接着进行ADMET过滤、对接、药效团引导的优先级排序、分子动力学(MD)模拟、MM-GBSA结合自由能计算以及自由能微扰(FEP)分析,所有步骤均在SilicoXplore内完成。模型在训练集、测试集和外部验证集上的R2值分别为0.92、0.58和0.61。筛选识别了约16,000个预测活性化合物,经ADMET过滤后减少至2,035个,对接后减少至280个。选择20个结构多样的化合物进行MD模拟,其中8个先导化合物在200 ns的模拟中表现出稳定的结合。MM-GBSA和FEP分析突出了NPA004311和NPA004681作为最有前景的候选物。该案例研究证实,SilicoSAR能够生成具有统计可靠性的QSAR模型,并将其驱动通过一个集成的基于结构的管道,展示了统一、可访问的QSAR到模拟工作流在加速基于天然产物的药物发现中的价值。
引言
虚拟筛选(VS)是对大型化学库进行计算分诊,以优先选择可管理的分子子集进行实验测试。它已成为现代药物发现中不可或缺的一个阶段。通过在开始任何湿实验之前对化合物进行排序或分类,VS降低了先导化合物识别和优化阶段通常与成本、时间和失败率相关的负担(Islam等人,2021年,Oselusi等人,2024年)。VS大致分为基于结构的方法,即利用靶标的三维结构,和基于配体的方法,即从已知活性和非活性分子的特性中学习(Lionta等人,2014年)。在基于配体的策略中,定量构效关系(QSAR)建模仍然是最广泛使用且最具可解释性的框架之一。
QSAR建模在化合物的分子结构(编码为描述符或指纹)与其测量的生物活性之间建立定量关系。一旦训练和验证,QSAR模型可以预测未经测试分子的活性,从而实现对非常大的库的快速活性筛选。QSAR模型的可靠性取决于仔细的数据整理、信息丰富的描述符选择、适当的统计或机器学习(ML)算法、严格的内部和外部验证,以及对模型适用域的明确评估。
机器学习和深度学习方法的整合大大扩展了QSAR建模的范围和准确性(Vamathevan等人,2019年)。基于机器学习的QSAR模型,使用随机森林(RF)、支持向量机(SVM)以及包括XGBoost和LightGBM(LGBM)在内的梯度提升算法构建,能够捕获经典线性模型无法捕获的复杂非线性构效关系,从而加速命中检测并减少实验负担(Alsarra等人,2026a年,Wiriyarattanakul等人,2024年)。当与大型的、公开可访问的生物活性和天然产物库如BindingDB、ChEMBL、NPAtlas、COCONUT以及ZINC天然产物子集结合时(Ibrahim等人,2026年,Liu等人,2007年),ML辅助的QSAR提供了一条强大的途径来探索广阔的化学多样化空间以寻找新的治疗先导物。
尽管取得了这些进展,现有的QSAR软件格局仍然是碎片化的。描述符和指纹生成器如RDKit、PaDEL-Descriptor、Mordred和alvaDesc可以生成分子特征,但本身并不能提供经验证的预测模型或筛选功能(RDKit,无日期;Yap,2011年)。专门的建模包和Web平台,例如QSARINS(专注于符合OECD规范的多线性回归模型)、在线化学建模环境(OCHEM)、Open3DQSAR(3D-QSAR/CoMFA类型分析)以及特定终点的法规工具如美国EPA的T.E.S.T.和VEGA,每种仅覆盖工作流程的一部分或仅限于特定的活性终点。强大的机器学习和基于图的库如DeepChem和Chemprop(Heid等人,2023年),以及灵活的工作流环境如KNIME,需要大量的编程或管道构建专业知识,这限制了其对待实验台科学家的可访问性。高质量的商业套件(例如Schr?dinger的AutoQSAR/Canvas)提供集成建模但属于专有且昂贵。在这些选项中,三个限制反复出现。首先,许多工具仅处理单一阶段(描述符、建模或预测),迫使用户手动在程序之间移动数据。其次,很少有工具在一个图形化环境中提供从预处理、描述符计算、特征选择、多算法建模、统计验证到适用域检查的自动化端到端管道。第三,几乎没有任何工具将QSAR步骤直接嵌入更广泛的基于结构的管道中,使优先排列的命中化合物能够在没有手动交接的情况下流入ADMET分析、对接和分子动力学验证。
为了解决这些限制,我们开发了SilicoSAR,这是一个集成在SilicoXplore药物发现平台中的内部机器学习QSAR模块。SilicoSAR提供标准化的、图形化的端到端QSAR管道,用户可以在其中上传训练集和外部数据集并通过直观界面配置整个工作流程,几乎不需要编程。它自动化数据预处理(去重、活性筛选、IC50到pIC50/pEC50/pKi转换、缺失值处理和归一化),支持多个描述符引擎(RDKit和PaDEL)以及广泛的面板特征选择和降维方法,提供多种机器学习算法(RF、SVM、XGBoost、LGBM和堆叠集成),执行自动数据划分、缩放、模型优化和可重复的统计验证,并包含显式的适用域和异常值评估。至关重要的是,由于SilicoSAR嵌入SilicoXplore中,与ADMET预测(PharmK-AI)、分子对接(LigandLock)以及MD、MM-GBSA和FEP模拟模块并存,QSAR模型优先排列的化合物可以直接带入基于结构的验证中,在单一可重复的环境中克服独立QSAR工具所特有的工作流程碎片化。
为端到端地展示该工具,我们提出了一个基于天然产物发现的EGFR抑制剂的案例研究。表皮生长因子受体(EGFR)是ErbB家族的一个跨膜受体酪氨酸激酶(Wee和Wang,2017年,Yarden和Pines,2012年),是一个临床上已验证的抗癌靶点,其异常激活——通过基因扩增、过表达或激活突变如外显子19缺失和L858R——驱动非小细胞肺癌(NSCLC)和其他恶性肿瘤(Herbst等人,2018年,Paez等人,2004年,Sung等人,2021年)。虽然吉非替尼、厄洛替尼、阿法替尼、奥希替尼和达可替尼等EGFR酪氨酸激酶抑制剂显示出卓越的临床疗效(Rosell等人,2012年,Soria等人,2018年),但它们的长期效用受到获得性耐药(如T790M和C797S突变)、脱靶毒性和选择性差的限制(Califano等人,2015年,Leonetti等人,2019年,Yun等人,2008年)。天然产物以其广泛的结构多样性和独特的药效团,为新EGFR抑制剂骨架的来源提供了有吸引力的选择(Atanasov等人,2021年)。使用SilicoSAR和集成的SilicoXplore管道,我们构建并验证了用于EGFR抑制的机器学习QSAR模型,筛选了来自NPAtlas的约36,000个天然化合物,并通过ADMET过滤、对接、药效团引导的优先级排序、200 ns MD模拟、MM-GBSA和FEP分析逐步精炼命中化合物,最终识别出8个具有EGFR抑制前景的天然分子。该案例研究既作为SilicoSAR的概念验证,也是对基于天然产物的抗癌先导物发现的独立贡献。
各节摘要
SilicoSAR模块
集成在SilicoXplore平台中的SilicoSAR模块用于本文报告的所有QSAR模型开发和虚拟筛选分析。SilicoSAR是一个内部的、基于机器学习的QSAR平台,旨在促进和加速QSAR建模和基于配体的药物发现的各个阶段。它为用户友好的分子预处理、描述符计算、特征选择、ML模型构建与验证、活性预测提供了一个图形化界面,以及
结果
一个全面的、由机器学习驱动的计算工作流程完全在SilicoSAR和SilicoXplore平台中实施,用于识别有前景的EGFR抑制剂天然化合物。分步工作流程总结如图1所示。
讨论
本工作的核心目标是介绍SilicoSAR,一个集成在SilicoXplore中的基于机器学习的QSAR模块,并通过一个现实的端到端EGFR案例研究证明它解决了当前QSAR软件格局中大量存在的碎片化问题。该案例研究实践了该工具的每一个主要阶段。这些阶段包括约10,000个BindingDB EGFR抑制剂的自动整理和pIC50转换、RDKit描述符生成、基于特征重要性的
SilicoSAR工具
应当承认当前SilicoSAR模块的几个局限性。现有管道侧重于使用预计算的2D和3D分子描述符的基于回归的QSAR。虽然具有可解释性和效率,但基于描述符的模型对某些终点可能不如学习的图表示具有表达力,且单构象3D描述符可能无法完全捕获构象效应。模型性能仍然受限于数据质量、规模
结论
我们介绍了SilicoSAR,这是SilicoXplore平台中的一个集成式机器学习QSAR模块,在一个单一的、可访问的图形化管道中统一了数据整理、描述符计算、特征选择、多算法建模与验证、适用域评估以及大规模虚拟筛选,并直接连接到下游的ADMET、对接和模拟模块。其能力通过一个针对EGFR的端到端案例研究得到展示。一个
利益冲突
作者隶属于SilicoScientia Pvt. Ltd.,该公司开发了本研究中所述的SilicoXplore平台、SilicoScreen工具和SilicoDatabase。
未引用参考文献
(RCSB PDB,,RDKit,,SwissADME,)
CRediT作者贡献声明
Md Ataul Islam:概念化、方法论、软件、调查、监督、写作——审阅与编辑。Bhowmick Shovonlal:概念化、方法论、软件、写作——审阅与编辑。Sonali Chikhale:概念化、方法论、写作——审阅与编辑。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。
Md Ataul Islam|ShoIvonlal Bhowmick|Sonali Chikhale