基于规则的标签与实验终点:利用水果植物化学物质进行 ADMET 预测的 QSAR 模型泛化性系统评估
《Computational Biology and Chemistry》:Rule-Based Labels Versus Experimental Endpoints: A Systematic Assessment of Generalisation in QSAR Models for ADMET Prediction Using Fruit Phytochemicals
【字体:
大
中
小
】
时间:2026年08月27日
来源:Computational Biology and Chemistry 3.4
编辑推荐:
•RF/XGB 模型在基于规则的 ADMET 标签上达到了 AUC = 1.000
•外部验证给出的 AUC 为 0.606–0.684,MCC 为 0.206–0.409
•泛化差距(0.32–0.39 AUC)与标签来源不匹配有关
•完整的适用域覆盖表明结构外推不太可能是
•RF/XGB 模型在基于规则的 ADMET 标签上达到了 AUC = 1.000
•外部验证给出的 AUC 为 0.606–0.684,MCC 为 0.206–0.409
•泛化差距(0.32–0.39 AUC)与标签来源不匹配有关
•完整的适用域覆盖表明结构外推不太可能是造成差距的原因
•TPSA 是 GI 和 BBB 模型中最主要的描述符
•三项消融实验(仅描述符、仅指纹、组合)表明,无论特征表示如何,内部性能均接近上限
引言
不良药代动力学行为仍然是药物开发后期失败的主要驱动因素,即使在后基因组时代,它仍占药物失败原因的约四分之一(Kola and Landis, 2004, Sun et al., 2022)。作为回应,该领域已坚定地转向在候选化合物表征的最早阶段进行吸收、分布、代谢、排泄和毒性(ADMET)属性的计算机预测。定量结构 - 活性关系(QSAR)模型在此工作流程中占据核心地位:给定分子结构,训练好的分类器可以在毫秒内以可忽略的边际成本返回药代动力学终点的概率估计。
随机森林和 XGBoost,即本文应用的算法,代表机器学习辅助 QSAR 工具箱中的成熟组件,而非新颖的人工智能方法;它们在本研究中的价值在于支持系统的泛化分析,而非算法创新。最近的工作已将 ADMET 预测扩展到基于经典描述符的集成模型之外,转向表示学习方法,包括直接在分子图上操作的图神经网络以及基于大型未标记化学语料库预训练的基于 Transformer 的分子模型(Yang et al., 2019)。在基于大量实验标记数据集训练时,这些架构在属性预测任务中显示出增量增益,包括抗生素和膜渗透预测(Stokes et al., 2020, Huang et al., 2024)。本研究未采用此类方法,因为这里解决的核心问题——内部验证性能是否有助于预测针对实验终点的预测准确性——是标签来源的属性,而非模型架构的属性,并且使用特征明确、广泛可解释的集成方法可以最透明地进行检查。
两个终点对于口服和中枢神经系统(CNS)药物候选物具有特别重要的意义。胃肠道(GI)吸收决定了给药剂量中进入体循环的比例,其计算机预测已围绕分子极性、大小和氢键描述符正式化——最具影响力的是通过立普inski 的开创性分析(Lipinski et al., 1997)。血脑屏障(BBB)渗透对于 CNS 靶向化合物同样关键;其预测吸引了持续二十多年的方法论努力,反映了中枢神经系统血管极其严格的物理化学选择性,这种选择性反映了屏障本身专门化的内皮、连接和细胞结构(Wu et al., 2023),以及为在计算上近似它而开发的基于规则的启发式方法(Pajouhesh and Lenz, 2005, Wager et al., 2010, Nabi et al., 2025)。本研究应用的 BBB 标准(第 2.1 节)是经验性的 CNS 渗透阈值,与立普inski 的口服生物利用度五规则不同,而非其子集;两者都是启发式筛选规则,而非渗透性的真实确定性因素,且化合物违反任一规则而仍保持药代动力学可行性,或满足规则而在实践中表现不佳的情况都有充分记录。这两个终点共享一个重要计算便利性:它们在物理化学描述符空间中的近似边界可由已发表的实证规则合理近似,这使得无需实验通量即可进行二值标签分配变得可行——尽管,如下文所述,这种便利性也是本研究解决的核心方法论问题的来源。
源自水果的天然产物作为药物发现的化学库重新引起了人们的兴趣。它们的结构异质性——涵盖从小型酚酸和儿茶素到大型寡聚单宁和皂苷——包含了异常广泛的药代动力学范围,且进化优化已产生了许多对药理学相关靶标具有显著选择性的生物活性物质(Newman and Cragg, 2020, Harvey et al., 2015)。然而,水果植物化学物质的系统性 ADMET 表征仍然不完整,主要是因为天然产物的 Caco-2 渗透性和 logBB 测量数据分散在文献中,很少大规模汇总。一种务实的策略是构建一个精心策划的结构库,并通过物理化学规则分配二值 ADMET 标签,从而能够在无需实验通量的情况下进行模型训练——尽管代价是用确定性阈值近似生物现实。这种一般策略——结合基于规则的物理化学筛选与基于机器学习的 BBB 渗透性和 CNS 活性预测——目前仍在天然产物和膳食分子筛选的 CNS 药物发现流水线中使用(Kumar and Talwar, 2025),突显了检查此类流水线中的内部性能与针对实验终点的真实泛化之间的关系具有持续的实践相关性。
本研究使用了这样一个库:995 种结构独特的植物化学物质,汇编自 29 种水果物种,每种均标注了基于规则的 GI 吸收和 BBB 渗透的二值标签。选择水果植物化学物质主要是出于实际原因:相对于合成药物化合物类别,天然产物的实验 Caco-2 和 logBB 数据稀疏,而基于规则标记所需的物理化学描述符可针对任何具有已知 SMILES 的结构进行计算,这使得这是一个适用于所需规模的、可处理且内部一致的训练语料库。这种设计选择具有方法论后果,独立于选择数据集的原因:当类边界是作为模型特征提供的相同分子描述符的确定性函数时,正则化良好的集成将以高保真度恢复这些边界——产生反映规则重建而非药代动力学预测的内部性能统计。这一后果普遍存在于规则衍生的 QSAR 标签中,并非水果植物化学物质库所特有;它适用于通过相同过程标记的任何数据集。我们注意到,水果植物化学物质库虽然在其自身范围内结构多样,但不一定代表更广泛的天然产物或合成类药物的化学空间,这一点我们将在第 4.5 节中再次讨论。
在关于天然产物的 QSAR 文献中,这种区分并不总是明确说明。基于我们对该领域已发表文献的阅读,研究偶尔会报告基于规则训练的分类器的内部 AUC 值高于 0.95,同时伴随暗示对生物转运具有真实预测准确性的解释,并且针对独立测量实验数据的外部验证在某些情况下被省略或仅限于有限讨论;我们不知道有系统综述量化这一做法有多普遍,我们将其呈现为通过本案例研究说明的方法论风险,而不是已确立的全行业模式。针对独立实验数据的外部验证仍然是,在我们看来,检测此处检查的标签来源效应最直接的程序,但它不是唯一可用的诊断工具:跨数据集验证、适用域分析、Y 随机化/置换测试和机制性错误分析均可提供补充证据,我们在本研究中结合外部验证应用了其中几种。
本研究旨在表征和机制性地检查规则衍生 ADMET 分类器在内部和外部性能之间的差距,以水果植物化学物质库作为单个自包含的个案研究。使用在水果植物化学物质库上训练的 RF 和 XGB,我们将模型直接应用于独立的 ChEMBL 实验数据集,并进行了一套包括 Y 随机化、适用域映射和基于 SHAP 的特征归因的诊断套件。虽然我们不能从单个数据集和两个终点推广到整个领域,但此处提出的发现支持这样一种观点:在依赖规则衍生训练标签的计算 ADMET 研究中,外部实验验证以及对任何观察到的性能差距的机制性解释,值得更明确和常规的关注 图 1。章节片段
内部数据集:水果植物化学物质库
内部数据集包含从 29 种水果物种中组装的 995 种结构独特的植物源化合物,涵盖多种植物科属——包括苹果、香蕉、樱桃和榴莲等。化合物条目取自已发表的植物化学调查,随后使用 PubChem CID 交叉引用标准化为规范 SMILES 表示(Kim et al., 2021)。这一策划步骤确保了结构完整性,并在描述符计算前消除了重复表示
数据集特征
水果植物化学物质库跨越了非常广泛的理化范围:分子量(MW)从 103 到 3741 Da 不等,拓扑极性表面积(TPSA)从接近零到超过 200 ?2,而最亲脂性的萜类化合物的 LogP 从低于 -5 到高于 15。这种广度反映了寡聚多酚和皂苷与小型酚酸的结合——这些化合物类别很少出现在标准药物训练集中。基于规则的分类阈值施加了干净、内部一致的二值边界
泛化差距揭示了什么
本研究中最重大的发现不是内部 AUC 为 1.000——这一结果很大程度上由标记设计预先决定。有信息量的结果是当模型应用于独立实验数据时观察到的 0.32–0.39 AUC 单位下降,更具体地说,是对其的机制性解释。
传统的过拟合是自然的初步假设,但几条证据线论证它不是主要解释。交叉验证 AUC 是
结论
基于结构多样化的水果植物化学物质库构建的 QSAR 分类器,带有规则衍生的 ADMET 标签,可以实现近乎完美的内部区分能力——AUC-ROC = 1.000 且 MCC ≥ 0.980,这种性能在某种意义上是真实的,因为 Y 随机化和交叉验证都证实了真实的学习信号。这些指标无法传达的是针对生物终点的预测质量。针对独立的 ChEMBL 实验数据,AUC 值降至 0.606–0.684,MCC 降至
关于手稿准备过程中生成式 AI 和 AI 辅助技术的声明
在本工作的准备过程中,作者使用了 AI 辅助语言工具以提高选定段落的清晰度、语法和可读性。使用该工具/服务后,作者根据需要审查和编辑了内容,并对发表文章的内容承担全部责任。
未引用参考文献 (van de Waterbeemd et al., (1998))
资金
本研究未收到来自公共、商业或非营利部门资助机构的任何特定拨款。
CRediT 作者贡献声明
J. Jino Blessy: 写作 – 审查与编辑,监督,资源,项目管理,概念化。J Poojhashri: 写作 – 审查与编辑,验证,调查,数据整理。P Sandhiya: 写作 – 原创草稿,可视化,软件,方法学,调查,形式分析,数据整理,概念化。
利益冲突声明
作者声明没有可能影响本文章所报告工作的竞争性财务利益或个人关系。
致谢
作者感谢斯里·拉马钱德拉工程学院与理工学院生物信息学系、斯里·拉马钱德拉高等教育与研究所为支持本工作提供计算设施。
数据可用性
内部植物化学物质数据集(QSAR_Extended_Descriptors.csv),综合结果摘要(combined_results.csv),以及完整的建模流水线(qsar_full_pipeline.py),连同重现所报告内容所需的 Python 包和版本清单
P Sandhiya|J Poojhashri|J. Jino Blessy
生物通微信公众号
生物通新浪微博
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