使用对接和机器学习重新评分对野生类型和耐药PfDHFR的基于结构的虚拟选性能进行基准测试
Menna S Hany1, Nermin S Ahmed2, Frank M Boeckler3,4
1Pharmaceutical Chemistry Department, Faculty of Biotechnology, German International University, Cairo, Egypt.
Drug design, development and therapy
|August 21, 2025
概括
这项研究对疟疾药物发现的对接工具进行了基准. 机器学习的重新评分显著改善了对抗抗性Plasmodium falciparum二酸减少酶 (PfDHFR) 的候选药物的识别.
科学领域:
- 计算化学和药物发现
- 寄生虫学和传染病
背景情况:
- 疟疾是由菌引起的, 构成了全球健康的重大威胁.
- 寄生虫的二叶酸还原酶 (PfDHFR) 是一个关键的药物点.
- 在PfDHFR的突变赋予抗叶酸抗疟药,如甲胺的耐药性.
研究的目的:
- 将基于结构的虚拟查 (SBVS) 工具与野生型 (WT) 和突变型 (Q) PfDHFR进行比较.
- 评估机器学习评分函数 (ML SF) 对SBVS性能的影响.
- 为增强抗疟疾药物发现中的SBVS提供建议.
主要方法:
- 通过使用DEKOIS 2.0基准评估了三个对接工具 (AutoDock Vina,PLANTS,FRED).
- 评估了两个MLSF (CNN-Score,RF-Score-VSv2) 进行对接结果的重新评分.
- 使用pROC-AUC,pROC-Chemotype图表和EF 1%分析查性能.
主要成果:
- 用CNN重新评分的植物为WT PfDHFR提供了最佳的丰富性 (EF 1% = 28).
- 与CNN重新评分的FRED显示Q变体的丰富度更高 (EF 1% = 31).
- 在两种变体中,ML重新评分大大提高了AutoDock Vina的性能.
- 在早期的缩阶段,重新评分有效地获取多样化,高亲和度的结合剂.
结论:
- 对于WT和Q PfDHFR来说,CNN-Score始终提高了SBVS的性能.
- 通过ML重新评分,可以更好地识别多样化和高亲和度的结合剂.
- 这些发现支持改善抗疟疾药物发现,特别是针对耐药菌株.
