SMCseeker:一种专注的虚拟查模型,用于抗病毒发现
Jing Li1,2, Haoran Sun1, Xiaoyang Shu1
1Department of Microbiology, Li Ka Shing Faculty of Medicine, The University of Hong Kong, Pokfulam, Hong Kong 999077, China.
iScience
|October 7, 2025
概括
机器学习增强了对流感病毒的抗病毒药物发现. 一个新的框架,H1N1-SMCseeker,有效地识别了强大的抗H1N1化合物,为打击这一全球健康威胁提供了一种具有成本效益的方法.
科学领域:
- 病毒学 病毒学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 由于高发病率和死亡率,流感病毒对全球健康构成重大风险.
- 传统的抗病毒药物查方法往往昂贵且耗时.
- 机器学习为加速和改进抗病毒药物发现提供了一个有希望的途径.
研究的目的:
- 开发一种机器学习框架,命名为小分子化合物寻找器 (SMCseeker),用于识别针对H1N1流感菌株的强效抗病毒化合物.
- 为了利用针对H1N1病毒的抗病毒活性的大规模内部数据集.
- 通过使用数据增强和多头注意力机制来增强模型的概括能力.
主要方法:
- 来自52,800个化合物的18,093个清理结构-活动签名的数据集被用于训练H1N1-SMCseeker模型.
- 验证和测试分别使用了3,876个和3,879个看不见的数据点.
- 该模型结合了数据增强和多头注意力机制,以处理数据不平衡并提高概括性.
主要成果:
- H1N1-SMCseeker模型在验证,未见数据集和实验验证中表现出强大而稳定的性能.
- 对该模型来说,正预测值 (PPV) 始终保持在70.59%左右.
- 该框架在识别具有明显抗H1N1活性的化合物方面被证明是有效的.
结论:
- H1N1-SMCseeker框架是识别抗H1N1化合物的高效工具.
- 这种机器学习方法为传统选方法提供了更有效和潜在的成本效益更高的替代方案.
- 该SMCseeker框架显示了在发现抗病毒药物对其他重要的病毒病原体的发现中重新利用的潜力.
