FragOPT:一种ML驱动的计算工作流程,用于合理碎片的优化,以达到化合物.
Xiaoyan Wu1, Luming Meng1, Jianqiang Zheng1
1Key Laboratory for Bio-Based Materials and Energy of Ministry of Education, College of Materials and Energy, South China Agricultural University, Guangzhou 510630, China.
Journal of chemical information and modeling
|October 13, 2025
概括
通过使用机器学习和可解释性方法识别关键分子碎片,FragOPT优化了药物发现. 这种方法产生了具有更好的结合亲和力和针对向治疗的合成能力的新型分子.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 加快了药物发现,但由于化学空间复杂性和"黑子"模型而面临挑战.
- 预测药物向相互作用和特性至关重要,但通常受到当前计算方法的限制.
研究的目的:
- 引入FragOPT,这是一个全面的工作流程,用于优化针对特定蛋白质目标的分子.
- 通过将ML的解释性整合到分子设计中,提高药物发现效率和精度.
主要方法:
- FragOPT使用分类模型和SHAP (SHapley添加式扩展) 来识别生物活性分子碎片.
- 使用深度学习重新设计不利的片段,然后与有利的片段重新组合,以增强结合亲和力.
- 工作流被验证在与固体瘤和SARS-CoV-2相关的目标上.
主要成果:
- 与其他基于片段的方法相比,FragOPT生成的分子显示出更高的合成能力和结合亲和力.
- 分子力学与一般化Born和表面积 (MM/GBSA) 和自由能量扰动 (FEP) 计算证实了新型分子的较低的结合自由能量.
- 该方法证明了初始药物发现过程的显著优化.
结论:
- 整合定量结构-活动关系 (QSAR) 模型和可解释性方法优化了分子生成.
- FragOPT为开发新疗法提供了一个精确而高效的途径.
- FragOPT 工作流是公开可用的,用于药物发现研究.


