PDL1-inhi.predictor:一个双层机器学习框架,用于预测和优先考虑PDL1抑制剂
Huiyan Ying1, Junting Liu2, Weikaixin Kong3
1Institute for Molecular Medicine Finland (FIMM), HiLIFE, University of Helsinki, Helsinki, Finland.
Bioorganic chemistry
|November 6, 2025
概括
机器学习模型加速发现小分子抑制剂的发现,这些抑制剂针对癌症治疗的编程细胞死亡蛋白1合物1 (PDL1) 分解. 两个经过验证的化合物显示出强大的PDL1抑制,为药物开发提供了有前途的化合物.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习在瘤学中
背景情况:
- 小分子抑制PD-1/PDL1相互作用,特别是针对PDL1二分化,是癌症治疗的一个有前途的策略.
- 开发有效的PDL1抑制剂仍然具有挑战性,需要先进的计算方法.
研究的目的:
- 通过机器学习 (ML) 模型加速发现有效的PDL1抑制剂.
- 开发一个双层选策略,将基于ML的活动预测和亲和度估计结合起来.
主要方法:
- 对60ML模型 (30分类器,30回归器) 的系统构建和评估,用于PDL1特定预测.
- 选1200万个化合物库,然后进行分子对接和基于HTRF的测试.
- 分子动力学模拟和瑞士ADME对化合物验证的分析.
主要成果:
- 确定了Stacking_standard作为最佳分类器和SVM_standard作为最佳回归器.
- 选图书馆产生了6704种潜在的抑制剂;7个顶级候选者显示出强大的结合亲和力 (≤-11.5 kcal/mol).
- 两种化合物证实强大的PDL1抑制 (IC50:17.49nM和63.17nM) 具有稳定的结合形状.
结论:
- 开发的ML管道有效地识别了强大的PDL1抑制剂.
- 发现了合理的抑制剂设计的关键次结构动机,并确定了具有有利药物相似性的化合物.
- PDL1-inhi.predictor网络服务器为研究人员在发现PDL1抑制剂方面提供了宝贵的资源.


