以QSAR机器学习为指导,发现了对NSCLC细胞具有细胞毒性活性的雷尼拉胺素右半导体
Ismail Dwi Putra1,2,3, Phornphimon Maitarad4,5, Masashi Yokoya6
1Pharmaceutical Sciences and Technology Graduate Program, Faculty of Pharmaceutical Sciences, Chulalongkorn University, Bangkok, 10330, Thailand.
Scientific reports
|December 5, 2025
概括
定量结构-活性关系 (QSAR) 建模准确地预测了reniramycin衍生细胞毒性. 机器学习模型,特别是支持向量回归器,确定了设计有力的抗癌剂的关键结构特征.
科学领域:
- 药用化学 医学化学
- 计算化学的计算化学
- 药理学 药理学是指药理学的学科.
背景情况:
- 雷尼拉胺衍生物是具有潜在抗癌活性的海洋天然产品.
- 了解结构-活性关系 (SAR) 对于优化药物疗效至关重要.
- 定量结构活动关系 (QSAR) 建模提供了一种基于化学结构预测生物活动的计算方法.
研究的目的:
- 为了探索雷尼拉胺素右半和全骨架化合物的SAR.
- 开发准确的QSAR模型来预测雷尼拉胺衍生物的细胞毒性.
- 确定影响雷尼拉胺素细胞毒性的关键分子描述剂.
主要方法:
- 采用线性 (遗传算法-多重线性回归 - GA-MLR) 和非线性机器学习方法 (随机森林,支持矢量回归 - SVR,XGBoost).
- 利用量子化学和分子描述器来构建预测模型.
- 使用新合成的雷尼拉胺素右半导体进行了外部验证.
主要成果:
- 支持向量回归器 (SVR) 模型显示出高预测精度 (R2=0.946,RMSE=0.246在测试组).
- 影响细胞毒性的关键描述因素包括C2和C4的电荷,HOMO能量和极化性.
- 外部验证给出了0.236的RMSE,证实了模型的可靠性.
- 观察到一个异常,其中含有O-基的衍生物比氧基或类同类药物具有更高的细胞毒性.
结论:
- 基于机器学习的QSAR模型为reniramycin衍生物提供了准确可靠的细胞毒性预测.
- 这些模型可以有效地指导基于renieramycin支架的新型,强效抗癌剂的设计.
- 这些发现表明,精心调整的QSAR方法可以加速开发有效的抗癌药物.
