一种以机器学习为指导的方法,用于识别乳酸驱动癌症中潜在的HCAR1对手
Letícia Vivas Carvalho1, Núbia Seyffert1, Roberto Meyer1
1Institute of Health Sciences (ICS), Federal University of Bahia (UFBA), Av. Reitor Miguel Calmon, S/N Canela, Salvador, Bahia 40231-300, Brazil.
ACS omega
|February 23, 2026
概括
这项研究开发了一种机器学习模型,以识别潜在的HCAR1抗剂,这对于向乳酸驱动瘤至关重要. 该模型优先考虑具有特定结构特征的化合物,为设计新的癌症疗法提供了见解.
科学领域:
- 药理学 药理学是指药理学的学科.
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 乳酸感应受体GPR81 (HCAR1) 与癌症进展和治疗耐药性有关.
- 目前缺乏HCAR1的选择性抗剂,这代表了瘤学中的重大未满足需求.
研究的目的:
- 开发一个经过统计验证的支持向量机 (SVM) 模型,用于将HCAR1配体分类为激动剂或对抗剂.
- 确定驱动HCAR1对抗性和受体选择性的关键分子亚结构.
- 选化合物库,以寻找潜在的HCAR1对手.
主要方法:
- 在使用物理化学描述符和ECFP4指纹对144个已知的HCAR1配体进行SVM模型训练.
- 使用分子对接与活性和非活性受体构造来计算 ΔAffinity 评分.
- 使用SHAP分析来解释特征和模型可解释性.
- 选来自不同图书馆的3377个化合物.
主要成果:
- 在测试组中,SVM模型实现了79.3%的准确性,AUC为0.94,表明了强大的预测性能.
- SHAP分析确定了极性,刚性和芳香基结构对于HCAR1对抗性和选择性至关重要.
- 查发现了凯坦塞林,Cryptopyranmoscatone A1二甲酸盐和Cefuroxime作为潜在的HCAR1抗剂,其中两种是FDA批准的药物.
结论:
- 这项研究提出了一个验证的计算框架,用于发现选择性HCAR1抗剂.
- 已识别的结构决定因素为基于碎片的新型癌症治疗方法的生物异构设计提供了宝贵的见解.
- 这种方法可以加速开发针对乳酸驱动癌症的药物.
