计数指纹增强图形神经网络模型能够精确选来自不同类别化学品的hERG阻断剂
Yuxuan Zhang1, Yuwei Liu1, Zijun Xiao1
1Key Laboratory of Industrial Ecology and Environmental Engineering (Ministry of Education), Dalian Key Laboratory on Chemicals Risk Control and Pollution Prevention Technology, School of Environmental Science and Technology, Dalian University of Technology, Dalian 116024, China.
Environmental science & technology
|March 9, 2026
概括
一个新的基于双特征的神经网络 (DFNN) 模型有效地选人类以太基因相关基因 (hERG) 通道阻断剂. 这种先进的计算方法可以提高预测准确度,用于识别可能导致致命心律失常的化学物质.
科学领域:
- 计算化学是一种计算化学.
- 心血管药理学心血管药理学
- 药物发现 药物发现
背景情况:
- 阻断人类以太-a-go-go相关基因 (hERG) 通道的化学物质可以导致致命的心律失常.
- 现有的用于选hERG阻断剂的in silico模型在预测准确性和适用性域 (AD) 覆盖方面存在局限,原因是数据多样性和分子表示约束.
研究的目的:
- 开发先进的in silico模型,以高效高通量选hERG阻塞剂.
- 与现有模型相比,提高预测准确性和适用性领域 (AD) 覆盖率.
主要方法:
- 通过融合分子指纹 (MF) 和分子图 (MG) 特性构建基于双特征的神经网络 (DFNN) 模型.
- 使用扩展的hERG封锁数据集进行模型培训和验证.
- 使用结构-活动景观分析,描述了最佳模型的适用性域 (AD).
主要成果:
- 最佳的DFNN模型实现了高性能指标:接收器操作特征曲线下的0.950面积,0.844灵敏度和0.909特异性.
- 该DFNN模型的表现优于基于单个特征的神经网络模型,基于MF的机器学习模型和以前的计算模型.
- 选了超过50万种化学物质,确定了超过26,000种潜在的hERG抑制剂.
结论:
- 该DFNN模型展示了对选hERG阻断剂的最先进的性能和稳定性.
- 功能融合是增强药物发现中的计算建模的有效策略.
- 这种方法在选其他与药物相关的终点方面具有重大潜力.


