多模态深度学习框架靶向耐药菌并同步筛查细胞毒性
- 抗菌药耐药性(AMR)正在缩小针对金黄色葡萄球菌(SA)和淋病奈瑟菌(NG)等重点病原体的治疗选择,促使人们关注新型计算发现工具。
- MAPViS是一种多模态深度学习框架,通过门控融合机制整合分子图、分子指纹以及描述符/三维几何特征,并在约1000万个分子上通过分层伪标签分类和掩码图对比学习进行预训练。
- 经微调后,该模型可联合预测化合物对SA和NG的抗菌活性,以及在三种人类细胞系(HepG2、HSkMC、IMR-90)中的细胞毒性风险。
- 在基准测试和外部验证数据中,MAPViS在SA任务上表现出较强的早期富集性能,排名前十的候选化合物全部经实验证实具有活性,而在NG任务上的泛化能力则相对有限。
- 作者认为MAPViS是一种可扩展的联合活性-毒性建模工具,可用于支持抗菌药虚拟筛选。
💡 要点
这是配体导向而非结构导向的模型——没有把靶点结构信息放进循环,所以一旦超出约1000万分子预训练化学空间、跨入陌生的靶点类别,我就会担心它的适用范围。活性与细胞毒性联合预测才是真正的差异化亮点:把HepG2/HSkMC/IMR-90的毒性标记直接并入同一份排名列表,省掉了我平时手动做的counterscreen那一步——这是真省时间,不只是方便。但金黄色葡萄球菌(前十全部实验验证活性)对比淋球菌("中等")的落差说明了问题:表现更多取决于每个病原体的训练数据密度,而不是真正的抗菌化学型直觉。在新靶点上信任这份排名列表之前,我想看到按病原体分层的校准曲线和确认过的真阴性样本,而不只是前十命中率。作为便宜的pre-HTS初筛工具还不错;但替代不了结构导向设计或真正的counterscreen。