AI筛选管线锁定可用于阿尔茨海默病的CASP4抑制剂再利用候选药物
- CASP4是一种与阿尔茨海默病相关的炎症性半胱天冬酶,一个新的计算药物重定位流程正是围绕它展开,用于从DrugBank数据库中筛选潜在抑制剂。
- 该流程将基于对接评分的优先排序与ChemBERTa语言模型嵌入及理化描述符相结合,用于训练机器学习分类模型。
- 研究人员使用随机森林分类器和回归模型来识别可能具有活性的化合物,并根据预测效力对其排序。
- 后续的化学信息学分析、PK-PD评估和分子对接将候选化合物范围缩小至五个。
- 随后进行的分子动力学模拟和MM/PBSA自由能分析评估了结合稳定性,结果显示DB05316和DB00519这两种化合物的预测结合情况优于参照药物多奈哌齐。
- 作者将该流程作为一种针对新靶点优先筛选再利用化合物的通用策略提出。
💡 要点
对接→ChemBERTa嵌入→随机森林→MD/MM-PBSA,五级漏斗筛到两个化合物,听起来很严谨,但每一级都有各自的假阳性率,叠加多层过滤并不能保证误差相互抵消——尤其是MM/PBSA用来给结构毫不相关的配体做绝对值排序,这一点业内早已公认不太靠谱。筛得越狠,有时反而是在把假阳性打磨得更漂亮,而不是把它们筛掉。 放到当下AI驱动的先导化合物发现浪潮里看,这类工作的定位很清楚:不是生成全新骨架,而是让已知化合物库的筛选速度更快——这是个真实存在、也在扩大的细分方向。 真正的优势在于DrugBank出身:DB05316和DB00519已经带有ADMET、安全性和制剂数据,从候选物走向IND准备工作,不用再补合成或毒理包。 但这些都替代不了结合实验。在CASP4活性被生化实验验证之前,这只是一份排好序的假设清单,还称不上“命中”。