应用机器学习方法构建药物分子解离速率常数的预测模型

越来越多的研究表明:药物分子与靶标分子的结合动力学性质与其在体内的药效有很强的相关性.因此,以改善结合动力学性质为导向的分子设计为药物研发提供了新的思路.本工作的研究目标在于得出预测药物分子解离速率常数(koff)的通用型定量结构-动力学关系(QSKR)模型.我们从文献中收集了406个配体分子的解离速率常数实验值,采用分子模拟方法构建了所有配体与靶蛋白复合物的三维结构模型.然后基于蛋白-配体原子对描述符,采用随机森林算法来构建预测配体分子解离速率常数的QSKR模型.通过探索不同条件(如距离区间,划分区间宽度和特征选择标准)下产生的描述符集合对模型预测精度的影响,确定当采用距离阈值为15?、划分区间宽度为3?、特征选择方差水平为2时得到的QSKR模型为最优,在两个独立测试集上获得良好的预测精度(相关系数为0.62).本工作对预测药物分子解离速率常数这一关键科学问题进行了有益的探索,可为后续研究提供思路.