一种用于抑制剂发现的鲁棒集成机器学习方法：以HIV-1 NNRTI为例，并通过分子动力学模拟进行验证

《Chemistry – An Asian Journal》：A Robust Ensemble Machine Learning Approach for Inhibitor Discovery: Case Study of HIV-1 NNRTI and Validation Using MD Simulation

　　人工智能驱动的集成模型加速HIV-1逆转录酶抑制剂筛选，通过分子动力学模拟发现候选物NP1比现有药物更优，并揭示N136/E138变构调节机制。

　　

摘要

对新疗法日益增长的需求凸显了开发智能、低成本且可扩展的药物发现策略的必要性。在此，我们提出了一种基于人工智能（AI）的集成框架，以加速针对治疗靶点的小分子抑制剂的识别。作为案例研究，我们将该方法应用于HIV-1逆转录酶（HIV-1 RT），这是一种在病毒复制中起关键作用的酶。我们的堆叠集成模型在经过精心筛选的ChEMBL数据集上进行了训练，取得了较高的预测性能（准确率为90.3%，ROC-AUC为89.4%），并用于筛选天然产物图谱（NPA）数据库。通过理化性质和ADMET筛选、分子对接以及1微秒分子动力学（MD）模拟对潜在候选化合物进行了评估。化合物NP1在与非核苷类逆转录酶抑制剂（NNRTI）结合位点的结合稳定性方面表现出色，在MD后的表征中优于FDA批准的药物多拉韦林。网络分析进一步表明，该化合物可能通过N136和E138残基进行别构调控。这种灵活的AI-MD流程为发现和重新利用抑制剂提供了有效策略，具有广泛的应用潜力，可适用于其他治疗靶点。

利益冲突

作者声明不存在利益冲突。