DOI: https://doi.org/10.1371/journal.pone.0343654
PMID: https://pubmed.ncbi.nlm.nih.gov/41843628
تاريخ النشر: 2026-03-17
المؤلف: Raúl Acosta Murillo وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تتناول هذه الدراسة تحدي التنبؤ بالنشاط الحيوي للجزيئات الصغيرة ضد أهداف السرطان من خلال تقييم تمثيلات كيميائية مختلفة وخوارزميات التعلم الآلي. تشمل التمثيلات الكيميائية التي تم تقييمها عدد أزواج الذرات (APC)، أفالون (AVN)، بصمات الاتصال الممتدة (ECFP4 و ECFP6)، وغيرها، بالاقتران مع خوارزميات مثل الانحدار باستخدام المتجهات الداعمة (SVR)، الأشجار الإضافية (ETT)، وزيادة التدرج التاريخي (HGT). تشير النتائج إلى أن تمثيل AVN مع خوارزمية SVR حقق أعلى دقة تنبؤية (R² = 0.735) لمجموعة بيانات FGFR1، بينما أظهرت مجموعة بيانات mTOR أفضل أداء متوسط عبر النماذج (R² = 0.592). تؤكد الدراسة على أهمية أدوات الكيمياء المعلوماتية ووصف الخصائص الفيزيائية الكيميائية في تعزيز التنبؤات بالنشاط الحيوي، مما يمكن أن يسهل اكتشاف أدوية السرطان المستهدفة بشكل أكبر.
كما تسلط التحليلات الضوء على أداء التمثيلات الكيميائية المختلفة ونماذج التعلم الآلي، حيث أظهرت RDF أفضل أداء بشكل عام، تليها AVN و ECFP6. ظهرت خوارزمية ETT كالأكثر فعالية، تليها HGT و RFT. تشير النتائج إلى أن اختيار التمثيل والنموذج ومجموعة البيانات يؤثر بشكل كبير على أداء نموذج QSAR، مما يبرز الحاجة إلى اختيار دقيق في الأبحاث المستقبلية. يقترح المؤلفون استكشاف تمثيلات كيميائية جديدة، وتقنيات التعلم العميق المتقدمة، ودمج بيانات متعددة الأوميات لتحسين دقة التنبؤ والأهمية السياقية في تقييمات النشاط الحيوي.
مقدمة
تسلط المقدمة الضوء على أهمية نمذجة العلاقة بين الهيكل والنشاط الكمي (QSAR) في اكتشاف الأدوية، مع التأكيد على دورها في التنبؤ بالنشاط البيولوجي وخصائص المركبات غير المختبرة بناءً على هياكلها الجزيئية. تستخدم نماذج QSAR طرق حسابية متنوعة لربط الهياكل الكيميائية بالاستجابات البيولوجية؛ ومع ذلك، لا تزال التحديات قائمة في اختيار الوصف المناسب وتقنيات النمذجة، مما يتطلب الابتكار المستمر لتعزيز دقة النموذج وفائدته.
شهدت التطورات الأخيرة دمج تقنيات التعلم الآلي (ML) مع نمذجة QSAR، بهدف تحسين القدرات التنبؤية. تبحث هذه الدراسة بشكل خاص في تأثيرات أساليب ML المختلفة ووصف الجزيئات لتحديد التركيبات المثلى التي تعزز دقة التنبؤ لنماذج QSAR، وبالتالي تساهم في عمليات اكتشاف الأدوية الأكثر فعالية.
طرق
في هذا القسم، يحدد المؤلفون المنهجيات المستخدمة في بحثهم، بما في ذلك مجموعات البيانات المستخدمة، والتمثيلات الكيميائية المعتمدة، وتقنيات هندسة الميزات المطبقة. يوضحون النماذج المحددة للتعلم الآلي التي تم تنفيذها للتحليل، بالإضافة إلى طرق التحقق المستخدمة لضمان قوة وموثوقية نتائجهم. تسهل هذه المقاربة الشاملة فهمًا دقيقًا للإطار التجريبي وتدعم إمكانية تكرار نتائج الدراسة.
نتائج
في هذه الدراسة، بحث المؤلفون تأثير التمثيلات الجزيئية، وخوارزميات التعلم الآلي، واستراتيجيات المعالجة المسبقة على الأداء التنبؤي لنماذج العلاقة بين الهيكل والنشاط الكمي (QSAR) لـ 16 هدفًا بيولوجيًا مرتبطًا بسرطانات الثدي والبروستاتا والرئة. تم تنسيق بيانات النشاط الحيوي لهذه الأهداف بدقة وترميزها باستخدام 12 تمثيلًا جزيئيًا مختلفًا. شملت معالجة البيانات إزالة الميزات ذات التباين المنخفض والقضاء على التعدد الخطي، تلاها اختيار الميزات تحت إشراف باستخدام اختبارات إحصائية أحادية المتغير ومقاييس أهمية قائمة على Lasso.
تم استخدام الميزات المعالجة لتدريب 12 نموذج QSAR للتعلم الآلي، مع تحسين المعلمات الفائقة من خلال استراتيجية بحث عشوائية. تم تقييم النماذج الناتجة من حيث الأداء التنبؤي، وتم إجراء اختبارات إحصائية لتحديد الفروق المهمة بينها. كما تناولت الدراسة خصائص أهداف السرطان البيولوجية المختارة، بما في ذلك معرفات ChEMBL، ومعرفات UniProt، ومعلومات الجينات، وأنواع السرطان المرتبطة، كما هو ملخص في الجدول 1. اختلفت أحجام مجموعات البيانات، حيث تراوحت عدد إدخالات IC50 من 2,444 لبروتين CHK1 إلى 16,715 لمستقبل EGFR1، مما أسفر عن متوسط 5,625 إدخال لكل مجموعة بيانات.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التعقيدات والتطورات في التنبؤ بالنشاط الحيوي للعلاجات السرطانية، مع التأكيد على الحاجة الملحة لنماذج دقيقة في اكتشاف الأدوية. تحدد الدراسة أهداف السرطان الرئيسية، مثل HER2 و mTOR، وتبرز أهمية نماذج العلاقة بين الهيكل والنشاط الكمي (QSAR) المتطورة وتقنيات التعلم الآلي (ML) للتنقل بفعالية في تعقيدات الهياكل الجزيئية. تم تقييم تمثيلات جزيئية مختلفة، وكشفت أن أوصاف RDF حققت أعلى متوسط معامل تحديد ($R^2 = 0.510$)، متفوقة على تمثيلات أخرى مثل AVN ($R^2 = 0.489$) و ECFP6 ($R^2 = 0.460$). يشير هذا إلى أن التقاط توزيع احتمالية الخصائص الذرية أمر حاسم للتنبؤ بالنشاط الحيوي، حيث يشمل معلومات جزيئية أكثر شمولاً من بصمات ثنائية تقليدية.
علاوة على ذلك، حول دمج خوارزميات ML نمذجة QSAR، حيث أظهرت الطرق المعتمدة على الأشجار مثل الغابة العشوائية وزيادة التدرج قدرات تنبؤية متفوقة. استخدمت الدراسة مجموعة من النماذج، بما في ذلك الأساليب التقليدية والتقنيات المتقدمة، لتقييم أدائها في التنبؤ بالنشاط الحيوي للجزيئات الصغيرة المستهدفة لبروتينات السرطان. من بين النماذج المختبرة، ظهرت الأشجار الإضافية (ETT) كالأكثر فعالية، محققة متوسط $R^2$ قدره $0.541$. تشير النتائج إلى أنه بينما يختلف أداء النموذج عبر مجموعات البيانات، فإن اختيار التمثيل الجزيئي يؤثر بشكل كبير على دقة التنبؤ، مما يبرز ضرورة اتباع نهج مخصص في نمذجة QSAR للعلاجات السرطانية.
DOI: https://doi.org/10.1371/journal.pone.0343654
PMID: https://pubmed.ncbi.nlm.nih.gov/41843628
Publication Date: 2026-03-17
Author(s): Raúl Acosta Murillo et al.
Primary Topic: Computational Drug Discovery Methods
Overview
This study addresses the challenge of predicting the bioactivity of small molecules against cancer targets by evaluating various chemical representations and machine learning algorithms. The chemical representations assessed include AtomPair Counts (APC), Avalon (AVN), Extended-Connectivity Fingerprints (ECFP4 and ECFP6), and others, combined with algorithms such as Support Vector Regressor (SVR), Extra Trees (ETT), and Hist Gradient Boosting (HGT). The findings indicate that the AVN representation with the SVR algorithm achieved the highest predictive accuracy (R² = 0.735) for the FGFR1 dataset, while the mTOR dataset showed the best average performance across models (R² = 0.592). The study emphasizes the importance of cheminformatics tools and physicochemical descriptors in enhancing bioactivity predictions, which can facilitate more targeted cancer drug discovery.
The analysis also highlights the performance of different chemical representations and machine learning models, with RDF showing the best overall performance, followed by AVN and ECFP6. The ETT algorithm emerged as the most effective, closely followed by HGT and RFT. The results suggest that the choice of representation, model, and dataset significantly influences QSAR model performance, underscoring the need for careful selection in future research. The authors propose exploring novel chemical representations, advanced deep learning techniques, and integrating multi-omics data to further improve prediction accuracy and contextual relevance in bioactivity assessments.
Introduction
The introduction highlights the significance of Quantitative Structure-Activity Relationship (QSAR) modeling in drug discovery, emphasizing its role in predicting the biological activity and properties of untested compounds based on their molecular structures. QSAR models utilize diverse computational methods to correlate chemical structures with biological responses; however, challenges persist in selecting suitable descriptors and modeling techniques, necessitating ongoing innovation to enhance model accuracy and utility.
Recent advancements have seen the integration of machine learning (ML) techniques with QSAR modeling, aiming to improve predictive capabilities. This study specifically investigates the effects of various ML approaches and molecular descriptors to identify optimal combinations that enhance the predictive accuracy of QSAR models, thereby contributing to more effective drug discovery processes.
Methods
In this section, the authors outline the methodologies employed in their research, encompassing the datasets utilized, the chemical representations adopted, and the feature engineering techniques applied. They detail the specific machine learning models implemented for analysis, as well as the validation methods employed to ensure the robustness and reliability of their findings. This comprehensive approach facilitates a thorough understanding of the experimental framework and supports the reproducibility of the study’s results.
Results
In this study, the authors investigated the impact of molecular representations, machine learning algorithms, and preprocessing strategies on the predictive performance of quantitative structure-activity relationship (QSAR) models for 16 biological targets related to breast, prostate, and lung cancers. The bioactivity data for these targets were meticulously curated and encoded using 12 different molecular representations. Data preprocessing involved the removal of low-variance features and the elimination of multicollinearity, followed by supervised feature selection utilizing univariate statistical tests and Lasso-based importance metrics.
The processed features were employed to train 12 machine-learning QSAR models, with hyperparameters optimized through a randomized search strategy. The resulting models were evaluated for predictive performance, and statistical tests were conducted to identify significant differences among them. The study also detailed the characteristics of the selected cancer biological targets, including their ChEMBL IDs, UniProt IDs, gene information, and associated cancer types, as summarized in Table 1. The dataset sizes varied, with the number of IC50 entries ranging from 2,444 for the CHK1 protein to 16,715 for the EGFR1 receptor, yielding an average of 5,625 entries per dataset.
Discussion
The discussion section of the research paper highlights the complexities and advancements in predicting bioactivity for cancer therapeutics, emphasizing the critical need for accurate models in drug discovery. The study identifies key cancer targets, such as HER2 and mTOR, and underscores the importance of sophisticated quantitative structure-activity relationship (QSAR) models and machine learning (ML) techniques to effectively navigate the intricacies of molecular structures. Various molecular representations were evaluated, revealing that RDF descriptors achieved the highest average coefficient of determination ($R^2 = 0.510$), outperforming other representations like AVN ($R^2 = 0.489$) and ECFP6 ($R^2 = 0.460$). This suggests that capturing the probability distribution of atomic properties is crucial for predicting bioactivity, as it encompasses more comprehensive molecular information than traditional binary fingerprints.
Furthermore, the integration of ML algorithms has transformed QSAR modeling, with tree-based methods like Random Forest and Gradient Boosting demonstrating superior predictive capabilities. The study employed a range of models, including traditional approaches and advanced techniques, to assess their performance in predicting the bioactivity of small molecules targeting cancer proteins. Among the tested models, ExtraTrees (ETT) emerged as the most effective, achieving an average $R^2$ of $0.541$. The findings indicate that while model performance varies across datasets, the choice of molecular representation significantly impacts predictive accuracy, highlighting the necessity for tailored approaches in QSAR modeling for cancer therapeutics.