DeepMalaria

DeepMalaria：人工智能驱动的强效抗疟药发现

由于耐药性的出现，抗疟药物的疗效正在下降。据报道，所有可用的抗疟药物，包括青蒿素，都出现了耐药性，因此对替代药物候选物的需求一直存在。传统的药物发现方法是对大型化合物库进行高通量筛选 (HTS) 以识别新药线索，这种方法耗时且资源密集。虽然虚拟计算机筛选是解决这个问题的一种方法，但模型的泛化并不理想。人工智能 (AI) 利用基于结构或基于配体的方法，在化学性质预测领域表现出高度准确的性能。利用现有数据，AI 将成为盲目搜索 HTS 或基于指纹的虚拟筛选的合适替代方案。AI 模型将学习数据中的模式并帮助有效地搜索命中化合物。在这项工作中，我们引入了 DeepMalaria，这是一种基于深度学习的过程，能够使用化合物的 SMILES 预测其抗恶性疟原虫抑制特性。基于图形的模型在葛兰素史克 (GSK) 数据集中的 13,446 种公开可用的抗疟原虫命中化合物上进行训练，这些化合物目前正用于寻找治疗疟疾的新型候选药物。我们通过预测大环化合物库中的命中化合物和已批准用于重新利用的药物来验证该模型。我们选择了大环化合物，因为这些配体结合结构在疟疾药物发现中尚未得到充分探索。该过程的计算机模拟流程还包括对内部独立数据集的额外验证，该数据集主要由天然产物化合物组成。利用从大型数据集进行的迁移学习来提高深度学习模型的性能。为了验证 DeepMalaria 生成的匹配结果，我们使用了常用的基于 SYBR Green I 荧光测定的表型筛选。DeepMalaria 能够检测到所有具有纳摩尔活性的化合物和 87.5% 的抑制率超过 50% 的化合物。进一步的实验揭示了这些化合物的作用机制，结果表明，其中一种热门化合物 DC-9237 不仅能抑制恶性疟原虫的所有有性阶段，而且是一种速效化合物，这使其成为进一步优化的有力候选者。