基于分子理化性质特征的小样本G蛋白偶联受体靶点结合活性预测的深度学习模型（英文）

作者：李因; 谭英^*

来源：中国现代应用药学, 2022, 39(21): 2842-2849.

DOI：10.13748/j.cnki.issn1007-7693.2022.21.021

• 结合活性
• 深度学习
• GPCR
• 小样本

目的 使用MolMapNet构建深度学习(deeplearning,DL)模型，预测化合物对23个小样本(已知活性数据<250)G蛋白偶联受体(G-protein coupled receptors,GPCRs)的结合活性，辅助发现GPCRs的新型药物。方法 从多个数据库搜集小样本GPCRs的活性数据集并进行预处理，使用MolMapNet构建DL模型；将建立的模型与已公布DL模型和ML模型进行比较；用神经肽S受体专利化合物对构建的模型进行评估。结果 构建了23个小样本GPCRs靶点的单回归模型，在10折交叉验证测试下，构建的模型在测试集上的均方根误差为0.373 6～1.199 8(其中20个<1)，平均绝对误差为0.299 4～1.008 3(其中21个<1),R2为0.136 9～0.810 7(其中15个>0.5,9个>0.6)；与已发表的大样本GPCRs(已知活性数据>250) DL模型和小样本靶点的ML模型相比，显示出相当的性能；使用构建的模型对专利中化合物进行活性预测，模型表现良好。结论 构建的23个回归模型能够预测化合物对特定靶点的生物活性，具有筛选结构新颖的药物的潜力，MolMapNet可用于小样本GPCRs的活性预测。

• 单位
  清华大学深圳国际研究生院