基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂

作者：何冰; 罗勇; 李秉轲; 薛英; 余洛汀; 邱小龙; 杨登贵

来源：Acta Physico - Chimica Sinica, 2015, 31(09): 1795-1802.

• HEC1
• 选择性抑制剂
• 机器学习方法
• 支持向量机
• 随机森林
• 虚拟筛选

HEC1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的HEC1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选HEC1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(SVM)和随机森林(RF)方法分别对HEC1抑制剂和非抑制剂建立了分类模型.经对比,RF模型显示了更好的预测精度.我们采用RF模型对HEC1抑制剂进行了虚拟筛选,从"in-house"实体库筛选得到2个潜在的HEC1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株MDA-MB-468和MDA-MB-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选HEC1抑制剂有良好的效果.

• 单位
  四川大学华西医院; 四川大学; 生物治疗国家重点实验室; 海门慧聚药业有限公司; 生命科学学院; 成都师范学院