基于随机森林的TRPV1通道与调节剂的分子对接重打分模型构建

本研究旨在利用随机森林算法开发一种针对瞬时受体电位香草酸-1(Transient Receptor Potential Vanilloid-1,TRPV1)通道特异性分子对接的重打分模型TRPV1-Rescore,以寻找潜在的TRPV1调节剂。依托ChEMBL数据库检索与TocoDDB网站生成,获得2909个TRPV1通道调节剂和3000个诱饵化合物分别作为建模的正、负数据集,将其与TRPV1通道进行分子对接,得到对接打分和活性位点关键残基结合能等作为特征参数,应用随机森林算法,构建了TRPV1通道与调节剂分子对接重打分模型TRPV1-Rescore,采用内部五折交叉验证对模型进行了评估。结果表明,外部测试集验证显示该模型的准确率、精确度和召回率分别为0.924、0.916、0.923,证明TRPV1-Rescore模型性能稳健,可用于TRPV1调节剂的虚拟筛选,此模型提升了预测TRPV1通道与其调节剂结合能力的准确性。本研究为新型TRPV1调节剂的设计和发现提供了新方法和新手段。

基于随机森林算法的TRPV1通道调节剂拮抗活性预测研究

瞬时受体电位香草酸-1(Transient Receptor Potential Vanilloid-1,TRPV1)作为一种非选择性阳离子通道,是治疗疼痛和炎症的重要靶标之一。在慢性疼痛治疗中,除了阿片类镇痛剂和非甾体抗炎药外,TRPV1通道的拮抗剂和激动剂是最具有潜力的镇痛药物之一。为发现和设计新型TRPV1通道调节剂,该文采用随机森林的机器学习算法,构建了预测性能良好(Q^(2)_(cv)为0.729±0.01,Q^(2)_(ext)为0.813)的TRPV1通道调节剂的拮抗活性定量构效关系(Quantitative Structure Activity Relationship,QSAR)预测模型。Y-随机化检验证明模型与TRPV1调节剂之间具有内在联系,而非偶然相关;应用域评估的结果表明模型在TRPV1调节剂的结构范围内具有良好的泛化能力。该活性预测模型可快速预测化合物的TRPV1拮抗活性,减少药物发现的时间和物料成本,加快TRPV1调节剂的研发。