利用病毒基因组序列和机器学习模型来识别潜在的选择性抗病毒药物

研究背景

近日，发表在《Communications Chemistry》上的一项研究《Leveraging viral genome sequences and machine learning models for identification of potentially selective antiviral agents》为抗病毒药物开发提供了新思路。该研究由美国国立卫生研究院国家转化科学促进中心（NCATS）的研究人员完成，通过整合病毒基因组序列和机器学习模型，成功构建了一种虚拟筛选框架，用于识别针对特定病毒以及具有广谱抗病毒活性的药物候选分子。此研究为应对当前及未来病毒威胁提供了有力的计算工具，加速了抗病毒药物的发现流程。 

方法概览

1.数据收集

研究人员从GISAID、EBI和NCBI数据库收集了10种不同病毒的32种毒株/变体的完整基因组序列，包括SARS-CoV-2、HIV、HBV等。这些病毒基因组序列被用作构建病毒选择性模型的基础数据。同时，研究人员从NCATS内部收集和DrugBank数据库中编译了303种已批准和正在研究中的抗病毒药物（AIADs），涉及378种药物-病毒对。这些药物-病毒对涵盖了多种病毒类型和作用机制。

2.数据预处理

病毒基因组序列被处理为100维向量，而化合物结构被转换为1024位的ECFP4指纹。这些数据预处理步骤确保了输入特征的统一性和可比性，为后续的机器学习模型构建奠定了基础。

3.机器学习模型构建

研究中使用了五种机器学习算法：朴素贝叶斯、神经网络、随机森林、支持向量机和XGB。这些算法被用来构建病毒选择性和泛抗病毒药物预测模型。数据按独特化合物数量分为训练集（70%）和测试集（30%），以确保模型的稳健性和可靠性。通过参数优化，所有模型均展现出良好的预测性能，其中随机森林（RF）和XGB模型在病毒选择性药物预测中表现最佳，而RF和SVM模型在泛抗病毒药物预测中表现最佳。

4.虚拟筛选

研究人员将构建的模型应用于NCATS内部约36万种化合物库的大规模虚拟筛选。通过多步过滤流程，包括模型预测、结构相似性分析、细胞毒性预测和结构多样性聚类等，最终确定了346种潜在的抗SARS-CoV-2化合物。这些化合物在体外实验中进行了验证，以评估其抗病毒活性和细胞毒性。

5.体外实验验证

对346种预测的抗SARS-CoV-2化合物进行了体外实验验证，包括256种在假型颗粒（PP）进入抑制实验中测试的化合物和128种在RNA依赖的RNA聚合酶（RdRp）抑制实验中测试的化合物。实验结果用于评估化合物的抑制活性和效力，从而验证模型的预测能力。

重要结果

1、特定病毒抗病毒药物分析建模

从 NCATS 内部集合和 DrugBank 数据库中汇编了 303 种已批准和在研的抗病毒药物（AIAD），形成 378 对药物 - 病毒。每种病毒对应的 AIAD 数量差异大，从 2 种到 96 种不等，中位数为 20 种。这些药物与 10 种病毒形成 3030 种可能的药物 - 病毒组合，其中 378 个为阳性结果（药物对特定病毒有抗病毒活性），2652 个为阴性结果。

化合物结构用 1024 - bit ECFP4 指纹图谱表示，病毒基因组序列表示为 100 维向量，将这些作为输入特征用于构建病毒选择性模型。

运用五种机器学习算法构建模型，经过参数优化后，所有模型均展现出稳健的预测性能，AUC - ROC > 0.72、BA > 0.70、MCC > 0.33。其中，排名前两位的模型是 RF  和 XGB （图 1D）。

图 1. A 常见致病病毒之间成对基因组相似性的热图可视化。绿色表示序列不相似，而橙色表示序列相似。B 已批准和研究性抗病毒药物的分发。左侧面板显示这些药物的总体分布，而右侧面板显示与每种病毒相对应的药物数量。C 概述用于选择性抗病毒药物建模的特征成分的流程图。D 最佳预测模型及其相应参数组合的性能评估。

2、泛抗病毒药物分析建模

基于 Tox21 测定的细胞活力计数筛选中的活性曲线，选择了 38303 种已批准和在研的抗病毒药物被标记为活性化合物（1），而 385 种 NCPCs 被标记为非活性化合物（0）。化合物结构以 1024 位 ECFP4 指纹表示，用于构建和评估 QSAR 模型。5 种非细胞毒性药物化合物作为阴性对照。结构相似性分析表明，NCPCs 之间的平均 maxTC 值为 0.42 ± 0.18，远大于 NCPCs 和 AIADs 之间的平均 maxTC 值 0.31 ± 0.13，这表明这两组化合物在结构上存在显著差异。

基于五种机器学习算法构建的所有模型都显示出良好的性能，AUC-ROC > 0.79、BA > 0.77、MCC > 0.55。表现最佳的两个模型是 RF 和 SVM。

富集特征 ：与 NCPCs 相比，AIADs 中有 85 个化学结构特征显著富集，而与 AIADs 相比，NCPCs 中有 9 个特征显示富集。AIADs 的一些特异性结构特征包括核苷/核苷酸类似物（如尿嘧啶、鸟嘌呤和腺嘌呤）、杂环系统（如苯并咪唑、吡咯和喹啉）以及功能基团（如磷酸盐和丁腈）。这些特征在 AIADs 中显著富集，表明它们可能与抗病毒活性相关。

图 2. A Tox21 细胞活力测定中非细胞毒性批准和研究药物的分布。根据至少 30 次测定中无活性（无细胞毒性）的严格标准选择化合物。B 使用 Tanimoto 系数对已批准和在研的抗病毒药物与非细胞毒性药物化合物 （NCPC） 进行结构相似性分析。

3、潜在抗 SARS-CoV-2 候选药物筛选

对约 360K 化合物进行虚拟筛选，并通过五步过滤过程来确定潜在的抗 SARS-CoV-2 候选药物。

1.初步筛选过滤 ：对约 360,000 种化合物进行虚拟筛选，利用 RF 和 XGB 模型预测潜在的选择性抗病毒药物，同时用 SVM 和 RF 模型预测潜在的泛抗病毒药物。选择与已知抗 SARS-CoV-2 药物具有结构相似性（maxTC > 0.25）的化合物进行进一步分析。

2.开发 QSAR 模型预测细胞毒性 ：基于化学结构的 ECFP4 指纹图谱，使用 NB、SVM、NNET、RF 和 XGB 等机器学习算法构建 QSAR 模型，预测化合物的细胞毒性，识别无细胞毒性的抗 SARS-CoV-2 候选药物。模型性能发现 RF 模型表现最佳。

3.确定候选化合物 ： QSAR 五个模型中至少有三个预测为阳性的化合物被确定为潜在的非细胞毒性抗 SARS-CoV-2 候选化合物。使用 k-means 算法将这些化合物分为 100 组，确保结构多样性。最终确定了 346 种潜在的抗 SARS-CoV-2 候选药物。

图 3. A 概述潜在抗 SARS-CoV-2 药物鉴定过程的工作流程。B 非细胞毒性抗 SARS-CoV-2 化合物 （NCAC） 和细胞毒性抗 SARS-CoV-2 化合物 （CAC） 的比较分布。C 使用 Tanimoto 系数对 NCAC 和 CACs 进行结构相似性分析。D 最佳预测模型及其各自参数组合的性能评估。

4.体外测试抗 SARS-CoV-2 候选药物

实验验证规模 ：共有 346 种预测的抗 SARS-CoV-2 化合物进行了实验验证，其中 256 种进行了 PP 进入抑制测试，128 种进行了 RdRp 抑制测试，共 11 种浓度。

PP 进入抑制测试结果 ：256 种化合物中有 24 种被测试为活性，命中率为 9.4%。其中包括四种已知具有生物活性但未被报道作为抗病毒药物的化合物，以及 20 种以前没有报道生物活性的化合物。

RdRp 抑制测试结果 ：128 种化合物中有 47 种被确认为活性，命中率为 37%。其中包括 6 种已知具有生物活性的化合物（一种据报道具有抗 SARS-CoV-2 活性），以及 41 种以前没有报道过生物活性的化合物。

代表性化合物展示 ：图 4 突出显示了 6 种代表性的 PP 进入抑制剂，其中两种化合物显示出 IC₅₀ <2 μM 的高效力，一种化合物具有中等效力（IC₅₀ 在 2 到 5 μM 之间），三种化合物的效价较低（IC₅₀ ≥5 μM）。图 5 显示了六种具有代表性的 RdRp 抑制剂，包括一种 IC₅₀ <5 μM 的强效化合物，四种 IC₅₀ 在 5 至 10 μM 之间的中等强效化合物，以及一种 IC₅₀ ≥10 μM 的低效化合物。

图 4. 代表性 SARS-CoV-2 PP 进入抑制剂的浓度-反应曲线 

图 5代表性 SARS-CoV-2 RdRp 抑制剂的浓度-反应曲线

总结展望

本研究通过整合病毒基因组序列和机器学习模型，成功构建了一种高效的抗病毒药物虚拟筛选框架，为抗病毒药物开发提供了新的思路和方法。研究人员确定了多种潜在的抗SARS-CoV-2化合物，为抗新冠病毒药物开发提供了宝贵的资源。

 本研究为抗病毒药物开发提供了一个有力的计算框架，但仍有多个方向可以进一步拓展和完善首先可以进一步整合多组学数据以更全面地理解病毒-宿主相互作用和药物作用机制。其次，可以开发更先进的机器学习模型以捕捉更复杂的模式和关系，提高预测的准确性和可靠性。