- 10 次围观
三维药效团指纹记录了一个分子能够呈现的结合特征。它描述的是一只正在寻找手套的手。由于其依据的是分子所呈现的特征，而非二维结构，因此能够识别结构不同化合物之间的药效团相似性，并支持骨架跃迁以及结构不同但具有相近结合特征化合物的鉴定。该描述符一直仅作为一种小众工具使用，因为其计算成本主要由构象生成所占据。在参考流程中，生成100个构象需要2.82秒，而为筛选化合物库中的一个化合物计算指纹总共需要2.86秒；其中，位计算仅需0.039秒。因此，我们移除了构象生成阶段。PharmCast是一种前馈神经网络，可直接根据SMILES字符串预测PharmPrint集合指纹的全部10,549个位。在同一台机器上，PharmCast仅用0.584毫秒即可为两个分子生成药效团指纹并对其进行比较，而传统的基于构象的流程则需要5.71秒。PharmCast第10版基于5,887,229个分子进行训练，这些分子来源于筛选化合物库、分子量为142至1000 Da且具有活性数据支持的ChEMBL化合物，以及从晶体结构中切取的肽环。我们评估了155,648个可购买的目录化合物，这些化合物均未被纳入任何训练集；评估了139,700个未包含在第10版训练集中的、具有活性数据支持的ChEMBL化合物；并评估了预留用于测试的13,500个肽环。对于筛选化合物库中的化学空间，指纹误差中位数、Pearson相关系数r和成对排序准确率分别为0.008、0.980和0.936；对于环肽，分别为0.016、0.984和0.952；对于具有活性数据支持的ChEMBL化合物，分别为0.027、0.936和0.889。参考计算流程与自身重复计算时，误差为0.006，r为0.995。因此，仅凭分子组成即可预测集合药效团指纹，其计算成本足以满足化合物库筛选和优化的需求。 关键词：药效团，指纹，骨架跃迁，替代模型，虚拟筛选，适用域
三维药效团指纹记录了一个分子能够呈现的结合特征。它描述的是一只寻找手套的手。由于该指纹依据分子呈现的特征而非二维结构定义，因此能够识别结构不同化合物之间的药效团相似性，并支持骨架跃迁以及结构不同但具有相当结合特征化合物的识别。该描述符一直以来都是一种较为小众的工具，因为其计算成本主要由构象生成所主导。在参考流程中，生成100个构象需要耗时2.82 s，而对筛选化合物库中的一个化合物生成指纹总共需要2.86 s；其中，位计算仅需0.039 s。因此，我们移除了构象生成阶段。PharmCast是一种前馈神经网络，能够直接根据SMILES字符串预测PharmPrint集合指纹的全部10,549个位。在同一台机器上，PharmCast为两个分子生成药效团指纹并完成比较仅需0.584 ms，而传统的基于构象的流程则需要5.71 s。PharmCast第10版基于5,887,229个分子进行训练，这些分子来源于筛选化合物库、分子量为142至1000 Da且具有活性数据支持的ChEMBL化合物，以及从晶体结构中截取的肽环。我们对155,648个可购买的目录化合物、139,700个未包含于第10版训练集中的具有活性数据支持的ChEMBL化合物，以及预留用于测试的13,500个肽环进行了评估；上述化合物和肽环均未被纳入相应的训练集。对于筛选化合物库中的化学结构，指纹误差中位数、Pearson相关系数r和成对排序准确率分别为0.008、0.980和0.936；对于环状肽，分别为0.016、0.984和0.952；对于具有活性数据支持的ChEMBL化合物，分别为0.027、0.936和0.889。参考计算结果自身的一致性误差为0.006，r为0.995。因此，仅根据分子组成即可预测集合药效团指纹，其计算成本足以满足化合物库筛选和分子优化的需求。关键词：药效团，指纹，骨架跃迁，代理模型，虚拟筛选，适用域
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.02.748999v1?rss=1
🏷️ 三维药效团指纹 SMILES分子表示 前馈神经网络 虚拟筛选 骨架跃迁 构象生成