利用机器学习预测蝶呤类化合物和氟喹诺酮类药物生成过氧化氢（1O2）的量子产率

《Physical Chemistry Chemical Physics》：Predicting the quantum yield of 1O2 generation for pteridines and fluoroquinolones using machine learning

机器学习模型预测氟喹诺酮和蝶啶类光敏化能力研究。通过分析48种FQs和Ptrs在D2O中的ΔΦ值，构建包含5000+分子描述符的模型。采用GA降维后，MLR、SVR、RFR等5种模型表现优异，SVR测试R2=0.975，XGBoost鲁棒性最佳。SHAP和ALE分析显示共轭最大键长（CMBL）和长程极化率（TDB09p）为关键预测因子，验证了线性与非线性模型的互补性，为光动力疗法新药设计提供理论支撑。

　　

氟喹诺酮类（FQs）是一类以高光化学活性而闻名的抗生素药物：在紫外-可见光激发下，FQs 可以产生单线态氧和/或失去氟原子。蝶呤类（Ptrs）是一类有机光敏剂，即使在没有重金属（金属和卤素）的情况下，其生成单线态氧的量子产率也可达到 47%。由于 FQs 和Ptrs 的电子吸收光谱具有相似性，我们决定在同一研究中探讨它们的光化学性质：FQs 和Ptrs 都属于氮杂双环化合物。在本文中，我们描述并比较了适用于预测 FQs 和Ptrs 光敏能力的机器学习方法。我们研究了 48 种蝶呤类和氟喹诺酮类化合物在氘代水中的单线态氧生成量子产率（ΦΔ）。为了构建机器学习模型，我们选择了一个包含超过 5000 个分子描述符的数据集，这些描述符涵盖了量子化学和分子图论相关指标，并通过遗传算法（GA）对描述符的数量进行了优化。在模型开发和优化过程中，我们使用了多元线性回归（MLR）、支持向量回归（SVR）、随机森林回归（RFR）、梯度提升（GBR）和极端梯度提升（XGBoost）等技术。所建立的模型表现出较高的预测性能（R_train2 > 0.97，q2 > 0.84），其中 SVR 在测试集上的表现最佳（R_test2 = 0.975），而 XGBoost 具有最佳的总体鲁棒性。可解释性分析表明，不同模型中描述符的重要性各不相同。诸如共轭最大键长（CMBL）和长程极化率（TDB09p）等描述符被证实对 ΦΔ 有重要贡献。可解释性分析（SHAP 和 ALE）进一步证实了这些描述符的机制相关性，强调了线性模型和非线性模型的互补作用。这些结果证明了对结构多样的光敏剂进行统一建模的可行性，并为新型光动力治疗化合物的合理设计和虚拟筛选提供了实用见解。