集成机器学习模型助力抗疟药物研发：精准预测恶性疟原虫蛋白激酶 6（PfPK6）抑制剂活性

疟疾严重威胁全球健康，耐药性问题凸显新抗疟药研发的紧迫性。研究人员开展对 104 种 PfPK6 抑制剂的预测建模研究，构建集成回归与分类模型。结果显示模型预测性能优异，为新型 PfPK6 抑制剂设计提供关键思路。

　　疟疾是一项重大的全球健康挑战，它导致了较高的发病率和死亡率。耐药性的出现，使得开发新的抗疟药物变得刻不容缓。在这项研究中，研究人员聚焦于 104 种恶性疟原虫蛋白激酶 6（Plasmodium falciparum protein kinase 6，PfPK6）抑制剂的预测建模。他们运用了一系列机器学习技术，构建了集成回归模型和分类模型。

研究人员利用分类和回归树（classification and regression trees，CART）对分子描述符进行优化，以此识别出最为相关的特征。随后，他们采用了六种机器学习算法，即随机森林（Random Forest，RF）、相关向量机（Relevance Vector Machine，RVM）、支持向量机（Support Vector Machine，SVM）、Cubist、人工神经网络（Artificial Neural Networks，ANN）以及极端梯度提升（XGBoost）来构建回归模型。其中，共识模型展现出了卓越的预测性能，其测试集决定系数 R²_Test达到 0.94，测试集标准误差 SE_Test为 0.20，交叉验证系数 Q²_CV是 0.90 ，交叉验证标准误差 SE_CV为 0.25，这些指标均优于单个模型。

在分类任务方面，研究人员评估了五种算法，通过多数投票法，模型达到了 91% 的准确率和 93% 的灵敏度。此外，通过适用性域分析（覆盖度达 96%）和 y 随机化检验，进一步证实了模型的稳健性，确保预测结果并非偶然相关性所致。

这项研究充分彰显了集成机器学习方法在预测建模中的有效性，为新型 PfPK6 抑制剂的合理设计提供了至关重要的见解。