机器学习驱动的靶向肝细胞癌治疗性植物化学物质鉴定

这篇研究通过机器学习(QSAR模型)结合生物信息学方法，筛选出具有抗肝细胞癌(HCC)潜力的植物化学物质。研究采用Huh7细胞系数据建立Extra Trees Classifier和LGBM模型(ROC分别达0.91和0.90)，鉴定出Bilobol、Corlumine和Oliveotilic acid三种候选化合物。分子对接显示Corlumine与HSP90AA1(?8.66 kcal/mol)和CTNNB1(?5.21 kcal/mol)结合优于参照化合物，分子动力学模拟进一步验证其稳定性，为HCC治疗提供了新型植物源候选药物。

　　

Highlight

肝细胞癌(HCC)作为最常见的肝癌类型，因高死亡率成为全球健康隐患。本研究通过机器学习驱动的创新方法，鉴定出具有治疗潜力的植物化学物质，为HCC治疗提供了新思路。

数据检索

数据来源于CHEMBL数据库的Huh-7细胞系(CHEMBL614039)1881个化合物IC₅₀值。IC₅₀以纳摩尔(nM)为单位记录，所有数据处理均采用人工方式进行。

探索性数据分析

对1815个化合物进行基于pIC₅₀的探索性分析，经标准化和生物活性分类(活性/非活性/中间)筛选后，最终保留1230个化合物用于模型构建。

讨论

HCC主要死亡风险因素之一是酒精摄入导致的活性氧(ROS)增加和炎症反应。本研究采用机器学习与计算生物学相结合的方法，筛选出具有抗氧化、抗炎和抗肿瘤等多重药理活性的植物化学物质，特别是Corlumine展现出优异的分子对接和动力学特性。

结论

酒精诱导的细胞色素P4502E1过表达是HCC发生的关键因素。本研究创新性地采用植物化学物质途径，通过机器学习模型筛选、ADMET分析和分子对接等手段，鉴定出Corlumine等候选分子，其与CTNNB1和HSP90AA1的相互作用及稳定性优于现有参照化合物，为HCC治疗提供了潜在的新型植物源药物。