Deep Ensemble Learning with Graph Attention Mechanisms for Molecular Classification of HIV Inhibitors

寻找新药的过程往往感觉就像在大海捞针，但这个“大海”是由数十亿个被称为分子的微小且复杂的形状组成的。几十年来，科学家们一直依赖物理实验来测试哪些形状可以抑制病毒，这个过程缓慢、昂贵，且往往效率低得令人沮丧。近年来，一种新的工具应运而生，旨在加速这一搜索过程：人工智能。研究人员不再需要在实验室中测试每一个分子，而是可以教会计算机识别分子结构中的模式，从而判断某种药物是否有效。为了实现这一点，他们将化学公式转化为计算机能理解的两种不同语言。一种语言将分子分解为一份长长的特征列表，就像捕捉其局部细节的“指纹”；另一种语言则将分子视为一张地图，其中原子是城市，化学键是连接它们的道路，从而保留了定义分子行为的形状与连接关系。

来自北南大学（North South University）和韦伯斯特大学（Webster University）的一个研究小组最近将这些数字工具应用于现代医学中最持久的挑战之一：寻找阻止人类免疫缺陷病毒（即 HIV）的新方法。尽管已有相关治疗手段，但该病毒仍在持续影响全球数百万人，并且经常对现有药物产生耐药性，这使得发现新的抑制剂变得迫在眉睫。研究人员转向了一个包含超过 41,000 个分子结构的庞大公共数据库，每个结构都被标记为对 HIV 有效或无效。然而，这个数据集提出了一个重大障碍：绝大多数分子对对抗病毒毫无作用，只有约 3.5% 显示出活性。这种极度的不平衡就像是在一桶蓝色的弹珠中寻找极少数红色的弹珠；如果计算机模型是在这样的数据上进行训练，它可能会简单地对所有东西都猜“蓝色”，从而在表面上看起来准确率很高，但在实际寻找红色弹珠的任务上却完全失败。

为了解决这个问题，该团队构建并测试了几种不同的人工智能模型，每种模型在读取分子数据方面都采用了独特的方法。他们首先从依赖“指纹”式数据的传统机器学习方法入手，使用了在处理复杂信息分类方面闻名的算法。他们还构建了一个更先进的基于深度学习的系统，将分子视为地图，并使用了一种称为“图注意力网络”（Graph Attention Network）的技术。这种特定类型的网络旨在观察原子之间的连接，并决定分子中哪些部分对其活性最为重要，就像人类专家专注于蓝图中最关键的细节一样。为了应对活性分子稀缺的问题，研究人员仔细调整了训练数据，确保计算机对稀有的活性样本给予了与常见的非活性样本同等的关注。他们还将表现最好的模型组合成一个单一的“堆叠”集成系统（stacking ensemble），其中多个不同的系统协同工作，并由一个最终的前馈神经网络充当“裁判”来进行最终决策。

结果表明，虽然不同的方法各有千秋，但将它们结合起来可以获得最可靠的预测。传统的机器学习模型表现得非常好，其中 XGBoost 正确识别活性抑制剂的概率约为 85.7%。基于图的深度学习模型直接从分子地图中学习，其准确率略低，但在区分活性化合物与非活性化合物方面表现出色，而这正是药物研发中的一项关键技能。然而，最成功的方法是集成法，它汇集了前四个机器学习模型（随机森林、LightGBM、CatBoost 和 XGBoost）的优势，并辅以神经网络裁判。这个组合系统实现了约 85.2% 的准确率，并展现出极高的能力，能够将正确的候选药物排在错误候选药物之前。或许最重要的一点是，基于图的模型提供了一个观察其思维过程的窗口。通过分析网络最关注哪些原子，研究人员发现计算机正确识别了已知能与病毒发生相互作用的特定化学基团，例如某些氧原子和氮原子。这表明该模型并非基于随机模式进行猜测，而是真正学习了支配这些药物如何发挥作用的真实化学规则。

研究结论指出，虽然没有哪种单一方法是完美的，但药物研发的未来在于综合运用多种视角。基于“指纹”的模型在识别通用模式方面快速且有效，而基于“图”的模型则提供了对分子形状和相互作用的更深层理解。通过结合这些方法，科学家可以创建更强大的筛选潜在药物的工具。研究人员还强调，他们能够可视化计算机认为重要的分子部分，这为 AI 增加了一层信任度和清晰度，使其从一个只给答案而不解释原因的“黑箱”，转变为一个能够展示其推导过程的透明合作伙伴。这项工作并不声称已经找到了治愈 HIV 的方法，但它提供了一种更精炼、更高效的方式来筛选化学可能性，从而可能加速从计算机屏幕到挽救生命的药物的转化进程。