📄 chemistry

Reliability-aware multimodal prioritization of natural-product candidates against Candida albicans using gray-zone MIC modeling and applicability-domain analysis

本研究提出了一种具备可靠性感知能力的多模态深度学习工作流，该工作流将标准化的最小抑菌浓度（MIC）数据与不确定性量化及灰色地带建模相结合，旨在有效地对针对白色念珠菌（*Candida albicans*）的天然产物候选药物进行优先级排序与验证，以供后续实验跟进。

原作者： zixuan you, yuhao yu, bin xie, linjing zhao, kaiyu wang, qingrng li

发布于 2026-08-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： zixuan you, yuhao yu, bin xie, linjing zhao, kaiyu wang, qingrng li

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在医院寂静的角落以及我们自身体内繁忙的环境中，一种被称为“念珠菌”（Candida albicans）的微观真菌经常潜伏其中。虽然它通常无害地生活在我们的皮肤或消化道中，但当免疫系统减弱时，它可能会变得危险，引发从不适到危及生命的各种感染。几十年来，医生一直依赖于一组特定的药物来对抗这些入侵者，但这种真菌正在学会抵抗这些药物，而且我们用来杀死它的化学物质有时也会伤害患者。这创造了对新武器的迫切需求，而科学家们已经转向大自然寻求帮助。植物、真菌和其他生物在数百万年的时间里产生了大量的复杂分子，其中许多都具有杀死有害微生物的潜力。挑战不在于寻找这些分子，而在于如何在数百万种可能性中快速且可靠地找到正确的一个。

为了实现这一目标，研究人员使用计算机程序来预测哪些天然分子效果最好。然而，这些预测往往很棘手，因为它们所依赖的数据是混乱的。不同的实验室以不同的方式测量药物的强度，而且一个有效的分子与一个无效的分子之间的界限往往是模糊而非清晰的。如果一个计算机程序过于僵化，它可能会错过有前景的候选者，或者在无效的分子上浪费时间。来自上海工程技术大学的研究人员通过构建一个更聪明、更谨慎的系统来对天然产物进行分类，从而解决了这个问题。该系统不再强行将每个分子归入简单的“好”或“坏”的框框中，而是承认数据中的不确定性，并利用多种观察分子形状的方式来进行更可靠的推测。

团队首先收集了数千条关于不同化学物质抑制念珠菌生长的记录。这些记录来自三个主要的公共数据库，但它们并不统一；有些使用了不同的测量单位，有些报告的结果则处于“有效”与“无效”之间的中间地带。研究人员决定不忽略这些中间情况。相反，他们创建了一个特殊的类别来处理它们，将它们视为“灰色地带”样本。系统并没有强行判定这些处于边缘地位的分子是活跃还是失活，而是学会了理解它们活性水平中的细微差别。这种方法使计算机能够从完整的数据光谱中学习，而不仅仅是学习那些界限分明的例子。

为了进行预测，该系统通过三个不同的视角来观察每个分子。首先，它将分子的化学代码读作一段文本，就像阅读一个句子一样。其次，它分析了分子的二维原子和化学键平面图。第三，它构建了一个三维模型，以观察分子在空间中如何扭转和旋转。通过结合这三个视角，系统可以观察到任何单一视角都可能遗漏的特征。研究人员随后训练计算机为每个分子赋予不同的权重。如果三个视角出现分歧，系统不会仅仅进行猜测，而是会将结果标记为不确定。这种“感知不确定性”的功能至关重要，因为它能告诉科学家何时可以信任预测，以及何时需要保持谨慎。

当团队测试他们的这个新系统时，其表现与那些仅仅对三个视角的结果取平均值的旧方法相比具有竞争力。这个被称为“可靠性感知工作流”的新系统成功地识别出了具有强准确性的有前景的候选者。研究发现，主要的性能提升来自于简单地整合这些多个视角，而非仅仅依靠复杂的动态加权。更重要的是，该系统提供了一个关于其对每项预测信心程度的明确信号。研究人员发现，当系统感到不确定时，它确实更有可能出错；而当它充满信心时，它通常是正确的。这种自我评估的能力是一个重大的进步，因为它防止了科学家将资源浪费在计算机仅仅是在猜测的分子上。

随后，研究人员将该系统应用于一个庞大的天然产物库，以寻找对抗念珠菌的最佳候选者。他们不仅挑选了得分最高的分子，还检查了这些分子与计算机此前已学习过的分子之间的相似度。如果一个分子得分很高但看起来与训练数据完全不同，系统会将其标记为“探索性”分子，意味着它很有趣但具有风险。如果一个分子得分很高且看起来与已知有效的药物非常相似，它会被标记为“实验优先级”，准备进行现实世界的测试。这种仔细的分类产生了一个包含86个候选者的名单，其中一小部分最有希望的候选者被确定用于立即进行的实验室研究。

为了确保这些顶尖候选者不仅仅是计算机产生的幻想，研究人员模拟了它们在分子水平上如何与真菌相互作用。他们使用计算机模型来观察这些分子是否能够嵌入到真菌生存所需的特定蛋白质口袋中。他们运行了详细的模拟，追踪这些分子随时间变化的运动，检查它们是保持在原位还是漂移离开。结果显示，顶尖候选者确实可以在真菌蛋白质面前守住阵地，这表明计算机的预测具有坚实的物理基础。

该研究得出结论，虽然这些分子尚未被证明是治愈手段，但这种新方法提供了一种更可靠的寻找方式。通过承认现实世界数据的混乱性并使用多种方式观察化学结构，研究人员创建了一个既强大又对其局限性保持诚实的工具。这种方法帮助科学家将时间和精力集中在最有希望成功的候选者上，将大自然那庞大且混乱的库转化为一份可管理的潜在药物清单。这项工作并不声称已经解决了真菌耐药性问题，但它为寻找下一代抗真菌药物提供了一条更清晰、更可靠的路径。

技术摘要：面向抗念珠菌白种假丝酵母（Candida albicans）天然产物候选物的可靠性感知多模态优先级排序

问题陈述
从天然产物库中发现抗念珠菌白种假丝酵母（Candida albicans）药物的进程受到三个主要挑战的阻碍：(1) 来自不同公共数据库（ChEMBL、PubChem、CO-ADD）的最小抑菌浓度（MIC）数据具有异质性，这些数据具有不同的实验方案和报告格式；(2) 活动边界的不确定性，即传统的二元分类强制将连续的 MIC 值压缩为僵化的活性/非活性标签，这可能会压缩关键的边界信息；(3) 直接基于模型的排序可靠性有限，因为这种方法往往未能考虑预测不确定性或适用范围（AD）约束，导致过度优先考虑那些可能超出模型训练化学空间的分子。

方法论
作者开发了一种“灰区增强的多模态优先级排序工作流”，旨在解决数据异质性和可靠性约束。该方法通过以下阶段进行：

数据清洗与灰区标签化：
- 将 MIC 记录标准化为 nM 单位，并在分子层面进行聚合。
- 采用了双阈值策略：MIC ≤ 4000 nM 的分子被标记为“严格活性”（1），而 MIC ≥ 32000 nM 的分子被标记为“严格非活性”（0）。
- MIC 值在 4000 至 32000 nM 之间的分子被指定为**“灰区”样本**。这些样本并非采用硬性二元标签，而是接收基于对数浓度插值并结合基于其与灰区中点距离的置信项得出的连续软标签。
多模态表示与训练：
- 三种互补的分子表示在骨架隔离拆分（Bemis-Murcko 骨架）下独立进行训练，以防止数据泄漏：
  - 1D： 通过 ChemBERTa 对 SMILES 序列进行编码。
  - 2D： 将分子指纹和 RDKit 理化描述符输入至多层感知器（MLP）。
  - 3D： 将 3D 构象表示为图，并由 E(n)-等变图神经网络（EGNN）进行处理。
- 模型使用硬标签训练严格样本，并使用带有动态权重的软标签训练灰区样本。
不确定性感知动态路由（UADR）：
- 采用一种基于轻量级 MLP 门控的后期融合策略。该门控以三个模态的预测概率和作为可靠性代理的二元熵作为输入。
- 使用 Softmax 函数生成动态模态权重，从而产生最终的加权预测（ $P_{UADR}$ ）。这使得模型能够根据样本特定的不确定性，自适应地信任不同的模态。
验证与优先级排序框架：
- 源持有验证（Source-Held-Out Validation）： 在排除一个数据库来源（例如 PubChem）后重新训练模型，以测试跨数据库特定分布的泛化能力。
- 熵分层分析： 通过熵对预测进行分层，以建立不确定性与错误率之间的相关性。
- 适用范围（AD）分析： 根据 UADR 得分、熵、模态差异以及与训练集最近邻的 Tanimoto 相似度对排名靠前的天然产物进行评估。候选物被分为“实验优先”、“探索性”和“低优先级”组。
- 结构合理性： 选定的候选物针对包括 CYP51/ERG11、NMT、SAP2 和 Hsp90 在内的靶点进行了分子对接（AutoDock Vina）和 100 ns 分子动力学（MD）模拟（GROMACS）。

关键结果

模型性能： 在独立的骨架隔离严格测试集上，UADR 融合模型的 ROC-AUC 达到 0.9181，PR-AUC 为 0.7917，Brier 分数为 0.0559。其表现优于最强的单模态模型（2D 描述符：PR-AUC 0.7619），并较静态平均融合（PR-AUC 0.7890）有小幅提升。
灰区策略： “带动态权重的灰区软标签”策略获得了最佳的严格测试性能。相比之下，将灰区样本转换为硬二元标签会降低严格测试性能（PR-AUC 下降至 0.7574），证实了将边界样本强制归入二元类别会引入标签噪声。
来源泛化： 源持有验证显示出显著的数据库依赖性性能变化。虽然 UADR 保持了竞争力，但没有单一模型在所有持有验证源（ChEMBL、PubChem、CO-ADD）中始终占据主导地位，这突显了实验方案和化合物分布对模型泛化能力的影响。
可靠性相关性： 熵分层分析表明，高预测熵与高错误率之间存在明确相关性（例如，在严格测试集中，错误率从低熵组的 1.05% 上升到高熵组的 19.14%）。
候选物优先级排序： 在排名前 100 的天然产物中，有 86 个条目可供分析并进行了分层。18 个候选物被归类为“实验优先”（高得分、高相似度、低熵），另外 25 个 被归类为“探索性”（高得分但较低相似度/较高不确定性）。
结构验证： 选定的候选物（如 Glypallichalone, Butin）在 100 ns MD 模拟中表现出良好的对接得分以及稳定的构象状态（RMSD、RMSF、吉布斯自由能图谱），为其与抗真菌靶点的相互作用提供了结构合理性。

意义与主张
本文声称建立了一个面向可靠性的化学信息学工作流，该工作流超越了简单的评分驱动虚拟筛选。其主要贡献在于：

处理不确定性： 证明了将边界 MIC 数据视为具有软标签和动态权重的“灰区”样本，比传统的二元分类更能提高部署的鲁棒性。
多模态集成： 表明整合互补的分子表示（1D、2D、3D）是性能提升的主要驱动力，而 UADR 动态路由层提供了有价值的样本级权重和可解释性，而非实现了巨大的算法飞跃。
整体可靠性评估： 集成了适用范围分析和基于熵的可靠性信号来对候选物进行分层，从而降低了优先考虑高分但属于域外（out-of-domain）分子的风险。
源感知验证： 强调了对于异质性公共数据而言，仅进行骨架隔离测试是不够的，必须进行源持有验证，以评估现实世界的泛化能力。

作者明确指出，所优先排序的候选物和结构假设是受计算支持的先导化合物，旨在指导实验随访（MIC 检测、细胞毒性、靶点结合），而非已证实的治疗药物。本研究并非声称发现了新药，而是提供了一个结构化的、侧重于可靠性的框架，用于缩小抗念珠菌白种假丝酵母天然产物发现的搜索空间。

技术摘要：面向抗念珠菌白种假丝酵母（Candida albicans）天然产物候选物的可靠性感知多模态优先级排序

类似论文