AI驱动的随机森林QSAR工作流加速EGFR抑制剂发现

背景与目标

针对非小细胞肺癌中常见的EGFR C797S耐药突变，传统药物研发周期长、成本高。本文通过构建一套 AI协同科研工作流，从公开的ChEMBL活性数据出发，完成从靶点情报、数据清洗、模型训练、特征解释到基于BRICS碎片的分子生成与多参数打分的全闭环过程，旨在快速提供具备潜在活性的4代抑制剂起始点。

关键步骤概述

1. 靶点情报获取

   • 使用 ChEMBL API 自动解析目标 CHEMBL203（EGFR），并通过 UniProt 补全功能描述，明确 C797S突变导致的共价结合位点失效。

2. 活性数据挖掘与清洗

   • 拉取 IC50 记录，过滤非等号关系、单位不符、缺失 SMILES 的条目。
   • 采用 RDKit 标准化、去盐、最大碎片挑选，聚合重复测量取中位数，得到约 8,000 条 高质量 pIC50 数据。

3. 特征构建

   • 计算 2048 位 Morgan 指纹（半径 2）以及 10 项常用物理化学描述符（MolWt、LogP、TPSA 等），形成 [样本数 × 2058] 的特征矩阵。

4. Scaffold‑Split 随机森林模型

   • 基于 Murcko 骨架进行 80/20 的 scaffold split，确保测试集化学空间未在训练集中出现。
   • 训练 400 棵树的 RandomForestRegressor，得到 R²≈0.63、RMSE≈0.78、ROC‑AUC≈0.88 的新骨架外推广能力。

5. 模型解释

   • 优先使用 SHAP TreeExplainer，若不可用则回退至特征重要性。
   • 识别出 MolLogP、TPSA、HBD 等全局描述符以及若干关键 ECFP 位，展示对应的子结构示意图（如芳香环、卤代烷基等），帮助化学家直观把握活性驱动因素。

6. 基于 BRICS 的碎片重组

   • 选取 60 条 pIC50≥7.5、MW 250‑500 的高活性父分子，进行 BRICS 分解得到约 3,200 碎片。
   • 随机重组深度 2，生成 ≈1,200 结构合理的候选分子，剔除已知 SMILES。

7. 多参数优先级打分

   • 结合预测 pIC50、Lipinski、Veber、QED、Synthetic Accessibility (SA) 与 novelty（1‑max Tanimoto），构建加权得分公式： score = 0.40·potency + 0.20·QED + 0.10·MW + 0.10·LogP + 0.10·SA + 0.10·novelty。
   • 通过硬性门槛（pIC50≥6.5、MW 250‑600、≤1 Lipinski 违规、Veber 合规、SA≤6、novelty≥0.35），筛出 约 120 分子。

8. PubChem 新颖性校验

   • 使用 InChIKey 查询 PubChem，标记 未收录 的分子作为潜在新化合物。最终 12 条 进入最终短名单，附带预测活性、药性评分与 PubChem 状态。

结果展示

图 1：化学空间 PCA 投影（颜色映射预测活性）；图 2：模型关注的关键子结构；图 3：短名单分子结构网格。

业务价值与后续步骤

• 加速先导化合物筛选：仅凭计算即可在数小时内得到数百条候选，显著压缩传统 HTS 的时间成本。
• 可解释性支撑决策：SHAP 解释帮助化学家在分子设计阶段避免盲目迭代。
• 开放复现：全部代码基于公开的 Python 包（RDKit、scikit‑learn、SHAP），可直接在 Colab 环境运行，无需专有 API。
• 实验验证路径：后续可将短名单分子进行分子对接、合成可行性评估，最终在体外酶活性实验中验证 C797S 抑制效能。

声明：本工作流为教学示例，生成的分子尚未经过实验验证，任何药物研发决策仍需严格的实验追踪与安全评估。