基于图神经网络的抗结核杆菌药物虚拟筛选模型的建立及应用

R961%P315; [目的]构建和比较抗结核杆菌药物虚拟筛选模型,助力抗结核药物的研发.[方法]提出一种基于课程式学习优化的图神经网络模型GNN-MTB,用于抗结核杆菌抑制剂的虚拟筛选.进一步,从开放数据库中收集整理抗结核杆菌药物筛选相关基准数据集,将GNN-MTB模型与4种常规机器学习模型和两种图神经网络模型在基准数据集上进行性能比较.[结果]对10 789条抗结核杆菌药物虚拟筛选实验数据的分析结果显示,GNN-MTB模型的预测性能(AUC为0.912,AUPR为0.679)优于传统的机器学习模型和图神经网络模型的性能表现(平均AUC为0.878～0.900,平均AUPR为0.600～0.673),平均AUC和AUPR的最大提升幅度达3.872％和13.167％.同时,开源GNN-MTB模型并构建抗结核杆菌药物虚拟筛选预测工具以供广大抗结核杆菌药物研究者使用.[局限]未纳入药物敏感性和菌株耐药性相关分析.[结论]GNN-MTB模型取得良好性能,可探索将其应用于抗结核病药物研发.同时,研究框架也可为其他疾病药物的虚拟筛选提供参考.