研究用原子级解释解读图神经网络,用于抗鲍曼不动杆菌抗菌药物重定位
Interpreting Graph Neural Networks for Antibacterial Drug Repurposing against Acinetobacter baumannii
研究构建仅使用原子特征和连接性的图神经网络集成,在同一抗菌筛选任务上取得与描述符增强参考模型相当的预测表现,使解释可以直接落在分子图上。原子级解释识别出在扰动与恢复条件下支持模型活性预测的特征,与分子内同规模扰动比较后,哌嗪被判定为对预测活性支持最一致的重复贡献片段。
预印本 · biorxiv · 10.64898/2026.10.26.761825
本站摘要基于收录版本 v1(2026-10-30),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
鲍曼不动杆菌(Acinetobacter baumannii)的抗菌素耐药性已被世界卫生组织列为关键优先事项,这推动了利用机器学习筛选新型抗菌药物的研究,但要将预测转化为化学假设,就需要评估模型所依赖的分子特征。一个图神经网络集成模型在同一抗菌筛选任务上,仅使用原子特征和连接关系,便达到了与基于描述符增强的参考模型相当的预测性能,这使得解释工作可以专注于分子图本身,而无需额外输入人工设计的描述符。原子层面的解释揭示了在扰动与恢复过程中支持模型活性预测的特征,而通过与每个分子内部同等规模的扰动进行比较,可将哌嗪(piperazine)确定为对预测活性贡献最为一致的重复出现的特征。随后对药物再利用中心(Drug Repurposing Hub)进行前瞻性筛选,并结合可开发性与安全性评估,得到了一份用于实验跟进的排序候选名单,并促成了对 CE3F4 的测试——在一项初步实验中,CE3F4 在 0.25 mM 浓度下使鲍曼不动杆菌的生长降低了 57%,且呈现出非单调的浓度-反应曲线。
来源:bioRxiv · biorxiv.org