基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白hec1抑制剂

hec1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的hec1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选hec1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(svm)和随机森林(rf)方法分别对hec1抑制剂和非抑制剂建立了分类模型.经对比,rf模型显示了更好的预测精度.我们采用rf模型对hec1抑制剂进行了虚拟筛选,从“in-house”实体库筛选得到2个潜在的hec1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株mda-mb-468和mda-mb-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选hec1抑制剂有良好的效果.