基于分子描述符和机器学习方法预测和虚拟筛选mmp-13对mmp-1的选择性抑制剂

基质金属蛋白酶-13(mmp-13)为预防和治疗骨关节炎(oa)提供了充满希望的靶标.通过抑制剂来阻断mmp-13的活性将会对治疗oa疾病产生潜在的作用.然而，宽谱抑制剂同样抑制mmp家族的其它成员，特别是mmp-1，这将会导致肌与骨的综合症.因此，设计和发现潜在的mmp-13相对于mmp-1的高效选择性抑制剂，在对治疗oa新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ml)：支持向量机(svm)和随机森林(rf)来建立分类模型，用于预测不同结构的mmp-13对mmp-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ml模型中，rf对于mmp-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时，与mmp-13对mmp-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后，用预测效果最好的rf模型虚拟筛选了zinc数据库的“fragment-like”子集，从而得到了一系列潜在的候选药物.研究表明，机器学习方法，特别是rf方法，对于发现潜在的mmp-13选择性抑制剂十分有效.同时还得到了一些与mmp-13的选择性抑制相关的分子描述符.