← 返回首頁

先剔除會「騙過」實驗的分子:AI為結核病藥物篩選清理假線索

CAGE-Fusion嘗試在候選化合物進入昂貴的後續驗證前,辨認容易干擾實驗的麻煩分子;其分類表現亮眼,但尚不能取代實體檢測與機制判讀。

By SURL BioNews

結核病新藥探索的一項隱形成本,來自那些看似能抑制目標、實際上卻只是擾亂實驗的化合物。它們可能聚集成團、干擾發光訊號,或與多種分子非特異性反應,使研究團隊沿著假陽性結果投入更多時間與資源。德州農工大學研究團隊開發的CAGE-Fusion,正是要在藥物篩選流程較早階段找出這些「麻煩分子」。

這套深度學習模型並非只讀取單一化學表示法。研究人員一方面將分子視為由原子與化學鍵組成的圖,另一方面讀取以SMILES字串記錄的分子結構,再透過閘控共同注意力機制融合兩路資訊;公開程式亦支援加入RDKit分子描述符。這種設計希望同時捕捉局部結構、整體連接關係與序列中的化學特徵。

在經整理的干擾化合物分類任務中,CAGE-Fusion評估四類常見問題:形成聚集體、抑制螢光素酶、具有化學反應性,以及在多種測試中反覆「命中」的廣泛活性化合物。論文報告其總體宏平均ROC-AUC為0.94、PR-AUC為0.73;前者顯示模型有良好的排序辨別能力,但不能直接解讀為「94%預測正確」,而較低的PR-AUC也提醒讀者,面對類別不平衡或稀少陽性案例時,實際篩選效能仍有落差。

研究團隊並把模型接入可搜尋的結核病藥物發現資料平台,讓使用者查詢候選分子時,也能取得其可能造成實驗干擾的風險判定。若能在大規模初篩後優先排除高風險化合物,較有機會把確認試驗與化學優化資源留給真正具有抗結核潛力的候選物;公開儲存庫另提供資料、模型權重,以及以Docker與FastAPI部署推論服務的元件。

不過,這仍是一項計算分類工具,而非證明化合物無效的裁決者。模型的注意力圖只能指出哪些結構特徵與預測相關,不能證明那些部位造成干擾,更不能取代聚集、反應性或正交分析等實驗驗證。現有資料也未顯示它已在前瞻性的結核病篩選流程中,量化降低假陽性、縮短研發時間或提高最終候選藥成功率。

這項工作的實際價值,因此不在於讓AI直接「發現結核病新藥」,而是改善一個更具體、也更容易驗證的環節:提前標記可能誤導研究者的分子。下一步的關鍵,是在不同實驗平台與化學空間中進行外部、前瞻性驗證,並釐清模型門檻如何影響漏掉真實活性分子的風險;只有當這些結果與實驗室工作流程相互校準,它才可能成為可靠的篩選守門員。

References

  1. Phys.org / Texas A&M University
  2. Journal of Cheminformatics / Springer Nature
  3. CAGE-Fusion authors / GitHub