GPCRVS：用深度学习与梯度提升寻找 GPCR 选择性骨架
GPCRVS in the detection of target-selective molecular scaffolds based on deep learning and gradient boosting
GPCRVS 将配体深度学习、LightGBM 与结构筛选整合为 GPCR 虚拟筛选服务。配体识别和靶点类别预测表现较好，但单靶点 precision 仅 0.421，精细选择性仍是主要瓶颈。
研究问题：从“是不是配体”到“选择性作用于谁”
GPCR 是重要药物靶点家族，但成员之间配体和结构相似性使选择性预测困难。仅识别一个分子是否可能结合 GPCR，并不足以支持具体靶点选择；研发团队还需要靶点类别、单靶点和选择性骨架层面的信息。
Dragan 与 Latek 在 Bioinformatics Advances 发表 GPCRVS，将多种计算步骤组织成网络服务，目标是同时支持配体识别、靶点分类与靶点选择性分子骨架发现。论文于 11 月 6 日在线，当前版本为 accepted manuscript。
技术路线：配体模型、LightGBM 与结构筛选组合
系统以 ChEMBL 配体数据和 GPCR 结构资源为基础，结合配体型深度学习、LightGBM 和结构筛选。对数据稀缺的靶点，作者按受体序列同源性组织混合训练集，覆盖 CCRL2、CXCR5 以及 CCR6–CCR10 等指定模型。
LightGBM 还用于分析与靶点相关的骨架，例如 CCR6 抑制剂中的含氟片段和 CXCR3 抑制剂中的富氮杂环。这样的输出比单一黑箱分数更接近化学优化语言，但仍需实验验证其因果意义。
关键结果：不同层级的性能差异很大
GPCR 配体/非配体二分类的 F1 为 0.875；靶点类别预测 precision 为 0.914，而单个药物靶点多分类 precision 只有 0.421。活性态 CCR8 模型另报告 85.5% accuracy。
这些指标不能混写成“准确率 91.4%”。最粗粒度的类别判断表现较好，并不代表能够可靠区分具体受体；0.421 的单靶点 precision 提示假阳性负担仍高，实际筛选排序应据此保持谨慎。
为什么重要：把选择性骨架作为可操作的输出
很多虚拟筛选工具止步于结合分数，GPCRVS 尝试把配体、受体层级和化学骨架放在同一流程中。对于同源 GPCR，骨架层面的提示可帮助化学家形成选择性假说，并决定哪些化合物更值得进入实验。
网络服务也降低了使用门槛，使方法评估不必从搭建完整训练环境开始。对 AIDD 团队而言，最有价值的不是最高的单项指标，而是它把“粗筛可行、精细选择性有限”的现实表现得较清楚。
局限：回顾性计算筛选不等于前瞻发现新药
已核来源主要提供计算筛选与回顾性评估，未证明通过该平台已前瞻性发现并实验验证全新候选药。网页未给出所有指标的置信区间或方差，也未确认公开源代码仓库和可下载训练集。
同源受体混合训练可缓解数据稀缺，却也可能把序列相似性带来的偏差传递给预测。数据划分是否严格分离相似配体、类别不平衡如何处理、不同靶点之间性能方差多大，都会影响实际使用。
对团队的启示：以分层指标设计验证实验
可先用平台生成候选，再在目标受体和关键同源反筛受体上进行小规模正交验证，以实测命中率与选择性检验模型价值。单靶点 precision 0.421 意味着反筛和假阳性复核必须进入预算。
内部 benchmark 应分别记录配体识别、靶点类别和单靶点预测，不把高层级指标用于宣传精细能力。若考虑生产使用，还需确认服务可用性、输入数据条款、模型版本与结果可复现性。
PRIMARY SOURCES
原始来源与延伸阅读
- 01Bioinformatics Advances：GPCRVS 原创研究 同行评议原创论文 · DOI: 10.1093/bioadv/vbag326 · 访问于 2026-11-12
- 02GPCRVS 网络服务 研究工具服务 · 访问于 2026-11-12
版权与使用
原论文为 CC BY 4.0，当前为 accepted manuscript；本报告使用原创示意图，未复制论文图。AI 辅助整理，建议团队终审。 本站不复制付费墙全文或新闻媒体图片；所有数据与结论请结合原始来源审阅。
TEAM DISCUSSION
团队评论
评论仅面向获批团队成员。登录后可查看团队讨论并发表评论；公开报告本身无需登录。
成员登录