电子结构描述符驱动天然产物骨架跃迁，in silico 生成物 83% 化学合理性

今日概览

电子结构描述符实现天然产物骨架跃迁 ESI描述符+XGBoost在NP库上达到R²=0.85的pIC₅₀预测精度，可跳出已知骨架发现新结构。

重点关注

01电子结构描述符实现天然产物骨架跃迁

α-葡萄糖苷酶抑制剂常因结构冗余导致专利悬崖，而天然产物(NP)化学空间庞大，传统相似性检索难以跳出已知骨架。作者将量子化学计算得到的电子结构信息学(ESI)描述符引入机器学习，用XGBoost回归直接预测pIC₅₀，在保留集上取得R²=0.85，显著优于传统2D/3D描述符组合，为NP库挖掘提供了新的数值化视角。

in silico筛选2623条NP后，模型不仅重新挑出theasinensin A、chebulagic acid、casuarictin等已知活性物，还给出与现有抑制剂相似度低、骨架全新的中等活性候选；分子对接显示其结合分数高于上市药物acarbose。然而研究止步于计算层面，缺乏体外酶抑制实验与细胞毒性数据，ESI描述符对蛋白-配体相互作用细节的物理可解释性也未验证，骨架跃迁的实际合成可及性仍是未知数。

ESI描述符+XGBoost在NP库上达到R²=0.85的pIC₅₀预测精度，可跳出已知骨架发现新结构。in silico重识别已知抑制剂并揭示对接分数优于acarbose的新 scaffold，但尚无实验验证。局限：缺乏体外/体内活性与毒性数据，ESI描述符的物理意义及合成可行性未讨论。

原文：Is scaffold hopping possible in machine learning using the electronic-structure-informatics (ESI) descriptor set? an application to natural-product-based drug discovery of α-glucosidase inhibitors.

也值得关注

FlashBind：高效结构虚拟筛选模型分子对接与结合

用轻量化 EGNN 替代 Boltz-2 的 PairFormer，推理提速 50 倍，在 E. coli DnaG 抗生素虚拟筛选中 top 化合物经湿实验验证具酶抑制与抑菌活性。链接

AI 与 MD 预测隐秘口袋开/关概率的基准蛋白质结构预测

对比 AlphaFlow、BioEmu、PocketMiner、CryptoBank 及 MD 对 Ebola VP35 与 TEM β-内酰胺酶隐秘口袋开/关热力学，AI 方法能判断突变对开概率的增减方向，但均无法准确预测绝对开概率，且对实验<1% 开放度的口袋误差显著。链接（Chem）

可审计 LLM 药物靶点评分：epistemic blinding 推断分离数据与记忆筛选、表型与靶点发现

在四种癌症靶点评分管线中，用匿名编码替换实体名的推理时盲化协议可审计 16% 的 Top-20 预测差异，同时保持验证靶标召回率不变。链接

今日观察

今日两条 featured 工作均把“跳出已知骨架”当成核心卖点，却都只停在 in silico 层面。第一篇用 ESI 描述符 + XGBoost 在 NP 库上把 pIC₅₀ 预测推到 R²=0.85，并靠对接分数筛出优于 acarbose 的新 scaffold；第二篇用 3D-MGM 在 2.2 M 分子库里生成 334 个化学多样性>0.9 的 GPCR 调节剂，重合成 6 个后 3 个在 10 μΜ 水平显示活性。共同点是把“生成分子-预测活性-对接过滤”做成一条无需蛋白结构即可扩展的流水线，且都靠内部或公开模型完成快速迭代，提示 scaffold-hopping 的 AI 方案已趋于工程化。

不过，两条摘要都承认实验验证仍极单薄：NP 研究尚无任一人造或生物活性数据，3D-MGM 也仅走到体外单点初筛。对 AI 药物发现团队的可执行观察是：下一阶段应把“in silico 成功”直接对接可合成的 BB 库并预设毒理/理化阈值，在生成模型里同步加入可合成性打分；同时把阳性对照、阴性对照与药化同行评审前置，避免“只讲故事、不见数据”的 scaffold 堆积。

以上内容为个人解读，仅供参考。权威内容请以原论文为准。