hERG XGBoost
оценка кардиотоксичности молекул по SMILES
2 мин чтенияобновлено
Набор градиентно-бустинговых моделей на базе XGBoost от автора Delower для предсказания блокировки калиевых каналов hERG (Kv11.1 — ключевого маркера кардиотоксичности при разработке лекарств). На вход подаётся строковое представление структуры молекулы (SMILES) или CSV-файл, а на выходе модель выдаёт вероятность блокировки при пороге 10 µM либо прогнозируемое значение pIC50 (отрицательный логарифм концентрации полумаксимального ингибирования). В репозиторий включены четыре варианта весов — классификаторы и регрессоры, обученные по протоколам random-split и scaffold-split (разделение по химическим остовам для честной проверки на новых структурах). Пайплайн извлечения признаков на базе RDKit уже встроен в скрипт запуска и не требует сторонних Java-библиотек вроде CDK или PaDEL. Инструмент пригодится хемоинформатикам и исследователям для первичного виртуального скрининга кандидатов в препараты.
Ключевые особенности
- Полный пайплайн признаков на RDKit: скрипт
feature_extraction.pyсам считает отпечатки Morgan/ECFP/FCFP, ключи MACCS, 217 дескрипторов RDKit, физико-химические и 2D-фармакофорные блоки. - Строгая очистка от утечек данных: перед обучением из пула удалили 1 738 уникальных соединений по ключу InChIKey, чтобы полностью исключить пересечение со всеми тестовыми и контрольными выборками.
- Готовые веса с препроцессингом: файлы
.pklсодержат не только сами модели, но и сохранённые состояния предобработки (preps) и параметры. - Два режима оценки: бинарный классификатор (порог pIC50 ≥ 5.0) и регрессор для количественного прогноза активности.
Что можно сделать
- Автоматизировать скрининг библиотек соединений: запускать
predict_herg.pyв пакетном режиме по CSV-таблицам молекул для отсева потенциально токсичных кандидатов. - Встроить в пайплайн генеративной химии: использовать предсказание вероятности блокировки hERG как быстрый фильтр при отборе сгенерированных SMILES-структур.
- Комбинировать с высокочувствительными моделями: применять scaffold-версию в ансамбле для перепроверки соединений, прошедших первичный отбор.
Пример
pip install -r requirements.txt
python predict_herg.py --model "models/xgboostA_cls_base+physchem_extra+morgan_counts+ecfp6+fcfp4+herg+pharm+morgan1024+morgan1024_counts_scaffold.pkl" \
"Fc1ccc(C(OCCN2CCN(CCCc3ccccc3)CC2)c2ccc(F)cc2)cc1"
# -> {"prob_blocker": "0.9902", "call_10uM": 1} (vanoxerine)Подробнее
Обучение: 12 702 соединения для классификации и 8 657 для регрессии (данные ChEMBL, BindingDB и PubChem).Метрики основной модели XGB cls scaffold: ACC 0.783 / MCC 0.549 на внутреннем тесте, ACC 0.751 / MCC 0.519 на hERG-70 и всего 2 ошибки из 36 на панели препаратов FDA.
Ограничения: на принципиально новых химических структурах чувствительность классификаторов падает до ~0.33, а R² регрессора уходит в минус (около шумового порога данных σ ≈ 0.68), поэтому автор не рекомендует использовать модель как единственный фильтр безопасности.










Комментарии