基于机器学习与分子动力学模拟发现CDK2抑制剂

摘要

通过机器学习和分子动力学模拟方法发现了细胞周期蛋白依赖性激酶2(CDK2)潜在的抑制剂.首先，利用现有的大型活性数据库和机器学习算法，建立了针对CDK2抑制剂的分类模型.采用圆形指纹（ECFP6）的极端梯度提升树模型（XGBoost）筛选Enamine数据库，并选出了1152个新型化合物.通过分子对接和打分函数对这些潜在化合物在CDK2中的亲和力进行了排序，并采用指纹聚类的方法将化合物分为4类.分别从4类中选择1种对接评分较高的化合物，然后对4种化合物进行了类药性分析和分子动力学模拟.类药性分析结果表明，筛选出的4种潜在的CDK2抑制剂（Z1766368563, Z363564868, Z1891240670和Z2701273053）具有良好的成药性，并在分子动力学模拟结果中具有较高的结合自由能.这4种化合物可作为CDK2的先导化合物进行后续的改造和优化.

关键词

CDK2抑制剂 / 机器学习 / 分子动力学 / 结合自由能