大连理工大学陈景文团队ES&T：用于筛查化学品心脏毒性（钾离子通道阻滞剂）的多特征融合深度学习模型

背景:许多化学品(包括药物、工业化学品、天然产物)可阻滞人类hERG钾离子通道，导致心脏QT间期延长和心律失常。现有hERG阻滞剂筛查模型存在数据集覆盖化学空间有限、多采用单一分子表示方法、缺乏应用域表征等局限性。研究目的:本研究旨在通过整合文献和数据库数据，扩增hERG阻滞效应数据集，开发基于融合分子图和分子指纹特征的深度学习模型，并定义模型应用域，以实现从不同类别化学品中高效、准确地筛查潜在hERG阻滞剂。结论:基于融合特征的DFNN模型性能优于单一特征模型，其中使用计数分子指纹的最优模型(AROC=0.950)表现最佳。模型揭示了芳香基团与hERG阻滞效应正相关，验证了预测的合理性。通过ADSAL方法定义应用域，模型被成功应用于从工业化学品库、药物库和天然产物库中筛查潜在hERG阻滞剂，识别出超过2.6万个潜在阻滞剂，包括273个先前未被识别的药物阻滞剂。该融合特征策略可借鉴于其他化学品危害性终点建模。