МАШИННЕ НАВЧАННЯ У ПОШУКУ НОВИХ ПРОТИТУБЕРКУЛЬОЗНИХ АГЕНТІВ: ВІД СКРИНІНГУ БАЗИ CHEMBL ДО КЛАСИФІКАЦІЇ ПРИРОДНИХ СПОЛУК
DOI:
https://doi.org/10.11603/2312-0967.2026.3.16483Ключові слова:
машинне навчання, in silico дослідження, активний фармацевтичний інгредієнт, XGBoost, ChEMBL, мінімальна інгібуюча концентрація, Mycobacterium tuberculosis, RDKit, PythonАнотація
Вступ. У роботі запропоновано послідовність взаємопов’язаних кроків обробки даних (pipeline) на основі машинного навчання для пошуку потенційних інгібіторів Mycobacterium tuberculosis.
Матеріали і методи. Використовуючи дані органічних сполук з бази ChEMBL, було сформовано навчальну вибірку, дескриптизовану за допомогою RDKit. Реалізація проєкту виконана мовою Python у хмарному середовищі Google Colab. Для машинного навчання використано модель XGBoost.
Результати й обговорення. Під час перевірки навченої моделі із використанням моделі XGBoost показано високу точність класифікації. Здійснено аналіз ключових структурних дескрипторів (зокрема, сумарної площі поверхні Ван-дер-Ваальса атомів із високим позитивним частковим зарядом; незаміщеного ароматичного кільця або із замісниками; ліпофільності алкільних та ароматичних фрагментів; карбонільних та піперединових фрагментів; площі поверхні Ван-дер-Ваальса атомів із певним електротопологічним станом – ароматичних та гідрофобних фрагментів молекул), що відповідають за активність. Модель протестовано на вибірці природних сполук. Виявлено три потенційні кандидати: CHEMBL437538, CHEMBL108730, CHEMBL108980 як найбільш перспективні речовини в якості претендентів на in vitro дослідження.
Висновки. Машинне навчання є ефективним інструментом в in silico дослідженнях. Модель XGBoost демонструє низьку схильність до хибнопозитивних результатів, а саме не пропускає молекули з відсутньою протитуберкульозною активністю.
Посилання
1. World Health Organization. Global Tuberculosis Report 2025 [Internet]. Geneva: WHO; 2025 [cited 2026 May 27]. Available from: https://www.who.int/teams/global-programme-on-tuberculosis-and-lung-health/tb-reports/global-tuberculosis-report-2025.
2. Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016 Aug 13–17; San Francisco, CA. New York: ACM; 2016, p. 785–94. DOI: https://doi.org/10.1145/2939672.2939785
3. Google Colab [Internet]. California: Google LLC; c2026 [cited 2026 Jul 26]. Available from: https://colab.research.google.com/drive/1Cgb9D91z9YEhVU8cGhUMtcdrFf5kkkow?usp=sharing.
4. Geirhos R, Jacobsen JH, Michaelis C, Zemel R, Brendel W, Bethge M, et al. Shortcut learning in deep neural networks. Nat Mach Intell. 2020;2(11):665–73. https://doi.org/10.48550/arXiv.2004.07780. DOI: https://doi.org/10.1038/s42256-020-00257-z
5. RDKit: Open-source cheminformatics software [Internet]. RDKit documentation: Chem.MolSurf module. c2026 [cited 2026 Jul 26]. Available from: https://www.rdkit.org/docs/source/rdkit.Chem.MolSurf.html.
6. Labute P. A widely applicable set of molecular descriptors. J Mol Graph Model. 2000;18(4–5):464–77. https://doi.org/10.1016/s1093-3263(00)00068-1. DOI: https://doi.org/10.1016/S1093-3263(00)00068-1
7. Koštrun S, Munic Kos V, Matanović Škugor M. Around the macrolide – Impact of 3D structure of macrocycles on lipophilicity and cellular accumulation. Eur J Med Chem. 2017 Jun 16;133:351–364. https://doi.org/10.1016/j.ejmech.2017.03.056. DOI: https://doi.org/10.1016/j.ejmech.2017.03.056
8. Nikaido H. Molecular basis of bacterial outer membrane permeability revisited. Microbiol Mol Biol Rev. 2003;67(4):593–656. https://doi.org/10.1128/mmbr.67.4.593-656.2003. DOI: https://doi.org/10.1128/MMBR.67.4.593-656.2003
9. Wildman SA, Crippen GM. Prediction of physicochemical parameters by atomic contributions. J Chem Inf Comput Sci. 1999;39(5):868–73. https://doi.org/10.1021/ci990307l. DOI: https://doi.org/10.1021/ci990307l
10. Hall LH, Mohney BK, Kier LB. The electrotopological state: an atom index for structure-property correlations. J Chem Inf Comput Sci. 1991;31(1):76–81. https://doi.org/10.1021/ci00001a012. DOI: https://doi.org/10.1021/ci00001a012
11. Brennan PJ, Nikaido H. The envelope of mycobacteria. Annu Rev Biochem. 1995;64:2–63. https://doi.org/10.1146/annurev.bi.64.070195.000333. DOI: https://doi.org/10.1146/annurev.bi.64.070195.000333
12. Dessen A, Quemard A, Blanchard JS, Jacobs WR, Sacchettini JC. Crystal structure and function of the isoniazid target of Mycobacterium tuberculosis. Science. 1995;267(5204):1638–43. https://doi.org/10.1126/science.7886450. DOI: https://doi.org/10.1126/science.7886450
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі
. - Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
