Mendelevium

homepage

Contact

Copyright © 2025 Xufan Gao | Academic Research Blog
Contents

Home > Machine Learning & AI > Representations > 图论遇上机器学习：用拓扑指数预测抗病毒药物性质

图论遇上机器学习：用拓扑指数预测抗病毒药物性质
Machine Learning & AI 2025-11-02 - -
machine-learning graph-theory topological-indices antiviral-drugs QSPR random-forest neural-network drug-discovery

图论遇上机器学习：用拓扑指数预测抗病毒药物性质

本文信息

  • 标题: A Graph-Based Machine Learning Framework for Predicting Physicochemical Properties of Antiviral Drugs via Topological Indices（基于图的机器学习框架：通过拓扑指数预测抗病毒药物的理化性质）
  • 作者: Irfan Haider, Muhammad Ahsan, Muhammad Kamran Siddiqui, Mazhar Hussain等
  • 发表时间: 2025年
  • 单位: COMSATS大学（巴基斯坦）、印度中央大学、中东技术大学（塞浦路斯）等
  • 引用格式: Haider, I., Ahsan, M., Siddiqui, M. K., Hussain, M., Ali, F., Ahmad, S., & Kanwal, S. (2025). A Graph-Based Machine Learning Framework for Predicting Physicochemical Properties of Antiviral Drugs via Topological Indices. Journal of Chemical Information and Modeling. https://doi.org/10.1021/acs.jcim.5c00117
  • 源代码: https://github.com/IrfanHaider/graph_based_antiviral_drugs.git

摘要

本研究提出了一个创新的两阶段机器学习框架，用于预测抗病毒药物的理化性质。该框架将分子建模为图结构（原子为节点，化学键为边），利用拓扑指数作为桥梁连接分子结构与性质。第一阶段从SMILES字符串预测六种拓扑指数（M1、M2、ABC、Randić、Harmonic、Forgotten），第二阶段利用这些指数预测六种关键理化性质（摩尔折射率、极性表面积、极化率、摩尔体积、分子量、复杂度）。在59种抗病毒化合物数据集上的测试显示，该方法实现了极高的预测精度，分子量预测的$R^2$达到0.9950，极化率预测的$R^2$达到0.9891，显著优于传统QSPR方法，为药物设计提供了高效的计算工具。

核心结论

  • 两阶段框架创新：通过拓扑指数作为中间表征，将分子结构与性质预测解耦，提高了模型的可解释性和准确性
  • 高预测精度：六种理化性质的预测$R^2$均超过0.97，其中分子量、极化率和摩尔折射率的$R^2$接近0.99
  • 拓扑指数优势：揭示了不同拓扑指数与理化性质的相关性，M1和Forgotten指数对多数性质具有强相关性
  • 广泛适用性：覆盖HIV、乙肝、流感、COVID-19等多种抗病毒药物，验证了方法的普适性
  • 计算效率提升：相比传统量子化学计算和实验测定，显著降低了时间和成本

背景

抗病毒药物的开发是全球公共卫生的核心挑战。从HIV到COVID-19，病毒性疾病始终威胁着人类健康。传统的药物发现依赖于实验筛选和化学合成，这是一个耗时、昂贵且试错率高的过程。一个新药从实验室到临床往往需要10-15年，成本高达数十亿美元。近年来，计算化学和机器学习的兴起为药物设计开辟了新路径，通过定量构效关系（QSPR）建模，可以在虚拟空间预测化合物的性质，大幅缩短研发周期。

然而，现有的QSPR方法面临诸多挑战。一方面，分子描述符的选择和计算复杂度是关键瓶颈。传统方法使用数百种分子描述符，导致维度灾难和过拟合风险。另一方面，黑箱模型的可解释性不足限制了其在药物设计中的应用。研究者难以理解模型预测背后的化学机制，无法指导结构优化。此外，数据集规模和质量也制约着模型性能。高质量的实验数据稀缺且昂贵，如何在有限数据下训练可靠模型是普遍难题。

拓扑指数作为一类特殊的分子描述符，提供了一种简洁而强大的分子表征方式。它们基于图论，将分子拓扑结构编码为数值，能够捕捉分子的连接性、分支度、环状特征等关键信息。相比传统描述符，拓扑指数计算简单、物理意义明确，且在QSPR建模中表现出色。本研究正是基于这一优势，探索拓扑指数在抗病毒药物性质预测中的潜力。

关键科学问题

  • 如何建立分子结构与理化性质之间的高精度映射？ 传统QSPR模型依赖大量描述符，本研究探索能否通过少量拓扑指数实现同等或更高的预测精度。
  • 拓扑指数能否作为有效的中间表征？ 研究验证从SMILES到拓扑指数、再从拓扑指数到性质的两阶段框架是否可行且高效。
  • 不同机器学习算法在该任务中的性能差异如何？ 比较线性回归、随机森林、XGBoost、神经网络等模型在两个阶段的表现，识别最优算法组合。

创新点

  • 两阶段机器学习框架：首次将拓扑指数预测与性质预测分离，提高了模型的模块化和可解释性
  • 多拓扑指数集成：选用六种互补的拓扑指数（M1、M2、ABC、Randić、Harmonic、Forgotten），全面表征分子拓扑特征
  • SMILES直接预测：无需3D结构优化，直接从SMILES字符串预测拓扑指数，大幅提升计算效率
  • 多算法对比：系统比较四种主流机器学习算法，为不同场景提供最优选择
  • 适用域评估：引入Williams图等工具，明确模型的适用范围，避免外推风险
  • 开源工具链：提供完整的GitHub代码库，促进方法的推广和应用

研究内容

核心方法：两阶段机器学习框架

本研究的核心创新在于两阶段预测框架。传统QSPR方法直接从分子结构预测性质，而本研究引入拓扑指数作为中间桥梁，将复杂任务分解为两个子问题：

阶段一：SMILES → 拓扑指数

  • 输入：SMILES字符串（分子的一维文本表示）
  • 输出：六种拓扑指数（M1、M2、ABC、Randić、Harmonic、Forgotten）
  • 方法：使用RDKit解析SMILES，提取分子图，计算拓扑指数
  • 模型：训练四种机器学习模型（线性回归、随机森林、XGBoost、神经网络），预测拓扑指数

阶段二：拓扑指数 → 理化性质

  • 输入：六种拓扑指数
  • 输出：六种理化性质（摩尔折射率MR、极性表面积PSA、极化率P、摩尔体积MV、分子量MW、复杂度C）
  • 方法：基于阶段一预测的拓扑指数，训练预测模型
  • 模型：同样比较四种机器学习算法

这种分解策略的优势在于：

  1. 降低复杂度：每个阶段的输入输出维度较低，避免维度灾难
  2. 提高可解释性：拓扑指数具有明确的化学意义，便于理解模型决策
  3. 模块化设计：两个阶段可独立优化和替换
  4. 知识迁移：拓扑指数可用于其他性质预测任务
graph TD

    subgraph "模型评估"
        I["交叉验证<br/>R²,MAE,RMSE"]
        J["Williams图<br/>适用域分析"]
        I --> J
    end

    subgraph "阶段二：拓扑指数到理化性质"
        E["预测的拓扑指数"]
        F["特征工程<br/>相关性分析"]
        G["机器学习模型<br/>LR/RF/XGB/NN"]
        H["理化性质<br/>MR,PSA,P,MV,MW,C"]
        E --> F --> G --> H
    end
    
    subgraph "阶段一：SMILES到拓扑指数"
        A["SMILES字符串<br/>C1=CC=CC=C1"]
        B["RDKit解析<br/>生成分子图"]
        C["拓扑指数计算<br/>M1,M2,ABC,Randić,<br/>Harmonic,Forgotten"]
        D["机器学习模型<br/>LR/RF/XGB/NN"]
        A --> B --> C --> D
    end

数据集与分子描述符

数据集构建

  • 规模：59种抗病毒化合物
  • 来源：PubChem数据库
  • 覆盖范围：HIV抑制剂（AZT、Indinavir）、乙肝药物（Entecavir、Tenofovir）、流感药物（Oseltamivir、Zanamivir）、COVID-19药物（Remdesivir、Molnupiravir）等
  • 性质数据：通过PubChem和RDKit计算获得六种理化性质的实验或计算值

拓扑指数定义

研究选用了六种经典拓扑指数，它们从不同角度表征分子拓扑特征：

  1. First Zagreb指数（M1）：
\[M_1(G) = \sum_{v \in V(G)} d_v^2\]

其中 $d_v$ 是顶点 $v$ 的度数。反映分子的整体连接性和分支度。

  1. Second Zagreb指数（M2）：
\[M_2(G) = \sum_{uv \in E(G)} d_u d_v\]

对所有边求度数乘积。捕捉相邻原子的连接特征。

  1. ABC指数：
\[\mathrm{ABC}(G) = \sum_{uv \in E(G)} \sqrt{\frac{d_u + d_v - 2}{d_u d_v}}\]

原子-键连接性指数，与分子稳定性和应变能相关。

  1. Randić指数：
\[R(G) = \sum_{uv \in E(G)} \frac{1}{\sqrt{d_u d_v}}\]

反映分子的分支程度，广泛用于沸点、折射率预测。

  1. Harmonic指数：
\[H(G) = \sum_{uv \in E(G)} \frac{2}{d_u + d_v}\]

与分子的电子性质相关。

  1. Forgotten指数：
\[F(G) = \sum_{v \in V(G)} d_v^3\]

类似M1但对高度顶点赋予更大权重，适用于复杂结构分子。

机器学习模型

研究对比了四种主流算法：

1. 线性回归（LR）

  • 假设输入与输出线性相关
  • 作为基线模型

2. 随机森林（RF）

  • 集成学习方法，构建多棵决策树
  • 超参数：100棵树，最大深度10

3. XGBoost

  • 梯度提升决策树，逐步优化残差
  • 超参数：100棵树，学习率0.1，最大深度5

4. 神经网络（NN）

  • 多层感知机，三个隐藏层（128、64、32神经元）
  • 激活函数：ReLU，优化器：Adam

实验结果与分析

阶段一：SMILES到拓扑指数的预测性能

表1：拓扑指数预测的$R^2$值（阶段一）

拓扑指数 线性回归 随机森林 XGBoost 神经网络
M1 0.9823 0.9891 0.9907 0.9856
M2 0.9765 0.9867 0.9883 0.9821
ABC 0.9712 0.9834 0.9856 0.9789
Randić 0.9689 0.9812 0.9831 0.9763
Harmonic 0.9734 0.9845 0.9867 0.9798
Forgotten 0.9801 0.9878 0.9895 0.9842

关键发现：

  • XGBoost在所有拓扑指数预测中表现最优，$R^2$均超过0.98
  • M1和Forgotten指数的预测精度最高，这可能是因为它们的定义更简单，受分子图结构直接影响
  • 神经网络性能略低于集成方法，可能是数据集规模（59个样本）不足以充分训练深度模型

阶段二：拓扑指数到理化性质的预测性能

表2：理化性质预测的$R^2$值（阶段二）

性质 线性回归 随机森林 XGBoost 神经网络
摩尔折射率（MR） 0.9876 0.9923 0.9938 0.9901
极性表面积（PSA） 0.9712 0.9801 0.9823 0.9765
极化率（P） 0.9851 0.9912 0.9891 0.9878
摩尔体积（MV） 0.9823 0.9889 0.9907 0.9856
分子量（MW） 0.9901 0.9945 0.9950 0.9923
复杂度（C） 0.9734 0.9823 0.9845 0.9789

图1：六种理化性质的实验值与预测值对比散点图

（包含MR、PSA、P、MV、MW、C六个子图，每个子图展示实验值（x轴）与XGBoost预测值（y轴）的散点，理想情况下点分布在y=x直线附近）

关键发现：

  • 分子量预测精度最高（$R^2$=0.9950），这是因为MW与拓扑指数（尤其是M1和Forgotten）高度相关，分子越大，顶点越多，拓扑指数越大
  • 极性表面积预测难度最大（$R^2$=0.9823），PSA与分子的极性基团分布相关，拓扑指数对极性特征的表征能力有限
  • XGBoost和随机森林显著优于线性回归，说明性质与拓扑指数之间存在非线性关系

表3：不同性质的MAE和RMSE（XGBoost模型）

性质 MAE RMSE
MR 2.34 3.12
PSA 8.45 11.23
P 0.98 1.34
MV 12.56 16.78
MW 15.67 21.45
C 23.45 31.23

拓扑指数与性质的相关性分析

图2：拓扑指数与理化性质的Pearson相关系数热图

（6x6矩阵，行为拓扑指数，列为性质，颜色深度表示相关性强度）

关键发现：

  • M1和Forgotten与MW、P、MR的相关系数超过0.95，这解释了为何这些性质预测精度高
  • ABC和Randić与PSA的相关性较弱（$r<0.75$），导致PSA预测难度较大
  • Harmonic指数在所有性质中表现中等，说明其信息与其他指数有重叠

Williams图与适用域分析

图3：摩尔折射率预测的Williams图

Williams图用于评估模型的适用域，横轴为杠杆值（leverage，表示样本在特征空间中的位置），纵轴为标准化残差。理想情况下，所有点应落在 $\pm 3$ 的标准化残差范围内，且杠杆值小于临界值 $h^*$。

关键发现：

  • 59个样本中，57个落在适用域内，仅2个样本（Remdesivir和某HIV抑制剂）的杠杆值略高于临界值
  • 这表明模型对大多数抗病毒药物具有良好的预测能力，但对结构复杂的新型药物（如Remdesivir）需谨慎

与现有方法的对比

表4：与文献中其他QSPR方法的性能对比

方法 描述符类型 $R^2$（MW） $R^2$（P） 数据集规模
本研究（XGBoost） 拓扑指数 0.9950 0.9891 59
Ref [12] 分子指纹 0.9823 0.9756 120
Ref [18] 量子化学描述符 0.9867 0.9801 85
Ref [25] 传统拓扑指数 0.9712 0.9689 50

关键发现：

  • 尽管数据集较小，本研究的$R^2$值超越了所有对比方法
  • 相比量子化学描述符（需要DFT计算），拓扑指数的计算成本极低
  • 相比分子指纹等高维表征，拓扑指数更简洁且可解释

讨论部分

为何拓扑指数如此有效？

拓扑指数的成功源于其对分子拓扑特征的精准捕捉。理化性质本质上由分子的电子结构和空间构型决定，而这些因素又与分子图的拓扑密切相关。例如：

  • 分子量由原子数量决定，M1指数（顶点度数平方和）天然编码了这一信息
  • 极化率与分子的电子云分布有关，Forgotten指数（高度顶点权重大）能反映高配位原子的贡献
  • 复杂度与分子的分支和环状结构相关，ABC和Randić指数擅长表征这些特征

两阶段框架的优势与局限

优势：

  • 模块化：两个阶段可独立优化，例如可以用更强大的图神经网络替代阶段一的RDKit计算
  • 可解释性：拓扑指数作为中间表征，允许研究者分析哪些结构特征主导了性质预测
  • 迁移学习潜力：阶段一的拓扑指数预测模型可迁移到其他分子数据集

局限：

  • 依赖拓扑指数的表达能力：对于某些性质（如PSA），现有拓扑指数可能不足以完全表征
  • 数据集规模限制：59个样本对深度学习模型而言偏小，未来需要扩展数据集

Q&A

  • Q1: 为什么选择这六种拓扑指数，而不是其他？

  • A1: 这六种指数在QSPR文献中被广泛验证，具有互补性。M1和M2是最经典的Zagreb指数，捕捉整体连接性；ABC和Randić反映分支特征；Harmonic与电子性质相关；Forgotten对复杂结构敏感。研究还计算了更多指数，但相关性分析显示这六种已足够覆盖主要信息，增加更多指数会导致冗余和过拟合。

  • Q2: 两阶段框架相比端到端模型（直接从SMILES预测性质）有何优势？
  • A2:
    • 可解释性：端到端模型（如图神经网络）是黑箱，两阶段框架通过拓扑指数提供了中间可解释层
    • 数据效率：拓扑指数降低了特征维度，使得小样本数据集也能训练出高精度模型
    • 灵活性：可以根据需要替换阶段一或阶段二的模型，例如用GNN替代RDKit计算拓扑指数
    • 迁移学习：拓扑指数是通用的分子表征，阶段一的模型可用于其他性质预测任务
  • Q3: Williams图中为何Remdesivir的杠杆值较高？这对模型应用有何影响？

  • A3: Remdesivir是一种结构复杂的核苷类似物，含有多个杂环和功能基团，其拓扑特征在训练集中较为罕见，导致杠杆值（特征空间中的距离）较高。这意味着模型对Remdesivir的预测可能不如对训练集内常见结构的药物准确。在实际应用中，对于杠杆值高的新分子，建议结合实验验证或使用集成模型来降低预测不确定性。

  • Q4: 神经网络在本研究中表现不如XGBoost和随机森林，原因是什么？

  • A4: 主要原因是数据集规模较小（59个样本）。深度神经网络通常需要数千甚至数百万个样本才能充分训练，小样本下容易过拟合。相比之下，XGBoost和随机森林等树模型对小样本更鲁棒，且超参数调优相对简单。未来如果数据集扩展到数百个样本，神经网络的性能可能会超越树模型。

  • Q5: 该方法能否推广到其他类型的药物（如抗癌药、抗生素）？
  • A5: 可以，但需要重新训练模型。拓扑指数是通用的分子表征，理论上适用于任何有机小分子。然而，不同类型药物的结构特征和性质分布可能存在差异。例如，抗癌药通常包含更多的芳香环和杂原子，拓扑指数的相关性可能不同。因此，推广到其他药物类别时，建议收集相应数据集，重新训练并验证模型。

关键结论与批判性总结

潜在影响

  • 加速药物设计：提供了一种快速、低成本的药物性质预测工具，可用于虚拟筛选和先导化合物优化
  • 促进拓扑指数研究：证明了拓扑指数在现代机器学习框架中的价值，激励开发新型拓扑描述符
  • 推动开源科学：完整的代码库降低了方法的使用门槛，有助于社区验证和改进
  • 为COVID-19等新兴疾病提供工具：快速预测新抗病毒药物候选物的性质，辅助紧急药物研发

存在的局限性

  • 数据集规模较小：59个样本限制了模型的泛化能力，尤其是对结构新颖的药物
  • 拓扑指数的表达瓶颈：某些性质（如极性表面积）与拓扑指数的相关性不高，需要引入额外描述符
  • 缺乏三维结构信息：拓扑指数仅基于二维分子图，忽略了立体化学和构象效应，这可能影响某些性质（如溶解度、渗透性）的预测
  • 适用域有限：对于训练集外的复杂结构（如大环肽、多糖）预测精度未知
  • 未考虑药物动力学性质：仅预测理化性质，而药物的体内活性还受吸收、分布、代谢、排泄（ADME）等因素影响

未来研究方向

  • 扩展数据集：纳入更多抗病毒药物（目标1000+），提高模型的泛化能力和鲁棒性
  • 引入3D拓扑指数：结合分子的三维构象信息，开发新的拓扑描述符
  • 集成多模态特征：融合拓扑指数、分子指纹、量子化学描述符，构建混合模型
  • 图神经网络：用GNN替代阶段一的RDKit计算，实现端到端可微分的拓扑指数预测
  • 药效预测：将框架扩展到抗病毒活性（如IC50、EC50）的预测，直接指导药物设计
  • 主动学习：结合实验反馈，迭代优化模型，逐步减少实验验证的样本量