华南理工大学学报(自然科学版)

作者：凌飞, 顾学荣

单位：华南理工大学 生物科学与工程学院/广东省发酵与酶工程重点实验室，广东 广州 510006

关键词：元启发式优化算法,机器学习,深度学习,靶点抑制剂活性,分子指纹,分子图

基金：国家自然科学基金项目(12322119);国家自然科学基金项目(12401630)

传统的机器学习（ML）和深度学习（DL）在预测靶点抑制剂的选择性方面发挥着关键作用。许多基于现有数据集的模型可用于预测化合物的生物活性，但对于ML和DL用于此类活性预测任务的性能孰优孰劣仍存在争议。该文基于不同分子特征构建数据集，运用10种元启发式算法优化11种ML和DL模型的超参数，旨在系统比较模型的预测性能，识别最优模型。结果表明，基于元启发式超参数优化算法的ML和DL模型，在预测性能上显著优于采用传统网格搜索优化超参数的ML和DL模型。此外，在低维特征空间中，基于分子图的DL模型（如SSA-GAT和SSA-Attentive FP）能够通过端到端的学习机制，自动从数据中提取有效特征，其性能优于ML模型；而在高维特征空间（如RDKit计算的ECFP、AtomPairs、MACCS指纹组合形成的特征空间）中，ML方法借助信息互补的分子特征和元启发式优化算法的高阶寻优能力，能够有效捕捉特征之间的复杂交互关系，通常在高维建模中展现出更高的准确性与鲁棒性。这些发现为指导选择ML和DL方法用于靶点抑制剂的活性预测提供了有用的信息。

来源：2026年第2期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2026年第2期