基于机器学习q-RASAR模型的α7nAChR激动剂计算机辅助发现及其抗阿尔茨海默病应用

来自国际团队的研究人员采用定量跨构效关系(q-RASAR)方法，结合机器学习(ML)技术构建了预测α7-烟碱型乙酰胆碱(α7nACh)受体激动活性的模型。通过对1,727种杂环/芳香烃化合物的分析，建立了经严格验证的线性回归(LR)模型，并成功筛选Mcule数据库中1.91亿化合物。结合100ns分子对接与动力学(MD)模拟，揭示了疏水性、电子效应及空间位阻等关键分子特征，为抗阿尔茨海默病(AD)药物设计提供了新思路。

这项突破性研究运用定量跨构效关系(q-RASAR)建模技术，结合机器学习算法开发了预测α7-烟碱型乙酰胆碱受体(α7nAChR)激动活性的创新模型。科研团队从BindingDB数据库精选1,727个结构多样的杂环和芳香烃化合物，构建了经严格验证的线性回归(LR)模型。该模型成功应用于Mcule超大规模化合物库（含1.91亿分子）的虚拟筛选，锁定潜在α7nAChR激动剂候选分子。

研究采用分子对接技术解析配体-受体相互作用模式，并通过长达100纳秒的分子动力学(MD)模拟验证结合稳定性。令人振奋的是，该工作首次系统揭示了疏水性、电子效应、电离程度和空间位阻等关键分子特征在α7nAChR激动剂设计中的决定性作用。这些发现为靶向认知功能障碍和神经退行性疾病的药物研发提供了全新视角，特别是对阿尔茨海默病(AD)治疗药物的开发具有重要指导价值。