把P-糖蛋白底物改造成非底物：SF-GA用片段协同分数引导编辑，合成可达性居各方法之首
核心概要
针对P-糖蛋白外排限制小分子药物生物利用度和中枢神经系统暴露的问题，SF-GA把片段协同分析嵌入遗传算法的突变环节，优先用与非底物类别共现的子结构替换片段，从而在保留骨架的前提下把预测的P-糖蛋白底物改写为预测非底物。在固定函数评估预算的PMO基准上，SF-GA的优化表现与GB-GA、REINVENT、FragGT相当，同时在所有被测方法中取得最高的平均RAscore（0.932）。这些分子仍是计算预测的假想结构，非底物行为尚未经实验验证。
深度剖析
分子编辑现在可以朝着“不被P-糖蛋白识别”这一目标定向进行，而不只是对已有分子做性质打分。P-糖蛋白是主动外排多种小分子的转运蛋白，在血脑屏障上限制药物进入脑内，因此降低底物属性是中枢神经系统药物设计的前提。 此前机器学习模型已能较好地区分P-糖蛋白底物与非底物，但这些预测很少被转化为可执行的分子改造方案，尤其是把底物理性地转成非底物这一方向基本未被探索。 在PMO基准上，以100个随机选取的P-糖蛋白底物为初始池、预算5000次函数评估，SF-GA的AUC top-50为0.948±0.004，GB-GA为0.965±0.002、REINVENT为0.964±0.001、FragGT为0.955±0.004，而SF-GA的平均RAscore为0.932±0.037，高于REINVENT的0.900±0.029和FragGT的0.888±0.107。
每次被接受的片段替换都会连同被丢弃片段、插入片段及其协同分数一起记录，结构改动因此带有片段层面的理由。 此前的生成式方法多以黑箱方式给出分子，归因图或特征重要性分数难以直接对应到可合成、可测试的具体结构变换。 协同分数由MACCS指纹位之间的共现关系定义，取值在−1到1之间；与随机选片的F-GA和仅按SHAP重要性排序的Single-bit-GA相比，SF-GA的AUC显著更高（两者p<0.001），且这一优势在片段数增至七个时仍保持。
启示与展望
演示范围限于计算层面：在PMO基准的固定评估预算下与GB-GA、REINVENT、FragGT、SMILES-GA比较，并在Bemis–Murcko骨架约束和Tanimoto相似度不低于0.5的条件下做骨架保留与外周编辑，另对1570个经NIH、Brenk、PAINS过滤的生成分子在6QEX和7O9W两个人类P-糖蛋白结构上做对接。作者明确表示对接结果只提供生成分子的结构刻画，并不直接确立非底物行为，并把实验评估P-糖蛋白转运列为后续动机。
生成的分子是假想的，非底物概率来自集成模型估计，所观察到的趋势应视为基于模型的预测而非实验验证的结果。协同组由子结构特征的SHAP值导出，因此方法假定目标性质可由显式子结构贡献表示，对由整体理化描述符主导的性质可能不太适用；引导效果也取决于SHAP值的可靠性，特征高度相关时尤其如此。数据集规模和类别不平衡在迁移到新性质时也需考虑。