《Aquatic Toxicology》：Predicting the active sites of quinolone antibiotics interacting with organisms by deep learning and molecular docking
编辑推荐：
针对19种喹诺酮类抗生素，本研究基于PubChem生物活性数据构建45个深度学习预测模型，准确率达95%以上。分子动力学模拟显示氟喹诺酮与HP1089、recBCD等靶点结合后形成稳定构象，揭示了QNs抗生素对细菌DNA修复酶和神经行为相关蛋白的作用机制，为环境与食品安全政策提供理论支持。
张文军|张文静|董晨阳
中国江苏省南京市河海大学环境学院，教育部浅湖综合调控与资源开发重点实验室，邮编210098
摘要
喹诺酮类（QN）抗生素已成为全球人类和动物中最常用的抗菌药物之一。在本研究中，我们选取了19种常见的喹诺酮类抗生素，并从PubChem网站收集了它们的生物活性数据。随后，利用深度学习技术，基于PubChem BioAssay数据集构建了45个生物活性预测模型。所有模型的预测准确率均超过了95%，唯有CCRIS突变性研究的模型准确率为85.22 ± 0.17%。总体而言，这些深度学习模型可以作为预测和评估喹诺酮类抗生素的可靠工具。通过开发的模型预测了这19种喹诺酮类抗生素的生物活性数据，填补了缺失的信息。研究发现，喹诺酮类抗生素通常对细菌DNA修复酶以及与神经行为相关的蛋白质具有活性，包括假设蛋白HP1089、recBCD（exodeoxyribonuclease V亚基）、RecB和SLC5A7。分子动力学模拟结果显示，所有氟喹诺酮类化合物与HP1089、recBCD、RecB和SLC5A7形成的复合物在初始0–10纳秒的松弛后均达到了稳定构象。
我们的研究为阐明生物体对外源化学物质的响应机制、制定环境保护和食品安全政策、评估新型化合物的风险以及开发环保型药物提供了理论基础和技术支持。
研究部分摘录
概述
我们的研究为生物体对外源化学物质的响应机制提供了理论基础和技术支持。
数据收集与整理
我们选取了19种常见的喹诺酮类抗生素，包括氧氟沙星、诺氟沙星、恩氟沙星、环丙沙星、洛美沙星、依诺沙星、达诺沙星、氟罗沙星、马波沙星、沙拉沙星、斯帕沙星、奥索利酸、吡哌米酸、盐酸洛美沙星、萘啶酸、培氟沙星、盐酸地芬沙星和莫西沙星。随后，我们从PubChem网站（
https://pubchem.ncbi.nlm.nih.gov/）收集了这些抗生素的生物活性数据。
目标化合物生物活性数据分析
表S1显示了至少对三种喹诺酮类抗生素具有活性的化合物。CCRIS突变性研究（n=13）涉及的活性化合物数量最多，其次是抑制金黄色葡萄球菌中LtaS活性的化合物筛选（n=9），以及抑制霍乱弧菌II号染色体复制的化合物筛选（n=8），还有基于吸光度的细菌细胞高通量筛选方法来识别细菌抑制剂的研究（n=8）。
讨论
基于深度学习的化合物毒性预测是一种环境友好、高效、不依赖动物实验且成本较低的研究方法，已成为生化研究领域的热门研究方向和发展趋势。例如，ToxCast数据库包含了数千种化学-生物靶点，有助于我们更好地理解化学物质的危害性。当与高通量筛选结合使用时，该方法能显著帮助研究人员开展相关研究。资助信息
本研究得到了国家自然科学基金（项目编号：42207321）和中央高校基本科研业务费（项目编号：B230201006）的资助。
作者贡献声明
张文军：概念提出、方法设计、实验监督、数据可视化与分析
张文静：软件开发与验证
董晨阳：数据整理、初稿撰写
CRediT作者贡献声明
张文军：撰写、审稿与编辑、数据整理。张文静：项目管理、方法设计、实验实施。董晨阳：撰写、审稿与数据整理。
