用ChEMBL、RDKit、SHAP和BRICS构建EGFR抑制剂发现AI协同科学家：完整教程

一句话看懂

一个端到端的AI协同科学家工作流，利用ChEMBL数据、RDKit分子处理、随机森林QSAR模型和BRICS碎片重组，自动发现针对EGFR C797S耐药突变的新型抑制剂候选分子。

详细发生了什么

该教程构建了一个完整的自主AI协同科学家流程，用于发现针对非小细胞肺癌中奥希替尼耐药突变C797S的下一代EGFR抑制剂。流程从ChEMBL和UniProt解析靶点开始，挖掘EGFR IC50生物活性数据并转换为干净的pIC50建模数据集。使用RDKit标准化分子、去除盐、聚合重复测量、计算Morgan指纹、提取理化描述符并分析骨架多样性，确保模型从化学上有意义的表征而非原始字符串中学习。

接着，训练一个骨架分裂的随机森林QSAR模型，评估其对未见化学类型的泛化能力，用SHAP或模型重要性解释效力驱动特征，并可视化有影响的分子亚结构。最后，通过重组来自有效药物类似物的BRICS片段进入生成设计，对产生的虚拟类似物进行效力、药物相似性、可合成性、新颖性和可开发性评分，并在PubChem中交叉检查候选列表。

教程还提供了完整的Python代码实现，包括靶点解析、数据挖掘、分子处理、模型训练和分子生成等步骤。

中文圈视角

对于中文圈的药物化学和计算化学从业者，这个教程提供了一个可复现的AI驱动药物发现工作流模板。虽然使用了ChEMBL和PubChem等国际数据库，但国内用户可以通过类似思路利用本地数据（如中国药科大学的药物数据库）或国产替代平台（如ModelScope上的分子生成模型）进行适配。

关键差异点：国内用户可能需要关注数据合规性，特别是使用ChEMBL数据时需遵守其CC BY-SA 4.0许可。此外，教程中的BRICS片段重组方法可以结合国产分子生成工具（如深势科技的Uni-Mol）进行优化。对于EGFR C797S抑制剂这一具体靶点，国内已有多个团队在攻关，该工作流可作为快速筛选起点。

一个未被广泛讨论的盲点：教程中的骨架分裂策略对于评估模型泛化能力至关重要，但国内很多QSAR研究仍使用随机分裂，导致模型性能被高估。该教程强调了骨架分裂的重要性，值得国内研究者借鉴。

几条值得记住的细节

靶点解析：使用ChEMBL ID CHEMBL203（EGFR）和UniProt上下文，明确C797S耐药突变背景。
数据挖掘：从ChEMBL拉取最多9000条IC50记录，经过质量过滤后得到标准化的pIC50数据集。
分子处理：使用RDKit的LargestFragmentChooser和Uncharger进行标准化，计算2048位Morgan指纹（半径2）。
模型训练：采用骨架分裂的随机森林回归模型，用SHAP解释效力驱动特征。
分子生成：通过BRICS碎片重组生成最多4000个虚拟类似物，经多轮筛选后保留12个候选分子。

一句话总结

这个教程提供了一个从靶点到候选分子的完整AI药物发现工作流，可直接复现并适配到其他靶点，对国内计算化学研究具有实用参考价值。