俄罗斯科学院库尔纳科夫基础与无机化学研究所科学家发布全球首个过渡金属配合物抗肿瘤活性数据库“MetalCytoToxDB”，助力AI药物研发

俄罗斯科学院库尔纳科夫基础与无机化学研究所与莫斯科国立大学的科学家团队成功建立了全球首个专门针对过渡金属配合物细胞毒性的数据库——“MetalCytoToxDB”，并在此基础上开发了用于预测该类化合物抗肿瘤活性的机器学习模型。该数据库包含超过26,500个IC₅₀值（即抑制50%细胞活性的物质浓度指标），涵盖了针对7050种金属配合物的实验数据，这些配合物分别基于钌、铱、铑、铼和锇五种过渡金属。该数据库的建立为利用人工智能算法开发新型抗肿瘤药物提供了重要数据基础和工具支持。相关研究成果已发表于国际知名期刊《Journal of Medicinal Chemistry》。

过渡金属配合物被认为是一类极具前景的抗肿瘤药物，其中最著名的例子便是顺铂，自上世纪以来已在临床实践中广泛使用。然而，由于缺乏关于金属配合物生物活性的系统化、标准化数据，新型含金属药物的开发一直面临巨大障碍。现有的公共数据库（如ChEMBL）几乎不包含金属配合物的相关信息，这使得现代化学信息学和机器学习方法难以应用于这一重要化合物类别。

为解决这一长期存在的问题，莫斯科的化学家们从1900多篇经过同行评审的科学文献中，通过人工手动收集并系统化整理了大量金属配合物的实验数据。研究论文的共同作者之一、俄罗斯科学院无机化学研究所晶体化学实验室与颜色中心初级研究员列夫·克拉斯诺夫对此工作作出评论：“MetalCytoToxDB是我们尝试将金属配合物的生物活性数据系统化为统一、机器可读格式的重要成果。在这项工作中，我们收集了超过26,500个IC₅₀值，覆盖7050种钌、铱、铑、铼和锇的配合物，这些化合物已在754种不同细胞系上进行了测试。每条数据记录都包含了细胞毒性值、孵育时间、细胞系名称以及来源文献的DOI编号。对于具有光动力活性的化合物，我们还额外记录了照射参数，如光源类型和照射剂量。”

基于MetalCytoToxDB训练的机器学习模型，成功实现了对新化合物抗肿瘤活性的预测。其中，钌配合物的预测质量达到ROC-AUC = 0.81，铱配合物为0.73，在同类任务中处于高水平。尤其值得关注的是模型在新数据上的验证表现：使用2024年之前发表的文献数据训练的模型，在预测2025年新文献中报道的活性化合物时，准确率高达90%，相较于随机选择的预测效果提升了一倍。此外，研究团队还开发了一种多金属通用模型，能够用于预测数据量较少的金属（如铑、铼和锇）配合物的细胞毒性。

研究人员特别强调，论文中已详细说明了当前模型和数据库的局限性：模型尚未考虑配体围绕金属原子的几何构型以及反离子对活性的影响；目前仅适用于单核配合物；由于文献中发表的数据分布不均衡，模型尚无法预测选择性指数（即化合物对癌细胞相对于健康细胞的活性差异）。这些局限性也为该项目的未来发展方向提供了明确指引。

本研究得到了俄罗斯教育部科学与高等教育部的资金支持，是俄罗斯科学院有机化学研究所国家科研任务的重要组成部分。