共价抑制剂作为新兴的治疗策略，因能与靶蛋白形成共价键而备受关注。其优势在于药效持久、靶向精确及能有效克服耐药性。然而，共价化合物的固有反应性虽赋予其这些特性，也导致了脱靶效应和潜在毒性问题。如何准确预测并调控这一反应性成为该领域的核心挑战。近日，复旦大学药学院王任小/李嫣/戚逸飞团队在预测共价化合物反应性方面取得显著进展。该团队运用深度数据挖掘和机器学习技术，成功构建了名为FP-Stack的高效预测模型，为共价药物的优化提供了有力工具。相关成果已在Journal of Chemical Information and Modeling期刊在线发表。研究团队首先从Web of Science数据库中筛选出与共价化合物反应性相关的文献，通过脚本自动化过滤和人工阅读，精心构建了一个涵盖419个半胱氨酸靶向共价化合物的高质量数据集。以此为基础，团队选用七种分子指纹和七种机器学习算法组合，建立多个单一机器学习模型。随后采用集成学习算法，将表现最优的单一机器学习模型作为基模型，线性回归模型作为元模型，构建了FP-Stack模型。此外，研究团队还开发了四种深度学习模型，包括图卷积网络（GCN）、图同