Ученые из Института общей и неорганической химии им. Н.С. Курнакова РАН и Московского государственного университета имени М.В. Ломоносова создали базу данных цитотоксичности комплексов переходных металлов «MetalCytoToxDB» и разработали модели машинного обучения для предсказанияих противоопухолевой активности. База данных включает более 26500 значений IC₅₀ (показатель концентрации вещества, необходимой для подавления активности клеток на 50%) для 7050 комплексов рутения, иридия, родия, рения и осмия. Представленная база данных открывает возможности для разработки новых противоопухолевых препаратов с помощью алгоритмов искусственного интеллекта. Результаты работы опубликованы в журнале Journal of Medicinal Chemistry.
Комплексы переходных металлов являются перспективными противоопухолевыми агентами — наиболее известным примером является цисплатин, широко применяемый в клинической практике. Однако разработка новых металлосодержащих препаратов существенно затруднена из-за отсутствия систематизированных данных об их биологической активности. Существующие базы данных, такие как ChEMBL, практически не содержат информации о комплексах металлов, что делает трудным применение современных методов хемоинформатики и машинного обучения к этому важному классу соединений.
Химики из Москвы вручную собрали и систематизировали данные по комплексам металлов из более чем 1900 рецензируемых научных публикаций. Работу прокомментировал один из авторов, младший научный сотрудник Лаборатории кристаллохимии и Центра цвета ИОНХ РАН Лев Краснов: «MetalCytoToxDB — это наша попытка систематизировать биологические данные комплексов металлов в единый машиночитаемый формат. В работе мы собрали 26500 значений IC₅₀ для 7050 комплексов пяти металлов — рутения, иридия, родия, рения и осмия, протестированных против 754 клеточных линий. Каждая запись включает значение цитотоксичности, время инкубации, название клеточной линии и DOI источника. Для соединений с фотодинамической активностью дополнительно зафиксированы параметры облучения».
Модели машинного обучения, обученные на MetalCytoToxDB, успешно предсказывают противоопухолевую активность новых соединений. Качество предсказания для рутениевых комплексов составило ROC-AUC = 0,81, для иридиевых — 0,73, что соответствует высокому уровню для задач такого рода. Особенно важен результат проверки на новых данных: модель, обученная на статьях до 2024 года, в 90% случаев верно определяла активные соединения из публикаций 2025 года — вдвое лучше случайного отбора. Помимо этого, разработана мультиметальная модель, позволяющая предсказывать цитотоксичность для металлов с ограниченным количеством данных — родия, рения и осмия.
Авторы особо подчёркивают, что в статье подробно описаны ограничения разработанного подхода: модель не учитывает геометрию расположения лигандов вокруг атома металла и влияние противоиона, работает только с моноядерными комплексами, а предсказание индекса селективности (активность против раковых клеток в сравнении со здоровыми) пока недостижимо из-за несбалансированности публикуемых в статьях данных. Эти направления определяют пути дальнейшего развития проекта.
Исследование выполнено при финансовой поддержке Минобрнауки России в рамках государственного задания ИОНХ РАН.
Источник: Lev Krasnov, Dmitry Malikov, Marina A. Kiseleva, Ekaterina V. Nykhrikova, Sergei V. Tatarin, and Stanislav I. Bezzubov; Machine Learning Approach to Anticancer Activity Prediction of Transition-Metal Complexes Based on a Large-Scale Experimental Database. Journal of Medicinal Chemistry, 2026, 10.1021/acs.jmedchem.5c02755. https://doi.org/10.1021/acs.jmedchem.5c02755
Доступ к базе данных: https://doi.org/10.5281/zenodo.17106822
Веб-интерфейс: https://biometaldb.streamlit.app/
Схема. Применение полученной базы данных для предсказания цитотоксичности полученного комплекса металла с помощью модели машинного обучения (Автор рисунка: Лев Краснов)