Video Experimental Relacionado
Updated: Sep 10, 2025
Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
Evaluación comparativa del rendimiento de detección virtual basado en la estructura de tipo salvaje y resistente Pf
Menna S Hany1, Nermin S Ahmed2, Frank M Boeckler3,4
1Pharmaceutical Chemistry Department, Faculty of Biotechnology, German International University, Cairo, Egypt.
Este estudio hace referencia a las herramientas de acoplamiento para el descubrimiento de fármacos contra la malaria. El aprendizaje automático mejora significativamente la identificación de fármacos candidatos contra la dihidrofolato reductasa de Plasmodium falciparum resistente (PfDHFR).
Área de la Ciencia:
- Química computacional y descubrimiento de fármacos
- Parasitología y enfermedades infecciosas
Sus antecedentes:
- La malaria, causada por Plasmodium falciparum, representa una amenaza significativa para la salud en todo el mundo.
- La enzima dihidrofolato reductasa (PfDHFR) del parásito es un objetivo farmacológico crucial.
- Las mutaciones en PfDHFR confieren resistencia a los antimalarios antifolados como la pirimetamina.
Objetivo del estudio:
- Para comparar las herramientas de cribado virtual basadas en la estructura (SBVS) con el tipo silvestre (WT) y el mutante (Q) PfDHFR.
- Evaluar el impacto de las funciones de puntuación de aprendizaje automático (ML SF) en el rendimiento del SBVS.
- Proporcionar recomendaciones para mejorar el SBVS en el descubrimiento de fármacos contra la malaria.
Principales métodos:
- Se evaluaron tres herramientas de acoplamiento (AutoDock Vina, PLANTS, FRED) utilizando el índice de referencia DEKOIS 2.0.
- Se han evaluado dos SF de ML (CNN-Score, RF-Score-VS v2) para volver a calificar los resultados de acoplamiento.
- Se analizó el rendimiento del cribado utilizando gráficos pROC-AUC, pROC-Chemotype y EF 1%.
Principales resultados:
- Las PLANTAS con repunteado CNN dieron el mejor enriquecimiento para WT PfDHFR (EF 1% = 28).
- FRED con repunteado CNN mostró un enriquecimiento superior para la variante Q (EF 1% = 31).
- La nueva puntuación de ML mejoró sustancialmente el rendimiento de AutoDock Vina para ambas variantes.
- La nueva puntuación recuperó eficazmente diversos aglutinantes de alta afinidad en las primeras etapas de enriquecimiento.
Conclusiones:
- CNN-Score mejora constantemente el rendimiento de SBVS tanto para WT como para Q PfDHFR.
- La revalorización de ML mejora la identificación de aglutinantes diversos y de alta afinidad.
- Estos hallazgos respaldan la mejora del descubrimiento de fármacos contra la malaria, particularmente contra las cepas resistentes.
