Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Structure-Activity Relationships and Drug Design01:28

Structure-Activity Relationships and Drug Design

1.0K
Drug design is a dynamic field that involves discovering and developing new medications based on specific biological targets. This process heavily relies on structure-activity relationships (SAR) and quantitative structure-activity relationships (QSAR) to guide the design and optimization of efficient drugs.
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...
1.0K
Quantitative Aspects of Drug-Receptor Interaction01:30

Quantitative Aspects of Drug-Receptor Interaction

1.2K
The receptor occupancy theory connects a drug's response to the number of occupied receptors. With higher drug concentrations, more receptors are occupied, leading to increased responses. The formation of drug-receptor complexes involves association and dissociation rates, which reach equilibrium when the forward and backward reactions are equal. The equilibrium association constant (Ka) and its inverse, the equilibrium dissociation constant (Kd), indicate drug affinity. Higher Ka and lower...
1.2K
Direct-Acting Cholinergic Agonists: Chemistry and Structure-Activity Relationship01:22

Direct-Acting Cholinergic Agonists: Chemistry and Structure-Activity Relationship

1.2K
Cholinergic agonists or cholinomimetics mimic the action of acetylcholine to stimulate the parasympathetic nervous system. They are categorized into direct-acting and indirect-acting agents. The direct-acting cholinergic drugs induce the parasympathetic response by directly binding to the muscarinic or nicotine receptors. In comparison, the indirect-acting cholinergic drugs prevent acetylcholine hydrolysis, indirectly contributing to the extended parasympathetic response.
The direct-acting...
1.2K
Adrenergic Agonists: Chemistry and Structure-Activity Relationship01:16

Adrenergic Agonists: Chemistry and Structure-Activity Relationship

3.3K
Adrenergic agonists' structure-activity relationship (SAR) determines their selectivity and efficacy. These agonists comprise a phenylethylamine moiety with an aromatic ring and an ethylamine side chain.
Aromatic ring substitutions: Substituting the aromatic ring with –OH groups at positions 3 and 4 yields catecholamines (e.g., epinephrine), which have a high affinity for adrenoceptors. Hydrogen bonding between –OH groups and receptors enhances adrenergic activity.
Separation of...
3.3K
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis00:59

Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis

124
Noncompartmental analyses offer an alternative method for describing drug pharmacokinetics without relying on a specific compartmental model. In this approach, the drug's pharmacokinetics are assumed to be linear, with the terminal phase log-linear. This assumption allows for simplified analysis and interpretation of the drug's behavior in the body.
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
124
Mechanistic Models: Compartment Models in Individual and Population Analysis01:23

Mechanistic Models: Compartment Models in Individual and Population Analysis

85
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
85

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Benchmarking community drug response prediction models: datasets, models, tools, and metrics for cross-dataset generalization analysis.

Briefings in bioinformatics·2026
Same author

Resting-state global brain activity induces bias in fMRI motion estimates.

Imaging neuroscience (Cambridge, Mass.)·2025
Same author

Predictive Modeling of Anticancer Drug Sensitivity Using REFINED CNN.

Methods in molecular biology (Clifton, N.J.)·2025
Same author

Low-dose dietary vorinostat increases brain histone acetylation levels and reduces oxidative stress in an Alzheimer's disease mouse model.

Journal of Alzheimer's disease : JAD·2025
Same author

Hyperspectral imaging to characterize the vegetative tissue biochemical changes in response to water deficit conditions in sorghum (<i>Sorghum bicolor</i>).

Frontiers in plant science·2025
Same author

Cross study transcriptomic investigation of Alzheimer's brain tissue discoveries and limitations.

Scientific reports·2025

Video Experimental Relacionado

Updated: Sep 9, 2025

Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
10:29

Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors

Published on: May 9, 2025

1.5K

AdapTor: Regresión topológica adaptativa para el modelado cuantitativo de la relación estructura-actividad

Yixiang Mao1, Souparno Ghosh2, Ranadip Pal3

  • 1Department of Electrical and Computer Engineering, Texas Tech University, Lubbock, TX, 79409, USA.

Journal of cheminformatics
|August 28, 2025
PubMed
Resumen
Este resumen es generado por máquina.

La regresión topológica adaptativa (AdapToR) mejora el diseño de fármacos mediante la mejora de los modelos de relación estructura-actividad cuantitativa (QSAR). Este nuevo método ofrece una mejor predicción de la respuesta a los medicamentos con una mayor interpretabilidad y un costo computacional reducido.

Palabras clave:
Predicción de la respuesta a los medicamentos contra el cáncerDescubrimiento de drogasAprendizaje automático interpretableModelado QSARRegresión topológica

Más Videos Relacionados

In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
05:47

In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox

Published on: August 28, 2019

14.1K
Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports
05:18

Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports

Published on: October 20, 2021

2.5K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
10:29

Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors

Published on: May 9, 2025

1.5K
In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
05:47

In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox

Published on: August 28, 2019

14.1K
Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports
05:18

Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports

Published on: October 20, 2021

2.5K

Área de la Ciencia:

  • Química computacional
  • Informática química y sus aplicaciones
  • Descubrimiento y desarrollo de fármacos

Sus antecedentes:

  • El modelado cuantitativo de la relación estructura-actividad (QSAR) es crucial para el diseño de fármacos.
  • La regresión topológica (TR) ofrece eficiencia e interpretabilidad, pero tiene limitaciones en la selección y reconstrucción de anclajes.
  • Los modelos QSAR existentes, incluidos los enfoques de aprendizaje profundo, se enfrentan a desafíos para equilibrar el poder predictivo y la interpretabilidad.

Objetivo del estudio:

  • Introducir la regresión topológica adaptativa (AdapToR), un modelo mejorado de QSAR.
  • Superar las limitaciones del TR estándar mediante la implementación de la selección de anclaje adaptativa y la reconstrucción basada en la optimización.
  • Mejorar la precisión, la interpretabilidad y la eficiencia computacional de los modelos de predicción de la respuesta a los medicamentos.

Principales métodos:

  • Desarrollado AdapToR con nuevas estrategias de selección de anclaje adaptativo.
  • Implementó un enfoque basado en la optimización para la reconstrucción de la respuesta.
  • AdapToR evaluado en el conjunto de datos NCI60 GI50, que incluye más de 50,000 respuestas a fármacos en 60 líneas celulares de cáncer.
  • Comparó AdapToR con Transformer CNN, Graph Transformer, TR y otros modelos QSAR de línea de base.

Principales resultados:

  • AdapToR demostró un rendimiento superior en la predicción de respuestas a los fármacos en comparación con los modelos QSAR existentes.
  • El método propuesto logró costos computacionales significativamente más bajos que los modelos basados en aprendizaje profundo.
  • AdapToR ofrece una mayor interpretabilidad en el modelado QSAR en comparación con las arquitecturas de aprendizaje profundo complejas.

Conclusiones:

  • AdapToR representa un avance significativo en el modelado de QSAR para la predicción de la respuesta a los medicamentos.
  • El modelo equilibra efectivamente la precisión predictiva, la interpretabilidad y la eficiencia computacional.
  • AdapToR es prometedor para acelerar los procesos de descubrimiento y desarrollo de fármacos.