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

1.9K
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...
1.9K
Drug Discovery: Overview01:26

Drug Discovery: Overview

12.3K
Drug discovery is a multifaceted process involving extensive screening, testing, and optimization of lead compounds to identify potential new drugs for therapeutic use. It combines several approaches, including screening large numbers of natural products, chemical modification of known active molecules, identification of new drug targets, and rational design based on biological mechanisms and drug-receptor structure. These approaches are carried out in both academic research laboratories and...
12.3K
Protein Organization01:24

Protein Organization

9.8K
Proteins are polymers of amino acid residues. They are versatile and responsible for different cellular functions, including DNA replication, molecular transport, catalysis, and structural support. Proteins have a hierarchical structure comprising at least three levels of organization: primary, secondary, and tertiary structure. Some large proteins have a quaternary structure where individual protein subunits are linked together.
The primary structure of a protein is its amino acid sequence....
9.8K
Ligand Binding Sites02:40

Ligand Binding Sites

15.4K
Proteins are dynamic macromolecules that carry out a wide variety of essential processes; however, the activities of most proteins depend on their interactions with other molecules or ions, known as ligands.
Protein-ligand interactions are quite specific; even though numerous potential ligands surround a cellular protein at any given time, only a particular ligand can bind to that protein. Moreover, a ligand binds only to a dedicated area on the surface of the protein, known as the...
15.4K
Ligand Binding Sites02:40

Ligand Binding Sites

9.0K
9.0K
Drug-Receptor Bonds01:25

Drug-Receptor Bonds

5.0K
Drug-receptor bonds are formed through various chemical forces when drugs interact with target cells. Covalent bonds, strong and irreversible, are exemplified by DNA-alkylating anticancer agents that inhibit cell division. However, such irreversible drug binding lacks selectivity and can modify the DNA of the surrounding healthy cells. Covalent binding often contributes to tissue toxicity, as seen with chloroform and paracetamol metabolites binding to the liver, causing hepatotoxicity.
In...
5.0K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

ProphDR: An Interpretable Deep Learning Model for Predicting Cancer Drug Response via Multi-Omics and Cross-Attention Mechanisms.

Journal of chemical information and modeling·2026
Same author

AI decodes protein-ligand binding.

Nature chemical biology·2026
Same author

Facilitating structure-based drug discovery with an artificial intelligence-driven virtual screening platform.

Nature protocols·2026
Same author

EpiMII: Structure-Aware Graph Neural Networks for MHC-II Epitope Generation.

Research (Washington, D.C.)·2026
Same author

Overcoming Resistance in the Androgen Receptor: Rational and Strategic Design of Advanced Antagonists.

Accounts of chemical research·2026
Same author

Targeting the intrinsically disordered AR-NTD through a machine learning-based enhanced sampling workflow.

Nature communications·2026

Video Experimental Relacionado

Updated: Mar 1, 2026

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
08:49

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis

Published on: June 20, 2025

1.4K

Ecosistema computacional e impulsado por IA para el descubrimiento de fármacos covalentes basado en la estructura

Shi Li1, Hongyan Du1, Xujun Zhang1

  • 1College of Pharmaceutical Sciences, Zhejiang University, Hangzhou 310058, Zhejiang, China.

Accounts of chemical research
|February 27, 2026
PubMed
Resumen

Este estudio presenta un ecosistema computacional integrado para el descubrimiento de fármacos covalentes, que aprovecha la inteligencia artificial (IA) y el aprendizaje profundo (DL) para acelerar el desarrollo de nuevas terapias. El sistema conecta bases de datos, modelos predictivos y retroalimentación experimental para un diseño de fármacos eficiente.

Palabras clave:
descubrimiento de fármacos covalentesinteligencia artificialaprendizaje profundoquímica computacionaldescubrimiento de fármacosmodelos predictivosbases de datos integradasoptimización de líderesvalidación biológicainhibidores de CRM1

Más Videos Relacionados

Covalent Fragment Screening Using the Quantitative Irreversible Tethering Assay
06:17

Covalent Fragment Screening Using the Quantitative Irreversible Tethering Assay

Published on: February 28, 2025

1.3K
Achieving Efficient Fragment Screening at XChem Facility at Diamond Light Source
08:35

Achieving Efficient Fragment Screening at XChem Facility at Diamond Light Source

Published on: May 29, 2021

7.3K

Videos de Experimentos Relacionados

Last Updated: Mar 1, 2026

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
08:49

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis

Published on: June 20, 2025

1.4K
Covalent Fragment Screening Using the Quantitative Irreversible Tethering Assay
06:17

Covalent Fragment Screening Using the Quantitative Irreversible Tethering Assay

Published on: February 28, 2025

1.3K
Achieving Efficient Fragment Screening at XChem Facility at Diamond Light Source
08:35

Achieving Efficient Fragment Screening at XChem Facility at Diamond Light Source

Published on: May 29, 2021

7.3K

Área de la Ciencia:

  • Química computacional y quimioinformática
  • Descubrimiento y química medicinal de fármacos
  • Inteligencia artificial en el desarrollo de fármacos

Sus antecedentes:

  • Los fármacos covalentes son cada vez más importantes, con más de 125 aprobados por la FDA.
  • El aprendizaje profundo (DL) y la inteligencia artificial (IA) están transformando el descubrimiento de fármacos.
  • Un ecosistema computacional integrado es crucial para materializar el potencial de la IA en el desarrollo de fármacos covalentes.

Objetivo del estudio:

  • Describir un ecosistema computacional e impulsado por IA para el descubrimiento de fármacos covalentes basado en la estructura.
  • Destacar las contribuciones a la construcción de dicho ecosistema, vinculando bases de datos, modelos, flujos de trabajo y retroalimentación experimental.
  • Acelerar el desarrollo de terapias covalentes de próxima generación abordando los desafíos desde la identificación del sitio hasta el descubrimiento de líderes.

Principales métodos:

  • Recopilación y curación sistemática de bases de datos relevantes para compuestos covalentes.
  • Desarrollo de modelos predictivos y de puntuación basados en IA/física, incluido el aprendizaje profundo para el acoplamiento molecular y la predicción de sitios.
  • Construcción de flujos de trabajo computacionales interoperables para el cribado virtual y la optimización de líderes.
  • Implementación de retroalimentación de circuito cerrado que integra resultados experimentales para refinar modelos y bases de datos.

Principales resultados:

  • Se demostró el potencial de un ecosistema integrado para acelerar el descubrimiento de fármacos covalentes.
  • Se presentó un estudio de caso utilizando un pipeline de cribado virtual para inhibidores covalentes de CRM1, conectando la predicción computacional y la validación biológica.
  • Se proporcionaron información sobre el rendimiento y las limitaciones de los algoritmos de acoplamiento impulsados por IA, considerando avances como AlphaFold3.

Conclusiones:

  • Un ecosistema integrado y basado en datos es esencial para avanzar en el descubrimiento de fármacos covalentes.
  • La IA y las herramientas computacionales, cuando se aplican sistemáticamente, pueden acelerar significativamente la identificación y optimización de candidatos a fármacos covalentes.
  • El desarrollo y la evaluación continua de métodos de IA son críticos para futuros avances en el diseño de fármacos covalentes.