構造ベースの仮想スクリーニングパフォーマンスをベンチマークし,ドッキングと機械学習再スコアを使用する耐性PfDHFR
Menna S Hany1, Nermin S Ahmed2, Frank M Boeckler3,4
1Pharmaceutical Chemistry Department, Faculty of Biotechnology, German International University, Cairo, Egypt.
Drug design, development and therapy
|August 21, 2025
まとめ
この研究は マラリア薬の発見のための 接着ツールを基準にしています 機械学習による再スコアは,抵抗性のあるPlasmodium falciparum Dihydrofolate Reductase (PfDHFR) に対する薬剤候補の識別を大幅に改善します.
科学分野:
- コンピュータ化学と薬剤開発
- 寄生病と感染症
背景:
- プラズモディアム・ファルシパラムによって引き起こされるマラリアは,世界的な健康上の重大な脅威となっています.
- 寄生虫のディヒドロフォラート還元酵素 (PfDHFR) は重要な薬標的である.
- PfDHFRの変異は,ピリメタミンなどの抗葉酸抗マラリア剤に耐性を与える.
研究 の 目的:
- 構造ベースの仮想スクリーニング (SBVS) ツールと野生型 (WT) と変異型 (Q) PfDHFRを比較する.
- SBVSの性能に対する機械学習スコア機能 (ML SFs) の影響を評価する.
- 抗マラリア薬の発見におけるSBVSの強化のための勧告を提供すること.
主な方法:
- DEKOIS 2.0のベンチマークを用いて3つのドッキングツール (AutoDock Vina,PLANTS,FRED) を評価した.
- 2つのMLSF (CNN-Score,RF-Score-VS v2) を評価し,ドッキング結果を再評価した.
- pROC-AUC,pROC-Chemotypeグラフ,EF 1%を使用してスクリーニングパフォーマンスを分析した.
主要な成果:
- WT PfDHFR (EF 1% = 28) について,CNNの再スコアで最高の濃縮結果が得られました.
- FREDとCNNの再評価は,Q変異のより高い濃度を示した (EF 1% = 31).
- MLの再スコア化により,AutoDock Vinaの性能は両バージョンで大幅に改善されました.
- リスコアリングは,早期の濃縮段階で,多種多様な高親和結合物質を効果的に回収した.
結論:
- CNN-Scoreは,WTとQ PfDHFRの両方のSBVSのパフォーマンスを一貫して改善しています.
- ML再スコアリングは,多様で高親和の結合物質の識別を改善します.
- これらの発見は,特に耐性菌株に対する抗マラリア薬の発見の改善を支持しています.
