構造ベース共有結合薬物発見のための計算およびAI駆動型エコシステム

科学分野:

• 計算化学および化学情報学
• 創薬および医薬品化学
• 創薬における人工知能

背景:

• 共有結合薬はますます重要になっており、125以上がFDAによって承認されています。
• 深層学習（DL）と人工知能（AI）は創薬に革命をもたらしています。
• AIの共有結合薬開発における可能性を実現するには、統合計算エコシステムが不可欠です。

研究 の 目的:

• 構造ベース共有結合薬物発見のための計算およびAI駆動型エコシステムを説明すること。
• データベース、モデル、ワークフロー、実験的フィードバックをリンクする、そのようなエコシステムの構築への貢献を強調すること。
• 部位の特定からリード発見までの課題に対処することにより、次世代共有結合療法の開発を加速すること。

主な方法:

• 共有結合関連データベースの体系的な収集とキュレーション。
• 深層学習による分子ドッキングおよび部位予測を含む、AI/物理ベースの予測およびスコアリングモデルの開発。
• 仮想スクリーニングおよびリード最適化のための相互運用可能な計算ワークフローの構築。
• モデルとデータベースを改良するために実験結果を統合するクローズドループフィードバックの実装。

主要な成果:

• 共有結合薬物発見を加速するための統合エコシステムの可能性を実証しました。
• 共有結合CRM1阻害剤の仮想スクリーニングパイプラインを使用したケーススタディを展示し、計算予測と生物学的検証を橋渡ししました。
• AlphaFold3のような進歩を考慮して、AI駆動型ドッキングアルゴリズムのパフォーマンスと限界に関する洞察を提供しました。

結論:

• 統合されたデータ駆動型エコシステムは、共有結合薬物発見を進歩させるために不可欠です。
• AIと計算ツールは、体系的に適用されると、共有結合薬候補の特定と最適化を大幅に加速できます。
• 共有結合薬物設計における将来のブレークスルーには、AIメソッドの継続的な開発とベンチマーキングが不可欠です。