使用基于机器学习的等效扩散模型针对尖端蛋白的抗COVID药物的De Novo设计

科学领域:

• 计算化学计算化学
• 药物发现 药物发现 药物发现
• 机器学习在医学中的应用

背景情况:

• 由于副作用,现有的抗COVID-19药物已停止使用,因此需要寻找新的治疗药物.
• 机器学习 (ML) 在加速新药化合物的识别方面发挥着至关重要的作用.
• SARS-CoV-2 的尖端蛋白仍然是抗病毒药物开发的关键目标.

研究的目的:

• 使用等价扩散模型生成针对SARS-CoV-2尖端蛋白的新型药物化合物.
• 识别具有有利ADMET (吸收,分布,新陈代谢,分泌,毒性) 特性的化合物.
• 通过分子对接和模拟来评估设计化合物的结合亲和力和稳定性.

主要方法:

• 利用等价扩散模型产生了196种新的化合物.
• 对ADMET特性进行评估的化合物,以确保药物相似性.
• 进行了分子对接,以识别与SARS-CoV-2尖端蛋白的高亲和度结合剂.
• 进行了密度函数理论 (DFT),量子优化,分子动力学 (MD) 模拟,一般化天生的表面积 (GBSA) 和元动力学模拟.

主要成果:

• 产生了196种新型化合物,之前没有数据库匹配.
• 所有产生的化合物都符合类似和类似药物的特性标准.
• 十五种化合物显示了对目标蛋白质的高可靠性对接.
• 顶级化合物CoECG-M1的结合分数为-6.930 kcal/mol,并通过模拟证明了稳定的结合.

结论:

• 开发的ML模型成功生成了针对SARS-CoV-2的新型,类似药物的化合物.
• CoECG-M1显示出作为抗COVID-19治疗候选者的巨大潜力.
• 进一步改进模型可以提高识别有效药物化合物的成功率.