基于卷积神经网络的定量结构-活性关系和指纹分析,针对炭病致死因子抑制剂
Madhulata Kumari1, Naidu Subbarao2
1Amity Institute of Biotechnology, Amity University, Rajasthan, Jaipur, India.
Future medicinal chemistry
|May 30, 2023
概括
一个新的基于一维卷积神经网络的定量结构-活性关系 (1D-CNN-QSAR) 模型有效地识别了潜在的炭杆菌抑制剂. 这种计算方法有助于通过分析化学结构和预测活性来发现新药候选者.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 炭仍然是一个重要的生物安全威胁,需要开发新型治疗剂.
- 现有的治疗方法面临挑战,推动了对创新药物发现方法的需求.
研究的目的:
- 开发和验证1D-CNN-QSAR模型,用于识别新型炭抑制剂.
- 分析潜在的炭杆菌抑制剂的化学空间,并确定关键的结构碎片.
主要方法:
- 使用化学结构数据开发1D-CNN-QSAR模型.
- 使用诸如平均平方误差和预测相关系数等指标对模型进行统计验证.
- 化学空间分析以确定碎片相似性和活动悬崖.
主要成果:
- 1D-CNN-QSAR模型在测试组中实现了0.045的平均平方误差和0.79的预测相关系数.
- 化学空间分析显示了超过80%的碎片对相似性.
- 活动悬崖与特定的化学碎片有关,包括碳酸和各种替代异环.
结论:
- 开发的1D-CNN-QSAR模型显示了发现新型炭病候选药物的前景.
- 与活动悬崖相关的已识别的碎片可以指导更强大的抑制剂的设计.
- 1D-CNN-QSAR建模和指纹分析的综合方法为炭病药物发现提供了有价值的策略.
关键词:
活动悬崖活动悬崖.炭病是一种炭病.化学空间 化学空间卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.致命因素是致命的因素.这是一种致命的毒素毒素.定量结构 活动关系.自组织地图自组织地图更多相关视频
10:30A High-throughput-compatible FRET-based Platform for Identification and Characterization of Botulinum Neurotoxin Light Chain Modulators
Published on: December 27, 2013
5.4K
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
1.3K
