通过基于机器学习的虚拟查,发现了针对昆虫代酶的多目标抑制剂

科学领域:

• 农业科学 农业科学
• 生物化学 生物化学
• 计算化学的计算化学

背景情况:

• 昆虫化酶的多目标抑制剂是开发有效和环保的杀虫剂的关键.
• 机器学习 (ML) 提供了一种强大的方法来加速虚拟查,并降低与杀虫剂发现相关的成本.

研究的目的:

• 通过使用集成的ML和分子对接策略,识别Ostrinia furnacalis* (玉米) 中的四种关键化酶的新型多目标抑制剂.
• 为了选一个大图书馆的17,600天然产品潜在的杀虫剂的线索.

主要方法:

• 机器学习模型与分子对接模拟的整合.
• 高通量选数据分析以指导虚拟选.
• 对*Of*ChtI,*Of*ChtII,*Of*Chi-h和*Of*Hex1的酶抑制剂的识别和表征.

主要成果:

• 3,5-Di-O-caffeoylquinic acid和γ-mangostin被确定为所有四种向酶的强有力的抑制剂,其抑制常数 (K) 值处于微分子范围.
• 这些化合物对类虫有显著的生物活性.
• 转录基因分析揭示了这些化合物的生理影响昆虫中化酶通路.

结论:

• 机器学习与分子对接相结合,是发现新型杀虫剂线索的可行策略.
• 已识别的天然化合物代表了开发新型,低成本,多目标抑制剂的有希望的支架,用于对抗昆虫化酶.
• 这种方法支持开发更绿色,更可持续的虫害管理解决方案.