垃圾进来,垃圾出去:可靠的培训数据如何改善了针对SARS-CoV-2的虚拟查方法MPro

科学领域:

• 计算化学和药物发现
• 病毒学和传染病学.
• 生物化学和酶学 生物化学和酶学

背景情况:

• 抑制SARS-CoV-2复制是一种关键的研究优先事项.
• 计算方法加速药物发现,但需要可靠的数据和验证.
• SARS-CoV-2 主蛋白酶 (MPro) 是抗病毒开发的关键目标.

研究的目的:

• 使用计算和实验方法识别抑制SARS-CoV-2MPro的新型化学化合物.
• 通过代学习周期来完善药物发现的计算模型.
• 为了验证已识别的化合物对SARS-CoV-2复制的疗效.

主要方法:

• 采用了一种药物发现策略,将"in silico"虚拟查与实验验证相结合.
• 利用基于连接体和基于结构的计算方法进行大型化学库的虚拟选.
• 基于实验选结果和公布数据进行计算模型的代改进.

主要成果:

• 最初的查发现了三种MPro抑制剂,包括一种糖化物,一种索和一种黄醇.
• 第二代模型产生了43个新的命中候选物;八种化合物抑制了MPro (IC₅₀0.1220μM).
• 在8种MPro抑制剂中,有5种在细胞培养中也表现出针对SARS-CoV-2的抗病毒活性 (EC₅₀ 745μM).

结论:

• 展示了一个成功的代药物发现过程,集成计算预测和实验验证.
• 证实了用于药物发现的机器学习中的"垃圾进,垃圾出"原则.
• 确定了有前途的化合物,用于进一步开发SARS-CoV-2抗病毒药物.