简化大型化学图书馆与人工智能对接:PyRMD2Dock方法

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:

• 虚拟查对于识别候选药物至关重要.
• 现有的方法可能受到吞吐量和计算成本的限制.
• 由人工智能驱动的工具为增强查提供了潜力.

研究的目的:

• 介绍PyRMD2Dock,一个新的计算协议.
• 提高用于药物发现的虚拟选活动的吞吐量.
• 促进大量化学数据库的快速选.

主要方法:

• 结合基虚拟选 (LBVS) 工具 PyRMD 与AutoDock-GPU (AD4-GPU) 一起使用.
• 开发了PyRMD2Dock协议,用于高通量虚拟选.
• 进行了基准和选实验以评估性能.

主要成果:

• PyRMD2Dock可以快速选大型化学数据库.
• 已识别的化合物具有高预测的结合亲和力到目标蛋白质.
• 证明了PyRMD2Dock协议的预测能力和速度.

结论:

• PyRMD2Dock显著加速了新型候选药物的发现.
• 将人工智能驱动的LBVS工具与对接软件相结合,对于超大数据库选是有效的.
• PyRMD2Dock可以作为GitHub上的开源工具.