一种基于混合结构的机器学习方法,用于预测小分子的激酶抑制
Changchang Liu1, Peter Kutchukian2, Nhan D Nguyen3
1Laboratory of Systems Pharmacology, Department of Systems Biology, Harvard Program in Therapeutic Science, Harvard Medical School, Boston, Massachusetts 02115, United States.
Journal of chemical information and modeling
|August 18, 2023
概括
本研究介绍了一种使用机器学习的计算方法,用于预测酶-化合物相互作用. 该方法准确地识别了激酶标,通过理解结合亲和关系来改善药物发现.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 酶是关键的药物标,已经开发了70多种抑制剂.
- 了解精确的酶化合物相互作用仍然是一个挑战.
- 现有的方法在广泛的目标频谱预测方面遇到了困难.
研究的目的:
- 开发一种计算方法,用于基因组范围内的结合测量.
- 为了增强基于结构的机器学习,用于酶抑制剂的发现.
- 为了改善定性和定量酶化合物亲和力的预测.
主要方法:
- 创建了基因酶抑制剂复合物 (KinCo) 数据集,预测了基因酶结构和实验性结合常量.
- 开发了一个机器学习损失函数,集成定性和定量约束数据.
- 在KinCo数据集上训练了一个基于结构的机器学习模型.
主要成果:
- 开发的方法超越了仅使用晶体结构的方法来预测酶-化合物亲和力.
- 与无结构方法相比,该模型显示出更高的性能.
- 这种方法可以成功地泛化到多种类型的激酶序列和化合物支架,捕获已知的激酶生物化学.
结论:
- 这种计算策略增强了对激酶-化合物相互作用的预测.
- 该方法为基于结构的药物发现提供了一个强大的工具.
- 这种方法改善了对酶标光谱和结合特征的理解.


