使用3D卷积神经网络预测酶抑制剂的目标场景

科学领域:

• 计算化学是一种计算化学.
• 药理学 药理学是指药理学的学科.
• 机器学习在药物发现中的作用

背景情况:

• 目前的药物开发往往依赖于单一药物单一点相互作用.
• 越来越需要使用多向药物的多向方法.
• 了解酶抑制剂复杂的标环境对于有效的药物设计至关重要.

研究的目的:

• 开发一个机器学习管道,3D-KINEssence,用于预测酶抑制剂的目标景观.
• 利用由3D卷积神经网络 (3D-CNN) 生成的新型3D蛋白质指纹 (3D FP).
• 将3DFP与摩根分子指纹集成在一起,以准确预测目标.

主要方法:

• 开发一个名为3D-KINEssence的机器学习管道.
• 使用基于激酶结构的3D卷积神经网络 (3D-CNN) 生成3D蛋白质指纹 (3D FP).
• 将3D-CNN激酶指纹与分子摩根指纹进行匹配.
• 使用可用的生物活性数据预测酶抑制剂标.
• 对稀疏和密集覆盖的药物目标数据集的评估.

主要成果:

• 3D-KINEssence管道证明了有效预测酶抑制剂点景观.
• 在稀疏和密集的数据集上,分别达到0.68和0.8的平方根平均误差 (RMSE).
• 该模型预测了酶抑制剂的目标景观,准确度约为0.8日志单位的生物活性.

结论:

• 三维蛋白质指纹 (3D FP) 是有效的预测酶抑制剂的目标景观.
• 3D-KINEssence策略可以集成到蛋白质化学测量和化学基因组工作流程中.
• 这种方法有助于巩固和理解酶抑制剂的复杂向相互作用.