谎言和负债:高通量选的计算评估成功识别了文物化合物

科学领域:

• 计算化学和化学信息学
• 药物的发现和开发.
• 测试的开发和验证.

背景情况:

• 高通量查 (HTS) 经常会发现由于测试技术的化学干扰而导致的假阳性.
• 像PAINS (泛分析干扰化合物) 这样的现有过器在准确识别这些有问题的化合物方面存在局限性.
• 需要强大的方法来预测和减轻化学图书馆中的测试文物.

研究的目的:

• 开发和验证用于常见HTS文物的预测模型.
• 创建一个全面的,公开可用的资源,用于识别化学责任.
• 为提供免费的网络工具"责任预测器",以帮助HTS击中分类和化学图书馆设计.

主要方法:

• 产生,修复和整合HTS数据集,用于醇反应性,氧化还原活性和光酶活性.
• 开发和验证定量结构干扰关系 (QSIR) 模型,以预测骚扰行为.
• 在"责任预测器"网络工具中实施QSIR模型和精选数据集.

主要成果:

• QSIR模型实现了58%-78%的外部平衡准确度,用于预测硫醇反应性,氧化还原活性和光酶干扰.
• 与流行的PAINS过器相比,开发的QSIR模型在识别有害化合物方面表现出更高的可靠性.
• 一个全面的化学责任图书馆和"责任预测器"工具被公开了.

结论:

• QSIR建模提供了一种可靠的方法来预测和缓解HTS文物.
• "责任预测器"为提高药物发现管道的效率和准确性提供了宝贵的资源.
• 开发的工具可以在化学图书馆设计和实验性HTS命中分类方面显著帮助.