使用基于体查的卷积神经网络识别潜在的阿尔多斯降低酶抑制剂
Kushagra Kashyap1,2, Pinaki Prasad Mahapatra1, Shakil Ahmed1
1Biochemistry and Structural Biology Division, CSIR-Central Drug Research Institute, Sector 10, Jankipuram Extension, Sitapur Road, Lucknow 226031, India.
Journal of chemical information and modeling
|October 3, 2023
概括
一种新的3D卷积神经网络 (3D-CNN) 方法有效地识别了潜在的阿尔多减少酶 (ALR2) 抑制剂. 这种方法有望通过改善血脑屏障的透来开发糖尿病神经病变的新疗法.
科学领域:
- 计算化学和化学信息学
- 人工智能在药物发现中的作用
- 生物化学和酶学 生物化学和酶学
背景情况:
- 阿尔多减少酶 (ALR2) 是多途径中的一个关键酶,与糖尿病神经病变的发病有关.
- 由ALR2活性引起的酸醇水平升高,导致组织损伤和神经病变.
- 发现强大的ALR2抑制剂仍然是药物化学中的一个重大挑战.
研究的目的:
- 开发基于3D卷积神经网络 (3D-CNN) 的分类技术,用于识别ALR2抑制剂.
- 利用3D化学结构数据进行增强的抑制剂预测.
- 为了确定具有高结合亲和力和有利的药理动力学性质的新型化合物,用于潜在的治疗用途.
主要方法:
- 一个3D-CNN模型使用旋转的3D化学结构图像进行训练.
- 该模型预测了来自梅布里奇化学图书馆的抑制剂.
- 用分子对接和支架分析来评估潜在的候选药物.
主要成果:
- 3D-CNN方法成功地确定了与ALR2.2具有高结合亲和力的顶层分子.
- 与标准抑制剂 (38%) 相比,已识别的成功药物显示出更高的血脑屏障 (BBB) 透率 (90%).
- 生物评估证实了五种化合物是有前途的ALR2抑制剂,适合进一步优化.
结论:
- 3D-CNN分类技术对于发现新型ALR2抑制剂是有效的.
- 这些已识别的化合物由于其有效性和BBB透,显示出作为糖尿病神经病变治疗剂的潜力.
- 基架分析对于理解数据驱动药物发现中的结构-活性关系非常有价值.
