结合深度学习和分子建模技术,从泰国数据库中虚拟选新的mTOR抑制剂

科学领域:

• 生物化学 生物化学
• 药理学 药理学是指药理学的学科.
• 计算化学计算化学

背景情况:

• 拉巴素 (mTOR) 途径的哺乳动物点对细胞生长和分裂至关重要,使其成为癌症治疗的关键点.
• 现有的mTOR抑制剂数据库通常包含混合化合物数据,使机器学习模型开发复杂化.
• 识别具有独特化学特征的新型有效mTOR抑制剂对于推进癌症治疗至关重要.

研究的目的:

• 开发一种深度学习模型,用于从衍生化合物中识别替代的mTOR抑制剂.
• 为了利用主要组件分析 (PCA) 和结构方法进行高效的虚拟选.
• 发现新的mTOR抑制剂,在癌症中具有潜在的治疗应用.

主要方法:

• 使用深度学习模型与PCA相结合,用于从PubChem数据库中初始过化合物.
• 根据在PCA坐标中接近已知的mTOR抑制剂 (rapalogs) 的过化合物.
• 使用分子对接和全原子分子动力学模拟进行虚拟选,用于候选人验证.

主要成果:

• 深度学习模型强调了类固醇核心在mTOR抑制中的重要性.
• 根据预测的高活动分数,选择了6种化合物候选物.
• 来自Lentinus多色的三乙醇Lev. 证明了有效的相互作用网络并稳定了目标复合体,显示出作为mTOR抑制剂的前景.

结论:

• 一种深度学习方法有效地从自然来源中识别出潜在的mTOR抑制剂.
• 类固醇核心和特定的环群对于强大的mTOR抑制至关重要.
• 三乙醇是开发针对mTOR途径的新型癌症治疗药物的有希望的化合物.