用于预测泛TRK抑制剂的生物活性和SAR分析的分类模型
Xiaoman Zhao1,2, Yue Kong1, Yueshan Ji1
1College of Life Science and Technology, Beijing University of Chemical Technology, 15 BeiSanHuan East Road, Beijing, 100029, People's Republic of China.
Molecular diversity
|November 1, 2023
概括
研究人员开发了计算模型,以识别NTRK融合癌症的新TRK抑制剂. 使用ECFP4描述器的深度神经网络显示出强大的预测能力,突出显示了分子特征和异环结构对药物发现的重要性.
科学领域:
- 药用化学 医学化学
- 计算机化药物发现技术
- 在瘤学瘤学.
背景情况:
- 热胺酶受体激酶 (TRKs) 是治疗NTRK融合驱动癌症的关键标.
- 由于抗体表皮质的破坏,NTRK基因重组需要小分子抑制剂.
- 开发有效的TRK抑制剂需要强大的预测建模.
研究的目的:
- 构建和评估用于预测TRK抑制剂活性的计算模型.
- 确定关键的分子特征和结构动机,这对于TRK抑制剂的有效性至关重要.
- 通过使用不同的数据集分区策略来评估模型概括能力.
主要方法:
- 利用各种算法构建基于描述符和非描述符的预测模型.
- 用户外部十倍交叉验证和随机/集群分割用于模型评估.
- 结合深度神经网络 (DNN) 与扩展连接指纹4 (ECFP4) 描述符.
- 使用集群和决策树模型进行结构-活动关系 (SAR) 分析.
主要成果:
- DNN-ECFP4模型在随机和集群分割数据集中表现出色.
- DNN算法表现出强大的概括预测能力.
- 含的芳香异环和异环结构被确定为TRK抑制剂活性的关键.
结论:
- DNN-ECFP4模型是预测新型TRK抑制剂的强大工具.
- 分子特征丰富对于预测新型化合物的活性至关重要.
- 特定的异环结构是开发下一代TRK抑制剂的有希望的支架.
