使用循环神经网络生成聚焦药物分子库
Jinping Zou1,2, Long Zhao1,2, Shaoping Shi3,4
1Department of Mathematics, School of Mathematics and Computer Sciences, Nanchang University, Nanchang, 330031, China.
Journal of molecular modeling
|November 6, 2023
概括
这项研究引入了一种新的循环神经网络 (RNN) 模型,用于新的药物设计,产生潜在的SARS-CoV-2 M-pro抑制剂. 该方法利用嵌套的长期短期记忆网络和分子动力学来有效地发现药物.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 医学中的人工智能
背景情况:
- 深度学习,特别是循环神经网络 (RNN),在药物研究中越来越多地应用于新的分子设计.
- RNN擅长学习分子结构,类似于自然语言处理任务,使药物分子产生高效.
- 虽然建立了基于RNN的方法来生成特定目标的库,但需要持续研究才能产生更大数量的有效化合物.
研究的目的:
- 设计一种新的分子生成模型,使用嵌套的长期短期记忆网络结构来设计新的药物设计.
- 用新型冠状病毒肺炎的活性分子微调模型,为特定目标创建一个专注的库.
- 通过对SARS-CoV-2 M-pro受体进行查和验证产生的分子来识别潜在的候选药物.
主要方法:
- 开发了一个循环神经网络 (RNN) 模型,结合了嵌套的长期短期记忆网络架构.
- 使用与新型冠状病毒肺炎相关的活性分子微调模型.
- 采用机器学习进行初始查,然后使用AutoDock2.4对抗SARS-CoV-2 M-pro受体进行分子对接.
- 使用Amber22进行100n分子动力学模拟,使用指定力场 (GAFF2, ff19SB) 和溶解模型 (TIP3P) 的Amber22.
- 通过RMSD,H键和MM-GBSA分析评估了联结蛋白复合物的稳定性.
主要成果:
- 通过分子对接,确定了SARS-CoV-2 M-pro受体的前3个潜在抑制剂.
- 分子动力学模拟提供了对已识别的潜在抑制剂的稳定性和相互作用的见解.
- 对RMSD,H键和MM-GBSA的分析证实了联结蛋白复合体的稳定性.
结论:
- 开发的基于Nested长期短期记忆网络的模型有效地执行新药设计.
- 已识别的潜在抑制剂显示出针对SARS-CoV-2的进一步发展的前景.
- 这种方法表明了先进的深度学习模型在产生可行的候选药物的潜力.
