以人工智能为指导的方法,有效地虚拟选针对Schistosoma mansoni的结果
José Teófilo Moreira-Filho1, Bruno Junior Neves1, Rayssa Araujo Cajas2
1Laboratory of Molecular Modeling and Drug Design (LabMol), Faculdade de Farmácia, Universidade Federal de Goiás, Goiânia, 74605-170, Brazil.
Future medicinal chemistry
|November 8, 2023
概括
新的机器学习模型发现了强大的抗胞体药物候选者. 四种化合物在没有毒性的情况下对Schistosoma mansoni表现出显著的活性,促进了对杆菌病的药物发现.
科学领域:
- 药物发现和开发 药物发现和开发
- 计算化学计算化学
- 寄生虫学的寄生虫学
背景情况:
- 全球有超过2.3亿人患有istosomiasis,因此迫切需要开发新的抗istosomial治疗方法.
- 人工智能 (AI) 提供了一种强大的方法来加快候选药物的识别和优化.
- 需要有效的治疗方法强调了探索新化学实体对抗Schistosoma mansoni的重要性.
研究的目的:
- 开发和验证机器学习模型,用于预测分裂性杀伤性活动.
- 识别具有针对 Schistosoma mansoni 的潜在治疗作用的新型化合物.
- 在实验模型中评估优先化合物的疗效和安全性.
主要方法:
- 开发分类和回归机器学习模型来预测化合物活动.
- 基于预测的schistosomicidal潜力,对化合物进行in silico选和优先考虑.
- 对优先化合物的实验测试针对schistosomula和成年阶段的Schistosoma mansoni.
- 使用动物和人类细胞系评估化合物毒性.
主要成果:
- 机器学习模型成功预测了未经测试的化合物的分裂杀菌活性.
- 四种化合物对schistosomula表现出显著活性,EC50值在9.8和32.5μM之间.
- 鉴定的活性化合物在测试的细胞系中没有表现出可观察到的毒性.
结论:
- 该研究成功地使用人工智能驱动的方法确定了有前途的抗胆囊体药物线.
- 这些化合物代表了寻找新治疗方案的重大进展.
- 这些化合物的进一步优化可能会导致它们进入临床前开发,用于治疗杆菌病.
