一个COVID-19主要蛋白酶抑制剂的分子生成模型,使用基于长期短期记忆的循环神经网络

科学领域:

• 计算化学是一种计算化学.
• 人工智能在药物发现中的作用
• 病毒学 病毒学

背景情况:

• 严重急性呼吸系统综合征冠状病毒2 (SARS-CoV-2) 构成了全球健康的重大威胁.
• 开发有效的抗病毒化合物对于对抗2019年冠状病毒病 (COVID-19) 至关重要.

研究的目的:

• 利用深度学习模型,特别是基于长期短期记忆的循环神经网络,用于生成针对SARS-CoV-2的新型抑制剂.
• 为了确定具有与SARS-CoV-2主蛋白酶显著结合亲和力的潜在候选药物.

主要方法:

• 训练一个循环神经网络来生成有效的简化分子输入线路输入系统 (SMILES) 字符串.
• 使用已知的COVID-19主要蛋白酶抑制剂结构微调模型.
• 使用分子对接和分子动力学模拟来评估结合亲和力和稳定性.
• 在体内进行ADMET (吸收,分布,新陈代谢,分泌) 研究.

主要成果:

• 微调模型成功生成了预测为SARS-CoV-2主要蛋白酶抑制剂的新型分子结构.
• 分子对接表明,对几个产生的化合物具有有利的结合亲和力.
• 分子动力学模拟提供了关于结合自由能量的见解.
• 在的ADMET研究表明,一些新型化合物的口服生物可用性.
• 化合物AADH显示出显著的结合亲和力和对SARS-CoV-2主要蛋白酶的潜在抑制.

结论:

• 拟议的深度学习模型有效地产生了有希望的抗COVID-19药物候选者.
• 化合物ADH显示出作为对抗SARS-CoV-2的治疗剂的潜力.
• 人工智能驱动的药物发现为识别新型抗病毒化合物提供了强大的方法.