基于机器学习的De Novo生成和新药有效性的新化合物的识别

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 机器学习是机器学习.

背景情况:

• 小分子药物发现在识别具有所需活性的新型化合物方面面临挑战.
• 传统的以目标为基础的药物开发可能并不总是保证有效性,因为复杂的疾病-目标相关性.

研究的目的:

• 开发一种基于机器学习的战略,用于新的药物疗效的新型化合物的 de novo 生产.
• 将这一策略应用于结直肠癌 (CRC) 和阿尔茨海默病 (AD),以发现和识别有效的化合物.

主要方法:

• 使用与疾病直接相关的活动数据集开发了一种机器学习策略,即基于深度转移学习的策略 (DTLS).
• DTLS应用于CRC和AD,涉及生成化合物的体外和体内验证.
• 对已识别的化合物进行了作用机制研究.

主要成果:

• DTLS成功地产生和识别出了新型化合物,证明了对CRC和AD的药物疗效.
• 该战略通过专注于蛋白质标,帮助机制研究,促进了化合物的识别.
• 经过验证的化合物在体外和体内疾病模型中都显示出有效性.

结论:

• 开发的DTLS策略是有效的 de novo 生产和新药有效性的新化合物的识别.
• 机器学习显著影响新型化合物设计,为药物发现提供了强大的新方法.
• DTLS有助于识别化合物,重点关注蛋白质标,促进机理学研究.