机器学习,分子对接和基于动态的潜在抑制剂对肺癌的计算识别

科学领域:

• 计算化学和药理学计算化学和药理学
• 药物的发现和开发.
• 在生物信息学中的机器学习.

背景情况:

• 肺癌仍然是全球癌症死亡的主要原因.
• 对现有疗法获得的耐药性是一个重大的临床挑战.
• 植物分子为新药开发提供了多样化的化学结构.

研究的目的:

• 开发一种机器学习模型,用于识别基于植物分子的肺癌抑制剂.
• 选一个大型天然产品数据库,寻找潜在的针对EGFR突变的抗肺癌药物.
• 通过分子对接和动态模拟来验证有希望的天然产品候选者.

主要方法:

• 使用MACCS和Morgan2指纹开发和比较四个机器学习模型 (k-NN,RF,SVM,XGBoost).
• 从COCONUT数据库中对约40万种天然产品进行虚拟选,使用对EGFR突变物进行对接.
• 分子动力学模拟和结构相似性分析,对排名最高的印洛卡巴醇化合物进行分析.

主要成果:

• 使用MACCS指纹的随机森林模型在预测抑制活性方面表现出卓越的表现.
• 多步查发现了205种潜在的天然产品抑制剂,其中印洛卡巴索尔支架的显著丰富.
• 顶级的印洛卡巴醇分子通过分子动力学表现出强烈的结合亲和力和稳定性,与已知的EGFR突变抑制剂具有相似性.

结论:

• 机器学习,分子对接和动力学模拟有效地确定了对肺癌的有希望的天然产品抑制剂.
• 基于印洛卡巴索尔的天然产品代表了针对肺癌,特别是EGFR突变物的一类非常有前途的化合物.
• 这项研究强调了整合计算方法的潜力,以加快新型抗癌疗法的发现.