通过机器学习和DFT研究设计新的抗氧化
Parsa Hesamzadeh1, Abdolvahab Seif2,3, Kazem Mahmoudzadeh4
1Department of Chemistry, Science and Research Branch, Islamic Azad University, Tehran, Iran.
Scientific reports
|March 19, 2024
概括
这项研究使用机器学习来发现新型抗氧化 (AOP). 六个合成的体显示出抗氧化活性,并且非血溶性,证明了AI.
科学领域:
- 生物化学和生物信息学
- 计算化学的计算化学
- 酸科学 酸科学
背景情况:
- 抗氧化 (AOP) 在食品和药品中至关重要.
- 识别有效的AOP需要先进的计算方法.
- 当前的方法可能无法完全捕捉到AOPs的复杂性质.
研究的目的:
- 开发和验证一种新的机器学习方法,用于识别强大的抗氧化.
- 合成和生物评估预测的抗氧化.
- 为了研究这些的与Keap1蛋白的in silico相互作用.
主要方法:
- 使用深度生成模型用于AOP序列表示和识别.
- 采用深度学习分类和Butina聚类来进行和选择.
- 进行了密度功能理论 (DFT) 计算,合成,DPPH和基测定,血解测定和分子对接.
主要成果:
- 成功预测了十二种潜在的抗氧化 (GP1-GP12).
- 合成了六种,所有这些在DPPH测定中都显示出抗氧化活性,并证实了非溶血性质.
- 在分析中,Gp3,Gp4和Gp12对Keap1蛋白具有显著的结构影响.
结论:
- 机器学习,特别是深度生成模型,为发现新型抗氧化提供了强大的策略.
- 已识别的具有有前途的抗氧化剂和安全性.
- 这些发现为人工智能驱动的药物发现在基于的疗法铺平了道路.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
1.8K
05:57Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
Published on: April 26, 2024
381
