推进自然产品发现:以结构为导向的分数选平台,用于复合式注释和隔离

科学领域:

• 自然产品化学 自然产品化学
• 化学信息学 化学信息学
• 机器学习在药物发现中的作用

背景情况:

• 自然产品的发现往往是由于缺乏能够大规模整合非目标核磁共振 (NMR) 和质谱 (MS) 数据的工具而受到限制.
• 开发有效的方法来隔离和表征来自自然来源的新化合物对于识别新疗法至关重要.

研究的目的:

• 引入和应用新的结构导向分数选平台 (SFSP),这是一个基于NMR/MS的创新机器学习工具.
• 展示SFSP在实现功能组指导分成和加速未描述自然产品的发现方面的能力.

主要方法:

• 应用SFSP工具来分析海洋真菌的提取物, *Aspergillus* sp. 在GE2-6.6中,我们可以看到GE2-6.
• 基于集成的NMR和MS数据,利用SFSP进行功能组引导的分化.
• 弗拉维皮丁衍生物和氨类似物的分离和表征.

主要成果:

• 美国国土安全政策促进了24种flavipidin衍生物和5种phenalenone类型的分离,其中包括27种以前未被描述的化合物.
• 结构阐明揭示了flavipidins的新型异构衍生物,具有独特的环融合.
• 一些孤立的化合物,包括flavipidin A和asperphenalenones,显示出显著的抗流感和抗HIV活性.

结论:

• 通过整合NMR和MS数据,SFSP工具有效地简化了天然产品的隔离.
• 这种方法显著加快了从复杂的自然来源发现和描述新化学实体的速度.
• 已识别的化合物是潜在治疗剂的宝贵来源,特别是针对流感和艾滋病毒.