使用蛋白化计方法预测病毒蛋白酶抑制剂
Dmitry A Karasev1, Boris N Sobolev1, Dmitry A Filimonov1
1Department of Bioinformatics, Institute of Biomedical Chemistry, Moscow 119121, Russia.
Computational biology and chemistry
|April 4, 2024
概括
使用TLMNA描述器的蛋白化学测量 (PCM) 通过整合配体和蛋白质信息来增强抗病毒药物发现,克服传统 (定量) 结构-活性关系 ((Q) SAR) 方法固有的数据限制.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 定量结构-活性关系 ((Q) SAR) 方法对于计算药物发现至关重要,但由于不完整的数据集而受到限制.
- 蛋白质化学测量 (PCM) 通过结合蛋白质和连接体结构信息,提供了更广泛的范围.
- 开发强大的PCM算法对于推进抗病毒剂设计至关重要.
研究的目的:
- 为抗病毒药物发现提出并验证使用TLMNA描述符的新型PCM方法.
- 通过整合蛋白质和配体描述器来解决 (Q) SAR 中的数据不完整性挑战.
- 评估开发的PCM模型对病毒蛋白酶的预测性能.
主要方法:
- 开发了一种新的PCM方法,它结合了连接体的MNA描述符和蛋白质序列N-grams (TLMNA描述符).
- 从ChEMBL数据库中整理了15个病毒蛋白酶序列和9000多个配体的综合数据集.
- 从3D对齐的带结合区域生成N-grams;使用对排斥来模拟现实世界的预测,模型被验证.
主要成果:
- 使用MNA描述器进行基于干的 (定量结构-活性关系 (QSAR)) 分析,准确度达到>0.95,表明虚拟查的潜力.
- 使用TLMNA描述器构建的蛋白化学测量 (PCM) 模型在严格的验证中显示出高达0.89的强大预测准确性.
- 由于固有的不确定性,PCM方法虽然略低于QSAR的准确性,但有效地克服了数据不完整的问题.
结论:
- 基于TLMNA的PCM方法为抗病毒药物发现提供了一个强大的框架,特别是在处理有限的数据时.
- 这种方法成功地整合了多样化的结构信息,提高了药物向相互作用的预测.
- 与传统的 (Q) SAR相比,PCM是一个显著的进步,在虚拟药物查中提供了更好的适用性和稳定性.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
5.0K
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
1000
