机器学习加速了对MAO抑制剂的基于药的虚拟查
Marcin Cieślak1,2,3, Tomasz Danel4,5, Olga Krzysztyńska-Kuleta6
1Faculty of Chemistry, Jagiellonian University, Gronostajowa 2, 30-387, Kraków, Małopolska, Poland. marcin.cieslak@doctoral.uj.edu.pl.
这项研究引入了一种用于快速虚拟选的机器学习模型,预测对接得分比传统方法快1000倍. 这种方法通过有效地识别各种生物标的潜在候选药物来加速药物发现.
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:
- 虚拟查在药物发现中至关重要,但面临着大数据集和稀缺数据的局限性.
- 分子对接和QSAR模型分别在速度和数据依赖性方面扎.
研究的目的:
- 开发一种基于机器学习的通用方法来预测对接分数.
- 通过绕过耗时的分子对接程序来加速虚拟选.
主要方法:
- 开发了一个在对接结果上训练的机器学习模型.
- 采用集体方法,使用多种分子指纹和描述符.
- 在ZINC数据库中应用了制约性选.
主要成果:
- 实现了比经典对接速度快1000倍的绑定能量预测.
- 从ZINC数据库中确定了24种化合物用于合成和评估.
- 发现了具有有希望的初步活性的弱单胺氧化酶A (MAO-A) 抑制剂.
结论:
- 机器学习方法提供了一个显著更快,更强大的虚拟选解决方案.
- 该方法具有多功能性,并且可以在没有特定目标知识的情况下适用于其他生物点.
- 这种方法提高了在早期药物发现中识别有前途的候选药物的效率.
更多相关视频
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
相关概念视频
Drug Discovery: Overview
Structure-Activity Relationships and Drug Design
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...
Analysis of Population Pharmacokinetic Data
Pharmacokinetic Models: Overview
There are three primary types of models: empirical, compartment, and physiological. Empirical models, with minimal...
Antidepressant Drugs: MAOIs and Other Agents
