使用基于结构的代学习发现α-synuclein聚合的强效抑制剂

科学领域:

• 计算化学是一种计算化学.
• 神经科学是一个神经科学.
• 药物发现 药物发现

背景情况:

• 对神经退行性疾病,特别是帕金森病的药物发现面临高成本和失败率.
• α-synuclein聚合是帕金森病和其他synucleinopathies中的关键病理过程.
• 传统的药物发现管道对于开发疾病修饰疗法是无效的.

研究的目的:

• 开发一种机器学习方法,用于识别α-synuclein聚合的小分子抑制剂.
• 针对参与α-synuclein聚合物增殖的自催化二次核化过程.
• 为了发现与α-synuclein聚合物的催化部位结合的化合物.

主要方法:

• 在代框架中利用基于结构的机器学习.
• 采用了一种策略来识别和逐步优化二次核化抑制剂.
• 专注于针对α-synuclein聚合物的催化位点的小分子.

主要成果:

• 成功确定了α-synuclein聚合的小分子抑制剂.
• 机器学习方法促进了发现强效化合物的过程.
• 与之前的报道相比,化合物效率增加了两个数量级.

结论:

• 机器学习提供了一种有希望的策略,可以降低药物发现的成本和失败率.
• 开发的方法有效地识别了α-synuclein二次核化的强有力的抑制剂.
• 这种方法有可能加速治疗帕金森病和相关疾病的治疗方法的开发.