创新的多阶段ML-QSAR疟疾模型:从数据到发现
Joyce V B Borba1,2,3,4, Luis Carlos Salazar-Alvarez1, Letícia Tiburcio Ferreira1
1Laboratory of Tropical Diseases - Prof. Dr. Luiz Jacintho da Silva, Department of Genetics Evolution, Microbiology and Immunology. Institute of Biology, UNICAMP, 13083-970 Campinas, São Paulo Brazil.
ACS medicinal chemistry letters
|August 14, 2024
概括
人工智能 (AI) 有助于发现新的抗疟疾药物,通过预测化合物对疟原虫的疗效. 这种方法确定了有前途的候选药物,针对多个寄生虫生命阶段,解决耐药性挑战.
科学领域:
- 药物的发现和开发.
- 计算化学是一种计算化学.
- 寄生虫学的寄生虫学
背景情况:
- 疟疾仍然是全球主要的健康威胁,全球每年有近2.47亿例疟疾病例.
- 增加寄生虫对当前抗疟疾药物的抗性,需要新的治疗药物.
研究的目的:
- 利用人工智能 (AI) 开发新型抗疟疾化合物.
- 创建预测模型,以识别对多个寄生虫生命阶段有效的化合物.
主要方法:
- 开发多阶段机器学习量化结构-活动关系 (ML-QSAR) 模型.
- 对大型化学数据集的分析,以预测抗疟疾活性.
- 选择化合物的实验评估.
- 可解释AI (XAI) 的应用用于分子特征分析.
主要成果:
- 在16种评估的化合物中,有6种显示出对虫寄生虫的双阶段抑制活性.
- 一种化合物在所有测试的寄生虫生命周期阶段都表现出抑制活性.
- 可解释的AI (XAI) 提供了对推动化合物疗效的关键分子特征的见解.
结论:
- 由人工智能驱动的预测建模加速了潜在抗等离子体化合物的识别和优化.
- 这项研究强调了ML-QSAR和XAI在打击耐药疟疾方面的潜力.
- 针对多个寄生虫阶段的新型化合物提供了对抗疟疾的有希望的战略.
更多相关视频
08:31Optimized Griess Reaction for UV-Vis and Naked-eye Determination of Anti-malarial Primaquine
Published on: October 11, 2019
10.2K
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
480
