用于Plasmodium falciparum乳酸脱酶酶的新型分子抑制剂设计,使用机器学习生成各种化合物的库
Jitendra Kuldeep1, Neeraj Chaturvedi1, Dinesh Gupta2
1Translational Bioinformatics Group, International Center for Genetic Engineering and Biotechnology (ICGEB), New Delhi, 110067, India.
Molecular diversity
|August 20, 2024
概括
生成模型为Plasmodium falciparum乳酸脱酶创造了各种潜在的抑制剂. 这种方法有助于药物设计,当目标抑制剂数据稀缺时.
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 机器学习
背景情况:
- 生成型机器学习模型为化学遗传学和新药设计提供了新的策略.
- 这些模型简化了化学太空探索,专注于特定感兴趣的区域.
- 当有限的抑制剂数据可用于特定目标时,新药设计至关重要.
研究的目的:
- 用生成机器学习来进行新药设计.
- 为了确定Plasmodium falciparum (Pf) 乳酸脱酶的潜在抑制剂.
- 探索"mollib"套餐的实用性,并在此背景下转移学习.
主要方法:
- 一个名为"mollib"的包,在ChEMBL数据上训练 (大约. 365,000个分子),被雇用.
- 在"mollib"包中应用了转移学习技术.
- 生成模型被用来设计从五个初始分子开始的新化合物.
主要成果:
- 产生了一系列不同的化合物.
- 这些化合物被确定为Plasmodium falciparum乳酸脱酶的潜在抑制剂.
- 产生的化合物显示出进一步调查作为候选药物的前景.
结论:
- 生成型机器学习,特别是转移学习,对于新药设计是有效的.
- "mollib"包是一个可行的工具,用于生成新的化学实体.
- 该研究成功地确定了Pf乳酸脱酶的潜在新型抑制剂,证明了抗疟疾药物发现的有希望的方法.
相关概念视频
01:29Pharmacogenomics: Identification of New Drug Targets
Advances in genomics have profoundly influenced drug discovery by increasing both the speed and accuracy of pharmaceutical development. Pharmacogenomics, which examines how genetic variation influences drug response, facilitates the identification of novel therapeutic targets and enables patient stratification for personalized treatment. These strategies contribute to improved drug efficacy, minimized adverse effects, and more efficient clinical trial design.Mapping genetic differences...
01:29Malaria
Malaria pathogenesis in humans reflects a delicate interplay between parasite biology and host response. Clinical illness reflects a host’s immune response to the parasite’s asexual replication cycle, which is often asymptomatic in individuals with partial immunity. From the parasite's perspective, transmission between mosquito and human with minimal host pathology is evolutionarily advantageous. Among the six Plasmodium species infecting humans, P. falciparum and P. vivax dominate in global...