人工智能辅助的芯片实验室工作人员设计了口服[3.1.0]双和[4.2.0]三环催化拦截器,以双深度学习的协助抑制多个SARS-CoV-2原体

科学领域:

• 药物的发现和开发.
• 计算化学是一种计算化学.
• 病毒学 病毒学

背景情况:

• 爱迪逊的药物发现方法受到试错和违反利宾斯基五项规则的限制,可能会导致不良健康影响.
• 人口老龄化和出生率下降可能会减少可用于打击未来流行病的科学工作人员.
• 目前的SARS-CoV-2抗病毒药物具有中等的疗效和耐药性,突出显示了对新型抗病毒策略的需求.

研究的目的:

• 为了设计新的,金标准的口服抑制剂,针对多个SARS-CoV-2蛋白质标.
• 开发符合利宾斯基的抑制剂,具有特定的结构特征,以破坏病毒原体的稳定性.
• 为了利用深度学习和实验室芯片技术,快速发现抗病毒药物.

主要方法:

• 利用双深度学习,包括带有METORITE代的图形神经网络 (GNN) 和带有PROOF操作的深度神经网络 (DNN).
• 设计的双环和三环催化拦截器具有电友烯头和精确的素原子放置.
• 在化合物设计中采用了lab-on-a-chip技术,根据多个过器 (Lipinski,GHOSE,VEBER,EGAN,MUEGGE) 确保药物相似性.

主要成果:

• 成功设计了新型化合物KS1和KS2,具有5倍的新型过药物相似性.
• 由于特定的原子位置,设计的循环化合物具有增强的化催化头.
• 这些化合物有潜力使多个病毒蛋白位失活.

结论:

• 开发的深度学习模型和lab-on-a-chip技术为快速口服药物发现提供了新的途径.
• 这种方法可以帮助保护弱势群体免受大流行,并预防长期多病症.
• 该战略解决了当前抗病毒药物的局限性,并为未来的冠状病毒威胁做好了准备.