用3D生理学信息深度学习来发现一种新的血管内皮生长因子受体-2 (VEGFR2) 的药物
Mengyang Xu1, Xiaoyue Xiao1, Yinglu Chen1
1Faculty of Biology, Shenzhen MSU-BIT University, Shenzhen, 518172, Guangdong, China.
Heliyon
|September 2, 2024
概括
研究人员开发了一种新的深度学习策略,以识别新的血管内皮生长因子受体2 (VEGFR2) 抑制剂. 这种方法确定了有前途的候选药物,其疗效可能比现有治疗方法更好,副作用更少.
科学领域:
- 在瘤学瘤学.
- 药理学 药理学是指药理学的学科.
- 计算化学的计算化学
背景情况:
- 血管新生对于瘤生长,入侵和转移至关重要,使其成为癌症药物发现的关键目标.
- 血管内皮生长因子受体2 (VEGFR2) 抑制剂在临床上使用,但通常具有显著的副作用和有限的耐受性.
- 对于具有更好的安全性和有效性概况的新型VEGFR2抑制剂有着极大的需求.
研究的目的:
- 为设计针对VEGFR2.2的潜在候选药物提出和验证一种新的策略.
- 利用三维 (3D) 深度学习和结构建模来有效地发现抑制剂.
- 与现有的VEGFR2抑制剂相比,识别具有优越性质的新型小分子化合物.
主要方法:
- 利用几何增强的分子表示学习方法 (GEM) 与图形神经网络 (GNN) 进行活动预测.
- 采用灵活的对接,用于高亲和度选和潜在抑制剂的机械探索.
- 在基分子动力学模拟中进行,以验证已识别的候选药物的疗效.
主要成果:
- 通过整合GEM-GNN预测和对接分数,识别出具有持续改进性能的小分子化合物.
- 该GEM-GNN模型成功地确定了具有潜在优越性质和高效率的候选化合物,比axitinib.
- 在形验证证实了所选候选药物的潜在疗效.
结论:
- 拟议的3D深度学习和结构建模策略对于发现新型VEGFR2抑制剂是有效的.
- 已识别的候选化合物显示出开发更有效,更耐受的癌症疗法的前景.
- 这种方法为克服当前针对VEGFR2的药物的局限性提供了一个可行的替代方案.
