在数据驱动下发现强大的小分子冰再结晶抑制剂
Matthew T Warren1,2,3, Caroline I Biggs1, Akalabya Bissoyi4,5
1Department of Chemistry, University of Warwick, Coventry, UK.
Nature communications
|September 15, 2024
概括
机器学习模型预测小分子的冰再结晶抑制活性. 这种数据驱动的方法加速了新型冷保护剂的发现,增强了冷链的细胞和组织冷保存.
科学领域:
- 低温生物学 低温生物学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 细胞,组织和生物学的有效冷保存取决于控制冰的形成和生长.
- 目前用于发现冰的生长调节剂的方法,主要是蛋白质和聚合物,由于数据有限和对结构-活性关系的理解不足,所以很慢.
研究的目的:
- 通过开发用于预测小分子冰再结晶抑制的机器学习模型来克服冷保护剂发现的局限性.
- 用数据驱动的方法识别新的,强大的小分子冰再结晶抑制剂.
主要方法:
- 通过实验冰的增长测量生成了一个新的数据集.
- 构建机器学习模型,集成先进的描述符和分子模拟衍生的功能.
- 使用预测模型选了一个商业复合库.
主要成果:
- 开发了准确的机器学习模型来预测冰的再结晶抑制活性.
- 从化合物库中成功识别出强大的小分子冰再结晶抑制剂.
- 证明已识别的抑制剂在加热过程中减轻了冷保存的红细胞中的细胞损伤.
结论:
- 机器学习提供了一种强大的数据驱动策略,以加快创新型冷保护剂的发现.
- 这种方法可以为关键冷链应用开发下一代冷保存解决方案.
- 鉴定到的小分子有望提高冷保存过程的有效性和安全性.


