高通量和计算技术用于aptamer设计

科学领域:

• 生物技术和生物信息学
• 分子生物学分子生物学
• 计算化学的计算化学

背景情况:

• 简短的ssDNA / RNA序列的aptamers对于生物传感器和成像等诊断至关重要.
• 当前的挑战包括充分理解工作流程,整合序列,结构和目标交互.
• 需要取得进展,以优化阿普他默的稳定性,特异性和向结合.

研究的目的:

• 通过计算方法审查体发现的进展.
• 要突出生物信息学,分子动力学和量子化学的整合.
• 讨论机器学习对aptamer发展的变革性影响.

主要方法:

• 用于序列分析和对接模拟的生物信息学.
• 分子动力学 (MD) 模拟用于预测动力学和自由能量.
• 电子结构和光谱信号分配的量子化学计算.
• 机器学习 (ML) 与下一代测序 (NGS) 数据集和实验结构.

主要成果:

• 计算方法显著提高了阿普坦酶结合亲和力和稳定性.
• 模拟MD计算了目标相互作用和分子动态.
• 机器学习,特别是转移学习,扩大了aptamer设计空间,加速了发现.
• 量子化学有助于理解电子属性和光谱特征.

结论:

• 整合生物信息学,医学医学和量子化学等计算工具对于aptamer发现至关重要.
• 机器学习正在彻底改变aptamer开发,有望加速生物医学应用.
• 未来的研究应该专注于改进ML模型,以改进aptamer设计和验证.