将文本挖掘与网络模型集成,以成功识别目标:在MASH诱导的肝纤维化中进行体外验证
Jennifer Venhorst1, Roeland Hanemaaijer2, Remon Dulos3
1Biomedical and Digital Health, The Netherlands Organization for Applied Scientific Research (TNO), Utrecht, Netherlands.
Frontiers in pharmacology
|October 14, 2024
概括
一个新的计算管道确定了EP300作为代谢功能障碍相关的脂肪肝炎 (MASH) 诱导的肝纤维化的主要目标. 这种方法使用人工智能和网络生物学来找到有效的药物点,减少体外原蛋白的产生.
科学领域:
- 计算生物学是一种计算生物学.
- 网络医学 网络医学
- 药物发现 药物发现
背景情况:
- 代谢功能障碍相关的脂肪肝炎 (MASH) 会导致肝纤维化,这是一个严重的健康问题.
- 确定MASH诱导的肝纤维化的有效药物标仍然具有挑战性.
研究的目的:
- 开发和验证一个in silico管道,以发现MASH诱导的肝纤维化新药标.
- 为了确定驱动MASH诱导肝纤维化进展的关键分子参与者.
主要方法:
- 集成文本挖掘,网络生物学和AI/机器学习与临床转录组数据.
- 利用一个定向的,加权的分子疾病网络和in silico淘汰,以获得机械的见解.
- 通过体外实验验验证了顶级候选点,包括基因沉默和化合物干预.
主要成果:
- 在in silico管道成功确定了EP300作为一个有前途的目标.
- EP300基因沉默使原蛋白的产生减少了37%.
- 针对EP300的复合干预措施在肝星细胞中抑制了81%的原.
结论:
- 经过验证的in silico管道为确定临床相关药物标提供了一个强大的方法.
- 该研究强调EP300作为MASH诱导的肝纤维化的潜在治疗标.
- 网络定向性和临床数据集成增强了计算药物发现的翻译能力.
