用低数据图形神经网络进行抗病毒药物查的预培训策略:HIV-1 K103N逆转录酶的案例研究
Kajjana Boonpalit1, Hathaichanok Chuntakaruk2,3,4, Jiramet Kinchagawat1,5
1School of Information Science and Technology, Vidyasirimedhi Institute of Science and Technology (VISTEC), Rayong, Thailand.
Journal of computational chemistry
|October 22, 2024
概括
自主监督学习的图形神经网络 (GNN) 有效地选数百万种化合物用于药物发现. 这种方法确定了新的候选药物,包括疟疾和细菌感染的潜在治疗方法.
科学领域:
- 计算化学和化学信息学
- 机器学习在药物发现中的作用
- 病毒学和传染病学.
背景情况:
- 有限的数据集阻碍了图形神经网络 (GNN) 在药物发现中的有效性.
- 开发强大的非核酸逆转录酶抑制剂 (NNRTIs) 针对突变的HIV-1 RT仍然是一个挑战.
研究的目的:
- 引入一个强大的GNN培训框架,以克服药物发现中的数据短缺.
- 为了识别针对K103N突变的HIV-1RT的强有力的NNRTI.
- 探索药物重新使用和识别新型治疗剂.
主要方法:
- 利用自主监督学习 (SSL) 预培训为GNN处理有限的数据集.
- 使用多步骤的方法选了超过180万种化合物,包括ML选,ADME预测和分子对接.
- 采用分子动力学 (MD) 模拟来评估潜在的候选药物.
主要成果:
- 确定了45种潜在的候选药物,包括17种已知的NNRTI,验证了GNN模型的有效性.
- 发现了28种用于重新利用的化合物,其中两种显示为前临床药物对抗Plasmodium falciparum和细菌感染的前临床药物.
- 与现有的抗艾滋病毒药物相比,重新设计的候选药物表现出更高的结合亲和力.
结论:
- 开发的GNN框架有效地解决了药物发现中的数据短缺问题.
- 该研究确定了各种疾病的新型支架和潜在治疗方法,包括艾滋病毒,疟疾和细菌感染.
- 这种概念框架适用于发现对野生型和突变型病原体的治疗方法.
