基于机器学习的理性设计,以有效地发现阿拉托斯塔丁类似物,作为新型IGR的有希望的主要候选者

科学领域:

• 生物化学 生物化学
• 计算化学计算化学
• 昆虫学 昆虫学是一门学科.

背景情况:

• 昆虫神经类阿拉托斯塔丁 (AST) 调节生长,发育和繁殖,具有作为昆虫生长调节剂 (IGR) 的潜力.
• 由于长时间的序列和高的生产成本,天然的AST对害虫管理有局限性.
• 有效地发现具有成本效益的AST类型对开发新的IGR至关重要.

研究的目的:

• 利用计算方法来理解AST模拟结构-活动关系.
• 有效地发现具有潜力作为IGRs的强效AST类似物.

主要方法:

• 开发两种机器学习模型:多重线性回归和支持向量机器.
• 确定影响青少年激素抑制活性的关键结构因素.
• 基于模型预测,设计和合成了六个AST类型 (A52-A57).

主要成果:

• 机器学习模型表明,强大的AST类似物需要烯,水友和芳香基,具有特定的可旋转键.
• 合成的类似物A52-A57表现出强大的青春激素抑制活性 (IC50 < 16 nM).
• 模拟A53显示了最高的活性 (IC50 = 2.07 nM),超过了许多天然的ASTs.

结论:

• 机器学习模型有助于AST类型的高效设计,选和优先级.
• 该研究展示了一种基于机器学习的策略,用于开发新的IGR领导候选人.
• 这种方法为推进害虫管理策略提供了有价值的参考.