整合传统的QSAR和基于交叉阅读的回归模型,以预测潜在的抗莱什曼性醇化合物

科学领域:

• 计算化学和药物发现.
• 药物化学和药理学. 药物化学和药理学.
• 寄生虫学和被忽视的热带疾病.

背景情况:

• 莱什曼病是一种被忽视的热带疾病,治疗选择有限.
• 内脏莱什曼病 (VL) 是一种严重的形式,需要新的,具有成本效益的疗法.
• 甘氨基-tRNA合成酶 (LdGlyRS) 是一种潜在的药物标,用于抗莱什曼病剂.

研究的目的:

• 通过计算方法识别新的抗莱什曼化合物.
• 探索LdGlyRS作为一种可行的药物点来治疗莱什曼病.
• 为化合物疗效开发准确的预测模型.

主要方法:

• 集成的2D-QSAR,q-RASAR和分子对接技术.
• 使用遗传函数近似-拉索和多重线性回归来选择特征.
• 开发共识模型 (CM) 和支持向量回归 (SVR).
• 分子动力学 (MD) 模拟用于复杂的稳定性分析.

主要成果:

• 一个基线MLR模型 (MOD1) 显示出强大的预测能力 (R2train=0.82,R2test=0.87).
• 共识模型,特别是CM2,提高了预测准确度 (MAE_test=0.127).
• 分子对接确定了与LdGlyRS活性部位残留物 (Arg226,Glu350) 的关键相互作用.
• 对2000种醇化合物的查确定了FDA候选物和具有有利性质的新型化合物.

结论:

• 该研究验证了2D-QSAR建模作为药物发现的有效策略.
• 证实LdGlyRS是开发新抗莱什曼药物的有希望的目标.
• 这些已识别的化合物为开发改进的莱什曼病治疗提供了基础.