F-CPI:一种多模式深度学习方法,用于预测由替代引起的复合生物活性变化
Qian Zhang1, Wenhai Yin1, Xinyao Chen2,3
1School of Computer Science and Technology, Shanghai Frontiers Science Center of Molecule Intelligent Syntheses, East China Normal University, Shanghai 200241, China.
这项研究介绍了F-CPI,这是一种深度学习模型,用于预测替代如何影响药物化合物与蛋白质相互作用. 通过准确预测生物活性变化,F-CPI改善了药物发现,超过了现有的方法.
科学领域:
- 药用化学 医学化学
- 计算化学计算化学
- 药物发现 药物发现 药物发现
背景情况:
- 替代是药物发现的一个关键策略.
- 预测由替代产生的生物活性变化及其对化合物-蛋白相互作用 (CPI) 的影响仍然具有挑战性.
- 对对消费者消费指数的影响缺乏准确的预测模型.
研究的目的:
- 开发一个预测模型,用于由替代引起的生物活性变化.
- 研究替代对化合物-蛋白相互作用 (CPI) 的影响.
- 通过准确的预测,提高药物发现和设计的效率.
主要方法:
- 构建一个大型数据集,包括111,168对替代和非替代化合物.
- 开发一种名为F-CPI的多式联络深度学习模型.
- 对F-CPI与传统机器学习和现有的CPI模型进行比较分析.
主要成果:
- 与GraphDTA相比,F-CPI模型在准确性 (∼90%),精度 (∼79%) 和回忆 (∼45%) 方面表现出卓越的性能.
- F-CPI的应用导致SARS-CoV-2 3CLpro抑制剂的生物活性增加了100倍以上.
- 优化的化合物显著改善了抑制度50 (IC50) 值 (0.23μM vs 28.19μM).
结论:
- 多模式深度学习模型F-CPI是预测替代对生物活性影响的有效工具.
- F-CPI促进了药物发现中的结构优化,导致显著的生物活性增强.
- 该模型为推进药物设计和开发过程提供了一种有价值的方法.
更多相关视频
09:24Application and Methodology of the Non-destructive 19F Time-domain NMR Technique to Measure the Content in Fluorine-containing Drug Products
Published on: August 22, 2017
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
相关概念视频
Predicting Molecular Geometry
Predicting Reaction Outcomes
Inductive Effects on Chemical Shift: Overview
