同进化信息和监督学习的结合使得从小型数据集中生成具有增强功能的循环抑制剂
Ylenia Mazzocato1, Nicola Frasson1, Matthew Sample2,3
1Department of Molecular Sciences and Nanosystems, Ca' Foscari University of Venice, Via Torino 155, 30172 Mestre, Italy.
ACS central science
|December 30, 2024
概括
机器学习增强了瘤蛋白酶的循环抑制剂设计,即使数据有限. 这种计算方法产生比以前已知的更强大的抑制剂,通过体外研究和晶体结构验证.
科学领域:
- 计算化学是一种计算化学.
- 生物化学 生物化学
- 机器学习在药物发现中的作用
背景情况:
- 在计算上设计循环抑制剂通常需要大量的实验数据,这是很难获得的.
- 开发有效的瘤相关蛋白酶抑制剂对于癌症治疗至关重要.
研究的目的:
- 用机器学习来展示循环抑制剂的增强计算设计管道.
- 为了验证计算设计的抑制剂对瘤相关蛋白酶的疗效,特别是在小型实验数据集.
主要方法:
- 随机森林回归,伪概率最大化,直接合分析和蒙特卡洛模拟的顺序组合.
- 设计的循环的体外实验验证.
- 循环蛋白酶复合物的晶体结构分析.
主要成果:
- 增强的计算方法有效地改善了循环抑制剂的设计管道,即使是小的实验数据集.
- 与之前开发的抑制剂相比,In silico-evolved循环显示出更高的功效.
- 晶体结构揭示了大的相互作用表面,受约束的骨干和多重相互作用,有助于高结合亲和力和选择性.
结论:
- 混合计算方法显著提高了对瘤相关蛋白酶的强有力的循环抑制剂的设计.
- 这一策略克服了小型实验数据集在计算药物设计中的局限性.
- 这些发现为开发新型癌症疗法提供了有希望的途径.
