e-QSAR (可解释的AI-QSAR),分子对接和ADMET分析结构多样化的GSK3-β调节器,以确定X射线证明的隐藏调节特征
Vijay H Masand1, Sami Al-Hussain2, Gaurav S Masand3
1Department of Chemistry, Vidya Bharati Mahavidyalaya, Amravati, Maharashtra 444 602, India.
Computational biology and chemistry
|December 31, 2024
概括
研究人员使用机器学习和分子对接来识别调节糖原合成酶激酶-3β (GSK-3β) 的关键结构特征. 这种方法有助于理解神经退行症和糖尿病,推进合理的药物设计.
科学领域:
- 生物化学 生物化学
- 计算化学计算化学
- 药理学 药理学是指药理学的学科.
背景情况:
- 糖原合成酶激酶-3β (GSK-3β) 与神经退行,自和糖尿病有关.
- 了解GSK-3β调节器对于治疗开发至关重要.
研究的目的:
- 确定控制GSK-3β调节活性的关键分子特征.
- 开发一个验证的计算模型来预测GSK-3β活动.
- 支持针对GSK-3β相关疾病的合理药物设计.
主要方法:
- 利用了1293个具有GSK-3β调节活性分子的数据集.
- 使用遗传算法 (GA) 进行特征选择,使用XGBoost进行预测建模.
- 执行了分子对接和SHapley添加式扩展 (SHAP) 进行模型解释.
- 进行了in-silico ADMET分析.
主要成果:
- 为预测模型实现了高的统计验证 (R2tr = 0.9075,R2L10%O = 0.9116,Q2F3 = 0.7841).
- 确定了影响GSK-3β调制的关键结构特征,包括芳香碳,原子和拓距离.
- 分子对接结果证实了机器学习的发现.
- 进行了in-silico ADMET预测.
结论:
- 先进的机器学习技术,包括XAI,有效地阐明GSK-3β调制器的复杂结构-活动关系.
- 鉴定的结构特征为设计新型GSK-3β抑制剂或激活剂提供了宝贵的见解.
- 这项研究证明了计算方法在加速治疗涉及GSK-3β.疾病的药物发现中的实用性.
