深度多任务学习驱动新化合物的发现 准Leishmania infantum

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 寄生虫学的寄生虫学

背景情况:

• 由*Leishmania infantum*引起的内脏莱什曼病 (VL) 是一种严重的,往往致命的疾病,不成比例地影响低收入和中等收入国家.
• 目前对VL的治疗面临挑战,包括毒性,高成本和新兴药物耐药性,需要开发新型治疗剂.

研究的目的:

• 开发和应用一种可解释的多任务学习 (MTL) 管道,用于预测针对*Leishmania*物种的抗莱什曼病毒活动,重点是*L.infantum*.
• 通过使用开发的MTL模型进行大规模虚拟查来识别新型抗莱什曼病毒化合物.

主要方法:

• 创建了一个可解释的多任务学习 (MTL) 管道,以预测针对*Leishmania*物种的复合活性.
• 从ChemBridge数据库中大约有130万种化合物使用MTL模型进行了选.
• 目标化合物被评估为*体外*抗莱什曼活动和细胞毒性对*L.婴儿*.

主要成果:

• 虚拟查发现了20种潜在的抗莱什曼药物化合物.
• 九种化合物表现出显著的体外活性,对抗L.infantum.
• 三种化合物显示出有前途的功效 (IC50:1.05-15.6μM) 与中度细胞毒性 (CC50:32.4至>175μM),表明适合进一步优化.

结论:

• 可解释的多任务学习模型在药物发现中的虚拟查中是有效的,特别是对于像VL这样的被忽视的热带疾病.
• 这项研究成功地确定了针对L. infantum*的强效和选择性抗莱什曼化合物.
• 可解释的人工智能技术为合理的药物设计和优化新疗法的优化提供了宝贵的见解.