通过深度学习和量子化学,通过抗氧化的高精度识别和结构-活性分析
Wanxing Li1, Xuejing Liu1, Yuanfa Liu1
1School of Food Science and Technology, Jiangnan University, Wuxi214122, China.
Journal of chemical information and modeling
|January 8, 2025
概括
现在发现抗氧化 (AOPs) 治疗疾病的速度更快. 一种新的AI和量子化学方法加快了识别和验证LLA等有希望的化合物的治疗用途.
科学领域:
- 生物化学 生化学
- 计算化学的计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 抗氧化 (AOP) 显示出治疗与氧化压力相关的疾病的潜力.
- 传统的AOP发现方法是缓慢和低效的.
研究的目的:
- 通过机器学习和量子化学开发一个加速框架来识别AOP.
- 分析结构-活动关系并验证新的AOPs.
主要方法:
- 开发了一个基于Bi-LSTM的机器学习模型 (AOPP) 用于AOP预测.
- 集成的量子化学计算用于机械洞察力.
- 实验验证使用DPPH和ABTS试验预测的AOP.
主要成果:
- AOPP模型实现了高精度 (0.9043-0.9267) 和精度 (0.9767-0.9848),优于其他ML模型.
- 实验验证证证实了十种的抗氧化活性,LLA显示出优越的清理能力.
- 量子化学确定了LLA的低HOMO-LUMO差距和特定的活性位点.
结论:
- 结合的ML和量子化学框架有效地加速了AOP的发现.
- 这种方法为开发治疗药物和功能性食品提供了强大的工具.
- 确定LLA是一种强大的抗氧化,具有潜在的治疗应用.


