整合机器学习和结构动力学,探索B细胞淋巴瘤-2抑制剂用于慢性淋巴细胞白血病治疗

科学领域:

• 计算化学和药物发现
• 分子建模和模拟分子模型
• 瘤学和血液学研究研究.

背景情况:

• 慢性淋巴细胞白血病 (CLL) 是由BCL-2过度表达驱动的,这是一个关键的治疗点.
• 鉴定新型BCL-2抑制剂对于开发新的CLL治疗方法至关重要.

研究的目的:

• 通过计算识别和验证新型BCL-2抑制剂的CLL.
• 选和优先考虑具有有利的类似药物的特性和结合潜力的化合物.

主要方法:

• 综合计算选,分子对接和分子动力学模拟.
• 应用了ADME,利宾斯基的五项规则,聚类和机器学习来精炼化合物.
• 使用MM/GBSA和FEL分析进行约束能量和稳定性评估.

主要成果:

• 将836个化合物精制成124个,优先考虑13个基于共同的基底结构.
• 确定了四种化合物 (ChEMBL464268,ChEMBL480009,ChEMBL464440,ChEMBL518858),具有显著的结合亲缘关系.
• ChEMBL464268表现出最高的稳定性和结合亲和力 (ΔG总数 = -80.35 ± 11.51 kcal / mol),具有有利的药理动力学.

结论:

• 已识别的化合物,特别是ChEMBL464268,是有希望的BCL-2抑制剂导致CLL.
• 计算方法有效地识别了具有稳定结合和有利ADME配置文件的候选药物.
• ChEMBL464268需要进一步研究其在慢性淋巴细胞白血病中的治疗潜力.