发现了针对非小细胞肺癌的新型PDGFR抑制剂,使用多步式机器学习辅助混合虚拟查方法
Sandhi Kranthi Reddy1, S V G Reddy1, Syed Hussain Basha2
1Department of CSE, GST, GITAM (Deemed to be University) Visakhapatnam A.P India.
RSC advances
|January 13, 2025
概括
机器学习有效地识别了潜在的非小细胞肺癌 (NSCLC) 候选药物,其向的是血小板衍生生长因子受体 (PDGFR). 一种新型化合物显示出有前途的PDGFRA抑制活性,验证了加速药物发现的ML方法.
科学领域:
- 瘤学和制药科学 医疗科学
- 计算化学和药物发现
- 生物信息学和机器学习
背景情况:
- 非小细胞肺癌 (NSCLC) 对全球健康构成重大负担,其中血小板衍生生长因子受体 (PDGFR) 途径是关键目标.
- 对传统疗法的耐药性需要新的治疗策略和药物发现方法.
- 机器学习 (ML) 提供了强大的数据驱动方法,以加快针对性药物候选者的识别.
研究的目的:
- 应用机器学习和RDKit工具包来识别针对NSCLCPDGFR的新型抗癌药物候选者.
- 通过有效地缩小大型复合库来简化打击发现过程.
- 用传统的虚拟选和分子模拟技术验证ML识别的候选人.
主要方法:
- 利用机器学习辅助的虚拟选策略,对一个拥有1.048亿个化合物的库进行了选.
- 预先选择了220种具有潜在PDGFRA抑制活性的化合物.
- 通过基于遗传算法的虚拟选,对接和分子动态模拟来验证候选人.
主要成果:
- 成功预选了220个有前途的化合物,占初始库的0.013%.
- 确定ZINC000002931631作为一种强大的PDGFRA抑制剂,与Avapritinib相当或优于Avapritinib.
- 分子动力学模拟阐明了驱动PDGFRA抑制的关键相互作用.
结论:
- 机器学习提供了一种高效且具有成本效益的方法,用于识别NSCLC中的向药物候选者.
- 该研究强调了ML在推进个性化和向性癌症治疗方面的潜力.
- 鉴定的化合物证明了ML驱动的药物发现对PDGFR向治疗的有效性.
