根据主动学习驱动的优先考虑,从按需图书馆获取的化合物针对SARS-CoV-2主要蛋白酶
Ben Cree1, Mateusz K Bieniek1, Siddique Amin1
1School of Natural and Environmental Sciences, Newcastle University Newcastle Upon Tyne NE1 7RU UK daniel.cole@ncl.ac.uk.
Digital discovery
|January 16, 2025
概括
使用机器学习,FEgrow软件通过构建用于蛋白质结合口袋的新型化合物来自动化药物发现. 这个新版本加速了SARS-CoV-2主要蛋白酶的化合物设计,识别了潜在的候选药物.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- FEgrow是一个开源软件,用于在蛋白质结合口袋中设计同源化合物系列.
- 它使用混合机器学习/分子力学来优化连接体对象.
研究的目的:
- 引入自动化,并行化和加速的化合物构建和评分,用于新药设计.
- 整合主动学习以加强化学空间探索和利用晶体学碎片数据.
- 种子化学空间,可从按需库中获取可用的分子.
主要方法:
- 实现了用于复合建议生成和评分的自动化工作流程.
- 集成的积极学习策略,以实现高效的组合式搜索.
- 利用晶体碎片相互作用来评分化合物设计.
- 集成的按需化学图书馆用于播种设计空间.
主要成果:
- 成功地将FEgrow应用于SARS-CoV-2主要蛋白酶 (Mpro) 以完全自动的方式.
- 鉴定出具有与已知的COVID月球射击化合物高度相似的小分子.
- 合成和测试了19种设计的化合物,其中3种表现出较弱的Mpro抑制活性.
结论:
- 增强的FEgrow包可以实现自动化新药设计.
- 需要进一步优化,以改善合成和测试的化合物优先级.
- 该软件和教程可用于更广泛的研究使用.
