通过机器学习和in silico方法优化激酶和PARP抑制剂的组合,用于针对性脑癌治疗

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 药理学 药理学是指药理学的学科.

背景情况:

• 药物组合为癌症治疗提供了一个有希望的策略.
• 对于脑癌,PARP和激酶抑制剂的联合使用尚未得到广泛的研究.
• 机器学习 (ML) 模型可以预测有效的药物组合.

研究的目的:

• 构建和评估ML模型,以预测针对脑癌细胞的有效药物组合.
• 为了研究PARP抑制剂和激酶抑制剂组合的协同潜力.
• 评估潜在药物组合的血脑屏障 (BBB) 透率.

主要方法:

• 利用药物组合数据库来构建ML模型,特别是基于决策树的算法.
• 进行分子对接和分子动力学 (MD) 模拟,以验证预测的药物相互作用.
• 研究了BBB交叉的机制,包括传送器相互作用.

主要成果:

• 尼拉巴里布 (PARP抑制剂) 和拉帕提尼布 (激酶抑制剂) 的组合显示出高模型性能 (精度0.915,置信度0.92).
• 确定了niraparib (tweeety同源3) 和lapatinib (BTB/POZ域含蛋白2) 的关键蛋白标.
• 预测,尼拉帕里布-拉帕蒂尼布组合可以利用CAT1载体穿越BBB.

结论:

• 尼拉帕里布-拉帕提尼布药物组合显示出作为治疗大脑癌症的治疗策略的巨大潜力.
• 这种组合对BBB透具有有利的特性,对于治疗脑瘤至关重要.
• 这种有前途的药物组合需要进一步的体外和体内实验验证.