基于深度学习的药物查,用于发现阿尔茨海默氏症疾病的潜在治疗剂

科学领域:

• 计算机化药物发现.
• 神经科学是一个神经科学.
• 药理学 药理学是指药理学的学科.

背景情况:

• 阿尔茨海默病 (AD) 的患病率正在上升,复杂的发病因子阻碍了药物开发.
• 传统中医 (TCM) 提供了丰富的化合物来源,为治疗复杂疾病提供经验支持.
• 开发有效的阿尔茨海默病治疗药物仍然是一个重大挑战.

研究的目的:

• 应用先进的深度神经网络 (DNN) 模型来选来自TCM的潜在AD治疗化合物.
• 通过使用计算和实验方法,从Kaixinsan (KXS) 公式中识别新药候选者.
• 在AD的临床前模型中验证已识别的化合物的疗效.

主要方法:

• 开发了四种用于AD药物查的DNN模型:一种疾病级别模型和三个特定目标模型 (AChE,MAO-A,5-HT).
• 使用验证的DNN模型选KXS配方以识别高得分的化合物.
• 进行实验验证,包括酶抑制试验,基于细胞的试验和动物研究.

主要成果:

• 像2,4-di-tert-butylphenol和elemicin这样的化合物显示出显著的乙胆酶 (AChE) 和单胺氧化酶-A (MAO-A) 抑制.
• 包括α-asarone在内的13种化合物表现出穿透血脑屏障 (BBB) 的能力.
• 八种化合物增强了β-粉样蛋白的微细胞化,这是阿尔茨海默病的一个关键病理标志.

结论:

• 深度学习模型是加速从天然产品来源发现AD药物的有效工具.
• 该研究确定了来自KXS的有希望的化合物,对阿尔茨海默病有潜在的治疗益处.
• 这种综合的计算和实验方法为未来的AD药物开发提供了一个强大的平台.