使用架构分析和机器学习评估DEL的多样性和目标可信度

科学领域:

• 药用化学 医学化学
• 化学信息学 化学信息学
• 药物发现 药物发现 药物发现

背景情况:

• DNA编码库 (DEL) 对于药物发现至关重要,它可以有效地选大型组合库.
• 为了最大限度地提高DEL的成功,需要优化脚手架的多样性和目标的可定位性,以及物理化学性质.
• 现有的工具缺乏一种结合的计算方法来评估架构多样性和目标导向性.

研究的目的:

• 开发和展示一种新的化学信息学工具,用于评估DEL中的支架多样性和目标可寻址性.
• 为DEL图书馆评估提供一个结合脚手架分析和机器学习的计算方法.
• 帮助药物化学家选择适合特定药物发现目标的DEL.

主要方法:

• 开发一种使用支架分析的化学信息学工具.
• 整合机器学习算法来评估目标导向性.
• 对两个内部DEL库的案例研究分析,以验证工作流.

主要成果:

• 该工具成功评估了支架多样性和目标可寻址性.
• 工作流可以区分通用和专注的DEL库.
• 证明有能力指导图书馆的选择,以寻找和优化结果.

结论:

• 本文介绍的工具为DEL图书馆评估提供了一种有价值的计算方法.
• 它增强了药物发现计划中图书馆的战略选择.
• 该工具可以作为免费的Web应用程序和Python脚本访问.