预测对小分子激酶抑制剂的耐药性
Anu Nagarajan1, Katherine Amberg-Johnson1, Evan Paull1
1Schrödinger, New York, New York 10036, United States.
Journal of chemical information and modeling
|February 20, 2025
概括
这项研究引入了一种结合遗传模型和基于物理的计算来预测药物耐药性突变的计算方法. 该方法成功地发现了EGFR抑制剂的关键突变,有助于开发更持久的癌症治疗方法.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 分子建模分子建模
背景情况:
- 耐药性,特别是对小分子抑制剂 (SMIs) 的耐药性,在治疗癌症和传染病方面构成了重大挑战.
- 预测目标耐药性突变对于开发有效和持久的疗法至关重要.
研究的目的:
- 开发和验证一种新的计算工作流程,用于预测针对小分子抑制剂的目标耐药性突变.
- 将遗传模型与基于物理的计算相结合,以提高预测准确度.
主要方法:
- 开发了一个计算工作流程,将RECODE遗传模型与化学自由能量扰动 (FEP+) 计算相结合.
- 根据癌症特异性突变模式,RECODE优先考虑可能发生的氨基酸变化.
- 基于物理学的计算评估了突变对蛋白质稳定性,基质结合和抑制剂结合的影响.
主要成果:
- 工作流准确地预测了已知结合部位突变,包括临床相关的T790M和C797S突变.
- 成功确定了用于非小细胞肺癌 (NSCLC) 的表皮生长因子受体 (EGFR) 抑制剂的关键耐药性突变.
结论:
- 综合计算方法证明了预测小分子抑制剂耐药性突变的巨大潜力.
- 这种方法可以扩展到其他激酶和向类,促进下一代抑制剂的设计,以改善临床耐用性.
