一个基于深度学习的有效策略,用于选GluN1/GluN3A受体抑制剂
Ze-Chen Wang1, Yue Zeng2,3,4, Jin-Yuan Sun3
1School of Physics, Shandong University, Jinan, 250100, China.
Acta pharmacologica Sinica
|March 12, 2025
概括
研究人员开发了一种高效的深度学习方法,以发现GluN1/GluN3A受体的抑制剂,这是神经精神疾病的新目标. 这种方法成功地发现了一种强大的GluN1/GluN3A抑制剂,推动了对大脑疾病的药物发现.
科学领域:
- 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.
- 计算生物学 计算生物学
背景情况:
- GluN1/GluN3A受体是中枢神经系统中的激发性甘氨酸受体,影响情绪调节,并为神经精神疾病提供治疗点.
- 目前对GluN1/GluN3A受体的药理学研究有限,传统的高通量选方法对于大型化合物库来说是低效的.
研究的目的:
- 设计基于深度学习的战略,以高效准确地识别GluN1/GluN3A抑制剂.
- 克服传统选方法在离子通道药物发现方面的局限性.
主要方法:
- 开发了一个基于序列的评分功能,快速选1800万个复合库,将候选人减少到~10^5.5.
- 利用基于复杂的评分功能 (IGModel和RTMScore) 精确评分和排名剩余的候选人.
- 使用全细胞电压电生理学证实了活性分子.
主要成果:
- 成功确定了一种强大的GluN1/GluN3A抑制剂,其IC50为2.87 ± 0.80μM.
- 深度学习策略显著提高了高通量选的效率和准确性.
- 证明了将深度学习整合到离子通道药物发现中的可行性.
结论:
- 开发的深度学习策略为识别离子通道调节器提供了快速而精确的方法.
- 这项研究为药物发现提供了一个新的范式,针对GluN1/GluN3A.等新型受体.
- 这些发现为开发神经精神疾病治疗方法铺平了道路.
更多相关视频
04:15Author Spotlight: Development of a Method for Identifying Small Molecular Antagonists of β2 Integrin Activation
Published on: February 2, 2024
1.6K
10:25Screening Traditional Chinese Medicine Compounds for Inhibiting UCHL3 Activity Based on Molecular Docking and Deubiquitinating Enzyme Probe Technology
Published on: November 22, 2024
214
