一个数据驱动的旅程,使用基于目标的药物发现的结果用于表型查中的目标解卷
Gergely Takács1,2, György T Balogh1,3, Róbert Kiss2
1Department of Chemical and Environmental Process Engineering, Faculty of Chemical Technology and Biotechnology, Budapest University of Technology and Economics Műegyetem Rakpart 3 Budapest 1111 Hungary.
RSC medicinal chemistry
|May 12, 2025
概括
这项研究提出了一种新方法,用于在药物发现中寻找高度选择性的药物化合物,以实现药物发现中的目标解卷. 这些选择性化合物有助于识别药物点和发现新的抗癌机制.
科学领域:
- 药物发现和开发 药物发现和开发
- 药用化学 医学化学
- 药理学 药理学是指药理学的学科.
背景情况:
- 药物发现采用基于目标和表型的选方法,每个方法都有不同的优势和局限性.
- 现型选识别了具有理想效果的化合物,但往往缺乏明确的目标识别,阻碍了优化.
- 对于理解药物机制至关重要的目标解卷,依赖于高度选择性的工具化合物.
研究的目的:
- 开发一种自动化方法,从大型生物活性数据库中识别高度选择性的配体.
- 在表型查中利用这些选择性配体用于目标解卷.
- 通过表型查和目标识别发现新的抗癌机制.
主要方法:
- 挖掘ChEMBL数据库 (超过2000万个生物活性数据点) 来识别选择性配体.
- 开发和应用一种自动化方法来选择高选择性化合物.
- 购买了87种选定的化合物,并对其进行了针对60种癌细胞系的查,以检测表型效应.
主要成果:
- 成功开发了一种用于选择高度选择性的配体的新型自动化方法.
- 查发现了几种化合物,具有选择性抑制癌细胞生长的特征.
- 结合表型数据和ChEMBL生物活性,揭示了潜在的新型抗癌机制.
结论:
- 高选择性化合物的自动选择是有效的目标deconvolution.
- 这些选择性化合物可以指导表型查,以确定潜在的药物标.
- 这项研究提出了针对抗癌药物发现的新疗法策略.
