机器学习框架与CADD相结合,用于预测氨酸激酶1抑制剂

科学领域:

• 计算化学和化学信息学
• 药物发现和药物化学

背景情况:

• 斯芬哥辛激酶1 (SphK1) 是治疗癌症,心血管疾病和炎症的关键标,因为它在疾病进展和耐药性方面的作用.
• 开发新型SphK1抑制剂对于这些领域的治疗创新至关重要.

研究的目的:

• 开发和验证用于预测潜在SphK1抑制剂的机器学习模型.
• 使用计算方法识别和描述新型SphK1抑制剂,包括分子动力学和结合能量的计算.
• 评估已识别的抑制剂的类似药物的特性和治疗潜力.

主要方法:

• 机器学习模型 (随机森林,AdaBoost等等) 被训练并验证以预测SphK1抑制剂.
• 进行了分子动力学模拟 (100 ns),以评估SphK1结合口袋内的化合物的稳定性.
• 分子力学与泛化的Born表面积 (MM/GBSA) 计算被用来预测结合能.
• 对排名最高的化合物进行了in silico药物相似性评估.

主要成果:

• 随机森林模型实现了89.81%的准确性,从内部图书馆中确定了187种潜在的SphK1抑制剂.
• 分子动力学模拟显示了化合物IS01027,IS01265和IS00998.8.的稳定结合.
• 根据MM/GBSA的计算,PF-543,IS01265,IS01027和IS00998.8的结合关系很强.
• 顶级化合物表现出良好的类似药物的特性,包括良好的吸收和溶解性,IS00998显示出良好的溶解性.

结论:

• 综合计算方法有效地加速了SphK1抑制剂的发现.
• 已识别的化合物显示出作为SphK1相关疾病治疗剂的巨大潜力.
• 这项研究为未来针对SphK1.1的药物开发提供了宝贵的见解.