基于GluN1/GluN3A抑制剂的对比学习药物查模型
Kun Li1, Yue Zeng2,3,4, Yi-da Xiong1
1School of Computer Science, Wuhan University, Wuhan, 430037, China.
Acta pharmacologica Sinica
|June 6, 2025
概括
我们开发了CLG-DTA,这是一种新的AI方法,用于发现针对神经系统疾病的GluN1/GluN3A受体的药物. 这种方法成功地确定了强效化合物,包括Boeravinone E,加速了治疗开发.
科学领域:
- 神经科学是一个神经科学.
- 计算化学计算化学
- 药物发现 药物发现 药物发现
背景情况:
- 含有GluN3A的NMDA受体是神经疾病治疗的关键标.
- 传统的药物选方法在识别强效调节剂方面存在局限性.
- 发现有效的GluN1/GluN3A受体调节器对于治疗进步至关重要.
研究的目的:
- 介绍CLG-DTA,一种用于预测药物标亲和力的新型图形对比学习方法.
- 使用先进的计算技术,增强用于GluN1/GluN3A受体的药物发现.
- 通过整合自然语言监督和数值知识图表来改进分子表示.
主要方法:
- 开发了CLG-DTA,这是一个结合自然语言监督的图形对比学习框架.
- 将回归标签转换为文本表示,以增强分子理解.
- 利用数值知识图来完善连续文本嵌入的复杂交互.
主要成果:
- 使用CLG-DTA选了1800万种化合物,确定了12种潜在的候选药物.
- 实验验证证证实了五种化合物的显著活性.
- 博拉维农E显示出最高的功效,其IC50为3.40 ± 0.91μM.
结论:
- CLG-DTA有效地加速了GluN1/GluN3A受体调节器的识别.
- 该方法证明了在神经系统疾病中推进药物发现的潜力.
- 这项工作为开发针对GluN1/GluN3A受体的新疗法提供了坚实的基础.


