针对PPI目标的超高通量虚拟查策略:STAT抑制剂的案例研究
Tibor Viktor Szalai1,2, Nikolett Péczka1,3, Levente Sipos-Szabó1,3
1Medicinal Chemistry Research Group and Drug Innovation Centre, HUN-REN Research Centre for Natural Sciences, Magyar tudósok krt. 2, 1117 Budapest, Hungary.
Journal of chemical information and modeling
|July 4, 2025
概括
人工智能辅助的虚拟查,如深度对接 (Deep Docking),对识别药物命中药物,甚至对具有挑战性的蛋白质目标 (如STAT3和STAT5b) 显示出希望. 这种方法实现了高的命中率,并且在没有超级计算机的情况下也是可行的,这使得药物发现更容易获得.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 药理学中的人工智能
背景情况:
- 超大虚拟选 (uHTVS) 是热门的打击识别.
- 像Deep Docking这样的人工智能辅助工作流程旨在使HHTVS在没有超级计算机的情况下成为可行的.
- 存在局限性,特别是依赖于在对接数据上训练的深度学习 (DL) 模型.
研究的目的:
- 评估各种图书馆大小的深度对接性能.
- 与传统的粗暴力量对接相比,这是一个基准.
- 评估难以实现的蛋白质与蛋白质相互作用目标,特别是STAT3和STAT5b的可靠性.
主要方法:
- 深度对接和武力对接的比较分析.
- 虚拟查对瘤转录因子STAT3和STAT5b的应用.
- 对STAT5b N-终端域进行虚拟选的探索.
主要成果:
- 确定了STAT3和STAT5b的新型抑制剂.
- 在STAT3.3中获得了50.0%的命中率.
- 证明了STAT5b SH2域的42.9%的命中率,图书馆大小减少.
- 展示了一种高效的工作流程,实际上最少的化合物被对接.
结论:
- 以人工智能为基础的HHTVS,以深度对接为例,对于打击识别是有效的,即使对于具有挑战性的目标.
- 深度对接提供了高的命中率和计算效率,使其在较小的复合库中可行.
- 这种方法促进了针对STAT3和STAT5b等点的药物发现,包括针对STAT5b的N终端域的新应用.
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
2.0K
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
5.1K
