使用机器学习方法对c-MET抑制剂进行基架和SAR研究
Jing Zhang1,2,3, Mingming Zhang2, Weiran Huang4
1Clinical Research Institute & School of Public Health, Shanghai Jiao Tong University School of Medicine, Shanghai, 200025, China.
Journal of pharmaceutical analysis
|July 18, 2025
概括
这项研究分析了c-MET抑制剂的化学空间,确定了开发有效抗癌药物的关键结构特征和支架. 这些发现引导未来优化小分子c-MET抑制剂以克服耐药性.
科学领域:
- 药用化学 医学化学
- 药物发现 药物发现 药物发现
- 计算化学的计算化学
背景情况:
- 许多c-mesenchymal-epithelial transition (c-MET) 抑制剂显示出抗癌潜力,但由于疗效差和耐药性,在临床试验中面临挑战.
- 小分子c-MET抑制剂的基架化学空间在很大程度上未被分析,阻碍了合理的药物设计.
研究的目的:
- 构建和分析迄今为止最大的c-MET抑制剂数据集.
- 确定与c-MET抑制活性相关的关键结构特征,支架和碎片.
- 揭示结构-活性关系 (SAR) 模式,以指导未来的药物发现工作.
主要方法:
- 编制了2,278个分子的数据集,具有不同的c-MET抑制活性 (IC50).
- 使用t分布式随机邻居嵌入 (t-SNE) 来减少化学多样性的维度.
- 雇员聚类,化学空间网络 (CSN),活动悬崖分析和决策树建模.
主要成果:
- 在活性分子和非活性分子之间没有发现类似药物的药物性质的显著差异.
- 确定了常见的支架 (M5,M7,M8) 和主要的碎片 (pyridazinones, triazoles,pyrazines).
- 一个决策树模型确定了重要的结构特征:>=3个芳香异环,>=5个芳香原子,和>=8个-氧原子.
结论:
- 该研究提供了对c-MET抑制剂化学空间和SAR的全面分析.
- 确定了c-MET抑制剂开发的"安全注"和"死胡同".
- 这些发现为选新化合物和优化现有的c-MET抑制剂提供了宝贵的见解.
