针对新型PTP1B抑制剂选的综合方法:结合机器学习模型,分子对接,分子和动力学模拟
Yihuan Zhao1,2,3, Yujuan Chen4,5,6, Xiaoli Tao4,5,6
1Key Laboratory of Basic Pharmacology of Guizhou Province and School of Pharmacy, Zunyi Medical University, Zunyi, 563006, People's Republic of China. zyhws@zmu.edu.cn.
Molecular diversity
|July 21, 2025
概括
研究人员使用机器学习和计算方法发现了蛋白氨酸酸酶1B (PTP1B) 的新抑制剂,这是治疗2型糖尿病 (T2DM) 和改善胰岛素敏感性的关键目标.
科学领域:
- 生物化学和计算化学.
- 药物发现和开发 药物发现和开发
- 代谢障碍 研究 研究 代谢障碍
背景情况:
- 2型糖尿病 (T2DM) 是一个全球性的健康问题,由胰岛素抵抗和高血糖驱动.
- 蛋白氨酸酸酶1B (PTP1B) 是胰岛素信号通路中的关键酶,使其成为治疗点.
- 开发有效的PTP1B抑制剂是具有挑战性的,因为生物可用性和非目标效果的限制.
研究的目的:
- 通过综合计算方法识别新的PTP1B抑制剂.
- 为了加速T2DM治疗的药物发现过程.
- 提高识别潜在候选药物的可靠性.
主要方法:
- 使用已知 2183 个 PTP1B 抑制剂的数据集开发机器学习 (ML) 预测模型.
- 分子对接在大型复合物数据库 (1.6万和16万种天然产品) 上的应用.
- 使用ML模型来选择顶级候选人的对接化合物的精制.
主要成果:
- 从大型合成化合物库中识别了五种有前途的PTP1B抑制剂.
- 从天然产品衍生数据库中发现了两个额外的PTP1B抑制剂.
- 展示一种结合ML和计算策略的有效药物候选选择.
结论:
- 综合的ML和计算方法有效地识别了新的PTP1B抑制剂.
- 这一策略加速了对T2DM和相关代谢障碍的药物发现.
- 这些已识别的化合物代表了开发新的T2DM治疗方法的有希望的起点.
更多相关视频
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
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
2.9K
