模拟和积极学习可以有效地识别经过实验验证的广泛冠状病毒抑制剂
Katarina Elez1, Tim Hempel1,2,3, Jonathan H Shrimp4
1Department of Mathematics and Computer Science, Freie Universität Berlin, Berlin, Germany.
Nature communications
|July 29, 2025
概括
这项研究引入了一个新的药物查框架,结合了分子动力学模拟和积极学习. 该方法有效地识别了强大的抑制剂,如TMPRSS2的BMS-262084,降低了药物发现的成本和实验测试.
科学领域:
- 计算化学计算化学
- 药物发现 药物发现 药物发现
- 分子生物学分子生物学
背景情况:
- 传统的药物查是昂贵和耗时的.
- 虚拟选方法在平衡计算效率与实验准确性方面面临挑战.
- 从大型化合物库中识别有效的候选药物仍然是制药研究中的一个重大障碍.
研究的目的:
- 为有效的药物查开发一个综合计算框架.
- 显著减少需要实验验证的化合物数量.
- 为了确定新型抑制剂的目标,如TMPRSS2.2.
主要方法:
- 将分子动力学 (MD) 模拟与主动学习算法的整合.
- 开发一个针对特定目标的评分函数来评估抑制潜力.
- 使用广泛的MD模拟生成一个全面的受体组合.
主要成果:
- 该框架大大减少了实验测试候选人的数量,不到10人.
- 计算成本减少了大约29倍.
- 发现BMS-262084是一种强大的TMPRSS2抑制剂 (IC50 = 1.82 nM).
- 在基于细胞的测试中证实了BMS-262084对SARS-CoV-2变体的疗效.
结论:
- 结合MD模拟和主动学习方法,提供了一个高效的药物查策略.
- BMS-262084显示出作为治疗TMPRSS2.2.涉及病毒感染的治疗剂的显著潜力.
- 这一框架加速了对各种疾病有前途的候选药物的识别.
更多相关视频
12:23In Vitro Selection of Aptamers to Differentiate Infectious from Non-Infectious Viruses
Published on: September 7, 2022
1.8K
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
1.5K
