选择性清洁提高了用于药物重新定位的机器学习精度:MDM2抑制剂的多规模发现
Mohammad Firdaus Akmal1, Ming Wah Wong1
1Department of Chemistry, Faculty of Science, National University of Singapore, 3 Science Drive 3, Singapore 117543, Singapore.
Molecules (Basel, Switzerland)
|July 30, 2025
概括
这项研究使用了一种新的AI方法来选现有药物,通过向MDM2蛋白来恢复瘤抑制剂p53活性来确定阿托瓦斯塔丁和CB1抗剂作为潜在的癌症治疗方法.
科学领域:
- 在瘤学瘤学.
- 药理学 药理学是指药理学的学科.
- 计算生物学 计算生物学
背景情况:
- 癌症治疗需要新的治疗策略,包括重新激活像p53.3这样的瘤抑制基因.
- MDM2是p53的关键负调节剂,使其成为癌症治疗的关键标.
- 药物重定向提供了一条有效的途径来识别新的治疗药物.
研究的目的:
- 通过药物重定位策略,识别用于癌症治疗的新型MDM2抑制剂.
- 开发和应用先进的数据清理算法,以提高机器学习模型准确度,用于预测药物效力.
- 通过集成的虚拟选和分子动力学模拟来优先考虑候选化合物.
主要方法:
- 对24000多个临床测试分子进行MDM2的查.
- 开发一种选择性数据清理算法,以提高生物活性数据集质量.
- 机器学习模型开发用于pIC50预测,通过基于结构的虚拟选和分子动力学模拟进行验证.
主要成果:
- 一个新的数据清理算法显著改善了机器学习模型的性能 (RMSE减少了21.6%,R2 = 0.87).
- 亚托瓦斯塔丁和两个CB1抗剂 (MePPEP,otenabant) 被确定为有前途的MDM2抑制剂候选者.
- 在基分析表明了潜在的多目标机制,涉及MDM4和BCL2进行增强的p53恢复.
结论:
- 由人工智能驱动的开发工作流程,采用了新的数据策划策略,使得有效的药物重新定位成为具有挑战性的癌症标.
- 已识别的化合物对重新激活p53充满希望,并值得进一步研究作为抗癌疗法.
- 这种方法证明了将先进的数据预处理与人工智能集成为加速药物发现的力量.
