用人工智能增强的虚拟选方法来识别GluN1/GluN3ANMDA受体

科学领域:

• 神经科学
• 药理学
• 计算化学

背景情况:

• N-甲基-D-酸盐受体 (NMDAR) 对大脑功能至关重要,包括神经元发育和突触可塑性.
• GluN1/ GluN3A NMDAR亚型是低透性的糖氨酸受体,研究不足,阻碍了药理学的发展.
• 研究GluN1/GluN3A对于理解其生理作用和治疗潜力至关重要.

研究的目的:

• 开发和验证一个高效和精确的计算管道,用于识别GluN1/GluN3A NMDAR的小分子调节器.
• 发现针对GluN1/GluN3A受体亚型的新型小分子抑制剂.

主要方法:

• 采用混合虚拟选 (VS) 管道,整合基于联体和基于结构的方法.
• 包括ROCS-BART和图形神经网络 (GNN) 模型在内的1800万种化合物的AI增强多阶段选进行.
• 功能验证使用流量测试 (FDSS/μCell) 和补丁记录.

主要成果:

• 通过人工智能增强的VS工作流程成功识别了两种低于10μM的抑制活性化合物.
• 一种化合物表现出强烈的抑制作用,IC50为5. 31±1. 65μM,通过补丁电生理学证实.
• 这项研究强调了人工智能驱动的VS方法在针对具有挑战性的受体方面的有效性.

结论:

• 开发的AI增强型VS管道为GluN1/GluN3A等研究不足的NMDAR亚型发现提供了高效和精确的策略.
• 这项工作为GluN1/GluN3A受体及其潜在治疗应用的进一步药理探索提供了基础.
• 这些发现强调了综合计算和实验方法在复杂生物点的药物发现中的力量.