高通量,高质量:准确虚拟选工作流程的基准GNINA和AutoDockVina
Rocco Buccheri1, Antonio Rescifina1
1Department of Drug and Health Sciences, University of Catania, Viale A. Doria 6, 95125 Catania, Italy.
Molecules (Basel, Switzerland)
|August 28, 2025
概括
在药物发现的分子对接中, 超越了AutoDock Vina. 它准确地预测结合姿势并区分真正的药物候选者, 改善早期药物开发.
科学领域:
- 计算化学
- 药理学
- 生物信息学
背景情况:
- 分子对接对于早期药物发现至关重要,但在蛋白质灵活性和评分功能的可靠性方面面临挑战.
- AutoDock Vina 是一个广泛使用的开源对接工具,但它的性能可能是有限的.
研究的目的:
- 系统地比较 AutoDock Vina 与基于深度学习的对接工具 GNINA 的性能.
- 评估它们在虚拟查中的有效性,并为药物发现做出预测.
主要方法:
- 对十种不同的蛋白标 (金属酶,酶,GPCR) 的AutoDockVina和GNINA进行比较.
- GNINA使用卷积神经网络 (CNN) 来增强姿势得分.
- 通过虚拟选活性体和重新对接共结晶体来评估性能.
主要成果:
- 与AutoDock Vina相比,GNINA在准确复制结合姿势和能量值方面表现出更好的表现.
- 通过ROC曲线和丰富系数 (EF) 证实,GNINA在区分真实阳性和假阳性方面表现出更高的特异性.
- 在虚拟选和重新对接任务中,GNINA表现出色.
结论:
- 在药物发现的分子对接中,GNINA提供了更高的精度和可靠性.
- 基于GNINA的工作流可以显著提高早期药物开发中的对接结果的质量.
- 在药物发现管道中,GNINA代表了优化成功识别的重要进展.
更多相关视频
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
521
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
1.5K
