用机器学习和蛋白质对接研究来管理瘤瘤的抗感染药物的再利用

科学领域:

• 药物发现和计算化学
• 传染病和寄生虫学 传染病和寄生虫学
• 在药理学中的机器学习.

背景情况:

• 忽视的热带疾病 (NTDs),如瘤病,面临缓慢的药物开发,由于有限的经济激励.
• 目前的肉病治疗方法依赖于ivermectin和moxidectin.
• 新型抗感染策略对于对抗瘤病至关重要.

研究的目的:

• 通过计算识别现有的抗感染药物,以重新使用或作为抗性化合物来预防性.
• 探索机器学习和分子对接在NTD中药物发现的潜力.
• 通过分子对接与已知的药物标来验证计算预测.

主要方法:

• 通过探索性数据分析和机器学习 (ML) 模型评估了58种抗感染药物.
• 利用分子对接模拟对抗谷氨酸门化通道,这是瘤病药物的目标.
• 与原生配体和已知的药物相比,评估了最高预测化合物的结合亲缘关系和相互作用.

主要成果:

• 机器学习模型预测了58种药物中的14种药物对瘤瘤有潜在的有效性.
• 分子对接显示了对克里达尼莫德 (-7.8 kcal/mol),迪米纳 (-7.2 kcal/mol) 和万迪塔尼布 (-7.1 kcal/mol) 的高结合亲和力.
• 这些顶级候选药物表现出类似于已确定的色素病原剂 (如ivermectin) 的结合相互作用.

结论:

• 克里达纳莫德,迪米纳和万迪塔尼布显示出作为治疗瘤瘤的新疗法候选者的巨大潜力.
• 这项研究验证了一种计算方法,用于发现针对被忽视的热带疾病的药物.
• 这些发现为开发新型治疗方法来管理球病铺平了道路.