揭示精密药物设计的分子签名:机器学习从三氨酸减少酶,PKC-θ和CB1的洞察力
Sunil Sahu1, Adarsh Anmol1, Tushar Nishad1
1Department of Biotechnology, National Institute of Technology Raipur, Raipur, Chhattisgarh, 492001, India.
Molecular diversity
|September 10, 2025
概括
这项研究使用机器学习来预测Trypanothione减少酶 (TR),蛋白激酶C甲基 (PKC-θ) 和大麻素受体1 (CB1) 的药物生物活性. 该框架确定了关键的分子特征,加速了有效的药物设计.
科学领域:
- 计算化学是一种计算化学.
- 药品化学 药品化学 是一个
- 机器学习在药物发现中的作用
背景情况:
- 传统的药物发现是缓慢而昂贵的.
- 机器学习提供了一个更快,更具成本效益的方法.
- 针对TR,PKC-θ和CB1对于各种治疗领域至关重要.
研究的目的:
- 开发一个机器学习框架来预测生物活性 (pIC50).
- 确定TR,PKC-θ和CB1的关键分子特性和结构特征.
- 通过精确确定可优化的分子结构来加速药物设计过程.
主要方法:
- 使用ChEMBL数据库来获取生物活性数据.
- 使用PADEL-描述器和RDKit.it生成的分子指纹.
- 开发并比较了随机森林,渐变增强和堆叠组合模型.
主要成果:
- 堆叠组合模型实现了最低的根平均平方误差 (RMSE).
- 针对每个目标,确定了对生物活性至关重要的特定结构特征.
- 含有异原子的环是TR抑制剂的关键.
- 多环系统对于PKC-θ抑制剂很重要.
- 芳香环对于CB1受体连接体至关重要.
结论:
- 开发的机器学习框架有效地预测了药物的生物活性.
- 这种方法加速了化合物的识别.
- 该框架通过指导结构优化来提高治疗开发效率.
更多相关视频
07:42Assessment of Resistance to Tyrosine Kinase Inhibitors by an Interrogation of Signal Transduction Pathways by Antibody Arrays
Published on: September 19, 2018
8.3K
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
3.6K
