作为SARS-CoV-2治疗药物使用增强SVR与多个核功能和PSO的Cathepsin L抑制剂的定量结构-活性关系研究
Shaokang Li1, Zheng Li1, Peijian Zhang1
1College of Computer Science and Technology, Qingdao University, Qingdao 266071, China.
International journal of molecular sciences
|September 13, 2025
概括
抑制甲素L (CatL) 是阻止SARS-CoV-2进入的关键. 定量结构-活性关系 (QSAR) 模型,特别是LMIX3-SVR,准确地预测了潜在的COVID-19治疗药物的新型CatL抑制剂.
科学领域:
- 药用化学 医学化学
- 计算机化药物发现技术
- 病毒学 病毒学
背景情况:
- 甲素L (CatL) 是一种蛋白酶,对SARS-CoV-2尖端蛋白分裂和病毒进入至关重要.
- 抑制CatL是一种有前途的治疗策略,可以对抗SARS-CoV-2感染.
- 开发有效的CatL抑制剂需要强大的预测建模.
研究的目的:
- 开发和验证用于预测CatL抑制活性的定量结构-活性关系 (QSAR) 模型.
- 确定新的CatL抑制剂,对SARS-CoV-2有潜在的治疗应用.
- 探索各种机器学习算法在病毒标药物发现中的实用性.
主要方法:
- 使用启发式方法 (HMs),基因表达编程 (GEP),随机森林 (RF) 和不同内核 (RBF,LMIX2-SVR,LMIX3-SVR) 的支持向量回归 (SVR) 构建了六种QSAR模型.
- 粒子群集优化用于优化多参数SVM模型.
- 分子对接和Property Explorer Applet (PEA) 被用于评估新型抑制剂的特性.
主要成果:
- LMIX3-SVR模型表现出卓越的性能,R2值为0.9676 (训练) 和0.9632 (测试),RMSE低.
- 交叉验证 (5倍和1次) 证实了该模型的强大预测能力和稳定性.
- QSAR模型预测了578种新型化合物的IC50值,并确定并验证了顶级候选物.
结论:
- LMIX3-SVR模型为药物发现中的QSAR建模提供了可靠的工具,大大推进了新分子的设计.
- 这项研究成功地确定了潜在的新型CatL抑制剂,有助于开发有效的SARS-CoV-2治疗方法.
- 这些发现强调了计算方法在加速识别抗病毒药物候选者的重要性.
