通过将图形神经网络应用于3D药组合来提高虚拟激酶分析的准确性
Alexey Ereshchenko1, Sergei Evteev2, Alexander Malyshev2
1P. Hertsen Moscow Oncology Research Institute, Moscow, Russian Federation. ereshchenko.alexey@gmail.com.
Journal of computer-aided molecular design
|September 26, 2025
概括
机器学习模型预测酶选择性,以加速药物发现. 使用3D药的图形神经网络方法实现了最佳性能,有助于识别潜在的候选药物.
科学领域:
- 计算化学是一种计算化学.
- 化学信息学 化学信息学
- 机器学习在药物发现中的作用
背景情况:
- 激酶分析对于识别候选药物和评估选择性至关重要.
- 大型化学库的体外查是资源密集的.
- 计算方法可以优化选化合物的选.
研究的目的:
- 开发一种用于预测酶选择性的机器学习模型.
- 为模型培训创建一个全面的酶选择性数据库.
- 通过计算选化合物库来促进以激酶为中心的药物发现.
主要方法:
- 从多个来源编译了一个精选的酶选择性数据库.
- 通过使用不同的分子表示来训练各种机器学习模型.
- 开发了一个图形神经网络模型,结合了3D药组合.
主要成果:
- 图形神经网络模型与3D药理学证明了卓越的预测性能.
- 开发的数据库对于训练有效的机器学习模型非常有价值.
- 该模型成功预测了75个激酶的选择性.
结论:
- 机器学习方法,特别是图形神经网络,可以准确预测酶选择性.
- 精心策划的数据库和开发的模型是用于以激酶为重点的药物发现的有效工具.
- 计算查显著减少了与识别潜在药物候选者的时间和成本.
相关概念视频
02:26Protein Networks
4.5K
An organism can have thousands of different proteins, and these proteins must cooperate to ensure the health of an organism. Proteins bind to other proteins and form complexes to carry out their functions. Many proteins interact with multiple other proteins creating a complex network of protein interactions.
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
4.5K
02:26Protein Networks
2.8K
2.8K