对Pepcan-CB1受体结构-活性关系的多模式分析:集成分子动力学模拟,生物分析和深度学习模型MuMoPepcan
Hongyang Man1, Huiming Bao1, Zhanyu Niu1
1Department of Animal and Biomedical Sciences, School of Life Sciences, Lanzhou University, 222 Tianshui South Road, Lanzhou 730000, China.
Bioorganic chemistry
|September 26, 2025
概括
这项研究将分子动力学模拟数据与湿实验室实验集成在一起,以增强用于类药物发现的机器学习. 新的MuMoPepcan模型提高了针对大麻素受体向的预测准确度.
科学领域:
- 计算化学和化学信息学
- 药理学和药物发现
- 机器学习和人工智能机器学习和人工智能
背景情况:
- 药物发现面临的挑战是有限的实验数据,阻碍了机器学习的准确性.
- 针对大麻素受体的类蛋白对于生理调节至关重要.
- 短暂的学习限制会影响实验药物发现中的预测模型.
研究的目的:
- 开发一个联合干湿实验室框架,用于的生物活性预测.
- 将分子动力学模拟 (MDS) 数据集成到机器学习模型中.
- 提高类药物发现模型的准确性和通用性.
主要方法:
- 合成了45种pepcan和生物活性数据集的建立.
- 通过MDS为CB1-pepcans数据集生成数百万个结构数据.
- 开发深度学习模型MuMoPep,可以整合湿实验室和MDS数据.
主要成果:
- 确定RD-pepcan-11作为一种具有CB1选择性的主要止痛化合物.
- 成功构建了一个全面的CB1-pepcans对应性数据集.
- MuMoPepcan模型在湿实验室实验范围内的预测错误.
结论:
- 分子动力学模拟是药物发现的有效数据增强策略.
- 结合的框架提高了机器学习模型的性能和通用性.
- 新的高潜力,如RD-pepcan-11,被确定用于治疗应用.
