机器学习和生成性AI在DNA旋转酶向抗菌剂的合理设计中

科学领域:

• 生物化学 生物化学
• 计算化学计算化学
• 药物发现 药物发现 药物发现

背景情况:

• DNA旋转酶是一种关键的细菌酶,也是抗菌药物开发的关键标.
• 传统的药物发现方法往往是缓慢和资源密集的.

研究的目的:

• 通过人工智能驱动的方法加速发现新型DNA旋转酶抑制剂.
• 通过机器学习和生成AI来识别向DNA旋转酶的强效药物样分子.

主要方法:

• 机器学习模型 (渐变增强回归器,XGBoost) 被优化为预测pIC50值.
• 使用图形卷积网络变化自编码器 (GCN-VAE) 来生成新的分子支架.
• 进行了分子对接研究,以评估人工智能产生的分子与DNA旋转酶的结合亲和力和相互作用.

主要成果:

• 梯度增强回归器在预测抑制活性方面取得了很高的准确性 (火车R2 = 0.84,试验R2 = 0.76).
• GCN-VAE产生了多样化的分子结构,从100个中确定了11个独特的类似药物的分子.
• 一个分子DR7显示了预测的pIC50>7和有利的对接结果 (结合能量-7.44 kcal/mol,Ki = 3.52 μM) 与DNA旋转酶.

结论:

• 一个集成的AI框架结合了ML,生成模型和对接,有效地加速了抗菌药物的发现.
• 已识别的分子DR7显示出作为DNA回旋酶抑制剂的显著潜力.
• 这种方法为开发针对细菌感染的新疗法提供了一个有希望的战略.