开发FGFR-1抑制剂的预测QSAR模型:集成计算和实验验证.
Sandip D Nagare1, Sharav A Desai2, Vipul P Patel1
1Department of Pharmaceutical Biotechnology, Sanjivani College of Pharmaceutical Education and Research, Savitribai Phule Pune University, Kopargaon, Maharashtra, 423603, India.
这项研究开发了一个计算模型来预测纤维细胞生长因子受体1 (FGFR-1) 抑制剂用于癌症治疗. 油酸显示出具有低毒性的有希望的抑制作用,提高了药物发现效率.
科学领域:
- 计算化学计算化学
- 药物发现 药物发现 药物发现
- 在瘤学瘤学.
背景情况:
- 传统的药物发现效率低,成本高,失败率高.
- 纤维细胞生长因子受体1 (FGFR-1) 与各种癌症有关,需要向抑制剂.
- 创新策略对于优化治疗候选者识别至关重要.
研究的目的:
- 开发一种定量结构-活性关系 (QSAR) 模型,用于预测FGFR-1抑制活性.
- 通过计算和实验方法识别新的FGFR-1抑制剂.
- 提高癌症治疗药物发现过程的效率和准确性.
主要方法:
- 在ChEMBL数据库中的1779种化合物上使用多重线性回归 (MLR) 开发了一个QSAR模型.
- 采用特征选择,十倍交叉验证和模型评估的外部验证.
- 使用分子对接,分子动力学模拟和癌症和正常细胞系的体外试验 (MTT,伤口愈合,克隆) 验证的预测.
主要成果:
- 该QSAR模型显示了强大的预测性能 (R2train=0.7869,R2test=0.7413).
- 分子模拟证实了化合物与FGFR-1之间的稳定相互作用.
- 实验室试验测定相关预测和观察到的活动;油酸显示显著抑制A549和MCF-7细胞的低细胞毒性.
结论:
- 综合计算和实验方法显著提高了FGFR-1抑制剂的药物发现效率.
- 开发的QSAR模型准确地预测了针对FGFR-1的化合物活性.
- 油酸成为肺癌和乳腺癌治疗的有前途的化合物,具有良好的安全性.
更多相关视频
05:47In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
相关概念视频
Quantitative Aspects of Drug-Receptor Interaction
Pharmacokinetic Models: Comparison and Selection Criterion
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
