启用脱氧核糖核酸编码图书馆选择的开放机器学习,以加速发现小分子蛋白质结合物的发现
James Wellnitz1, Shabbir Ahmad2, Nabin Bagale3
1Division of Chemical Biology and Medicinal Chemistry, UNC Eshelman School of Pharmacy, University of North Carolina, Chapel Hill, North Carolina 27516, United States.
Journal of medicinal chemistry
|October 6, 2025
概括
本研究介绍了一种自动化,开源的机器学习框架,用于DNA编码图书馆选. 它允许使用公开数据进行可复制的配体发现,与专有方法的性能匹配.
科学领域:
- 药物的发现和开发.
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
背景情况:
- 机器学习 (ML) 对于DNA编码库 (DEL) 在连接体发现中的选至关重要.
- 专有数据集限制了DEL-ML应用程序中的可访问性和可重复性.
- 需要开放和自动化的框架来民主化药物发现.
研究的目的:
- 介绍第一个完全开放的,自动化的DEL-ML框架.
- 通过公开的DEL数据实现可重复和可访问的药物发现.
- 为了证明开源方法在配体发现中的有效性.
主要方法:
- 开发了一种自动化工作流程,用于ML模型训练,虚拟选和复合物选择.
- 利用公开的DEL数据集和化学指纹用于模型开发.
- 应用了框架来识别WDR91结合剂,使用大规模的虚拟选.
主要成果:
- 确定了50个WDR91.1.的候选化合物.
- 实验验证了七种具有微分子范围 (2.721μM) 解离常数的新型结合剂.
- 开源框架的表现与专有方法相提并论.
结论:
- 公开的DEL数据可以支持强大的ML驱动的连接体发现.
- 开源的DEL-ML框架提高了药物开发的透明度和可访问性.
- 这种方法促进了更广泛的社区参与发现新疗法.


