一个集成的深度学习模型加速了基于 luciferase 的高吞吐量药物查.
Xiaonan Zhang1, Xinxin Zhang1, Shuang Wang2
1Key Laboratory of Marine Drugs, Ministry of Education of China, School of Medicine and Pharmacy, Ocean University of China, Qingdao 266003, China; Marine Biomedical Research Institute of Qingdao, Qingdao 266071, China.
概括
我们开发了一种集成的深度学习模型,以增强药物发现的高通量查 (HTS). 这种人工智能驱动的方法显著提高了准确性和效率,降低了研发成本,加快了潜在候选药物的识别.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物技术是生物技术.
背景情况:
- 高通量查 (HTS) 加快了药物开发,但面临着高成本和时间强度等挑战.
- 现有的方法需要大量的资源和手工劳动,限制了效率.
- 需要新的方法来优化药物发现管道.
研究的目的:
- 为增强HTS开发一个综合深度学习模型.
- 为了确定化合物特征和基于 luciferase 的 HTS 值之间的模式.
- 为了加快对各种疾病的候选药物的发现.
主要方法:
- 利用了来自18840种化合物的100,000个HTS值,通过五种光酶测定 (STAT&NFκB,PPAR,P53,WNT,HIF).
- 开发了一个集成的深度学习模型,将化合物结构/分子特征与HTS结果相关联.
- 对被击中化合物进行AI预测,随后进行体外和体内实验验证.
主要成果:
- 与单个子模型相比,集成的人工智能模型实现了优越的分类性能.
- 与传统HTS相比,选精度和效率提高了7.08至32.04倍.
- 已确定具有抗炎,抗瘤和抗代谢综合征活性的候选药物 (抑制剂/激活剂),包括抑制炎症因素的T4230.
结论:
- 集成的人工智能驱动的HTS模型显著降低了研发成本,加速了药物开发.
- 这条由人工智能驱动的管道为人工智能加速的特定信号通路-luciferase HTS.提供了有价值的参考.
- 开发的模型展示了人工智能的潜力,可以彻底改变药物发现效率.
