使用生成性深度神经网络和化学信息学设计针对SARS-CoV-2的新型化合物候选物

科学领域:

• 计算化学和药物发现
• 医学中的人工智能
• 病毒学和传染病学.

背景情况:

• 由于COVID-19的流行,迫切需要开发有效的抗病毒疗法.
• 针对SARS-CoV-2的现有治疗方法存在局限性,这推动了对新药候选者的搜索.
• 针对病毒复制的小分子抑制剂对于疫情控制至关重要.

研究的目的:

• 使用深度生成模型和化学信息学设计和选具有潜在抗SARS-CoV-2活性的新型小分子化合物.
• 与现有治疗方法相比,确定一种新的候选药物,其疗效和安全性较好.
• 探索人工智能在加速新兴传染病药物发现方面的潜力.

主要方法:

• 利用深度生成模型和强化学习来生成新的分子结构.
• 使用基于Molnupiravir的BIOVIA可用化学品目录 (BIOVIA ACD) 的相似性搜索.
• 应用化学信息技术,包括ADMET分析,以评估产生的化合物的药物相似性和潜在疗效.

主要成果:

• 使用在Molnupiravir类化合物上训练的深度生成模型生成了6000个小分子结构.
• 对38种化合物进行了潜在的抗SARS-CoV-2活性选,其中一种化合物Molecule_36通过了ADMET分析.
• 与Molnupiravir相比,Molecule_36显示了与SARS-CoV-2RNA依赖RNA聚合酶 (RdRp) 的更高亲和力以及有利的ADMET特性.

结论:

• 生成性深度神经网络和化学信息学的结合对于发现新型抗SARS-CoV-2化合物是有效的.
• Molecule_36代表了一个有前途的,未获得专利的药物候选人,用于进一步开发针对COVID-19.
• 需要进一步的实验验证,以确认 Molecule_36.3 的稳定性,作用机制和抗病毒疗效.