机器学习预测多个不同的α-synuclein纤维的高亲和度化学型
Xinning Li1, Ryann M Perez1, Zhude Tu2
1Department of Chemistry, School of Arts and Sciences, University of Pennsylvania, 231 South 34th Street, Philadelphia, PA 19104, USA. ejpetersson@sas.upenn.edu.
Chemical communications (Cambridge, England)
|January 13, 2026
概括
机器学习确定了用于对α-synuclein聚合物的正电子发射断层扫描 (PET) 成像的新型高亲和度配体. 这种方法有效地发现了用于神经退行性疾病诊断的有希望的化合物.
科学领域:
- 神经科学是一个神经科学.
- 药用化学 医学化学
- 计算生物学 计算生物学
背景情况:
- 阿尔法同核素聚合物是帕金森氏症等神经退行性疾病的关键生物标志物.
- 定子发射断层扫描 (PET) 成像需要特定的连接物来检测这些聚合物.
- 目前的联结体发现方法可能耗时且昂贵.
研究的目的:
- 开发一种机器学习 (ML) 模型,以有效识别新型PET成像连接体.
- 为了发现针对α-synuclein聚合物的高亲和度结合化合物.
- 为了验证ML模型在配体发现中的概括能力.
主要方法:
- 开发了一个在小数据集 (<300个绑定测量) 上训练的ML模型.
- 采用了支架引导策划,从一个大型化学图书馆 (1400万成员) 中选择多样化的潜在化合物集 (30种化合物).
- 对所选化合物进行实验验证.
主要成果:
- 确定了五种特定于α-synuclein聚合物的高亲和度结合化合物.
- 机器学习模型在预测新型绑定器方面展示了强大的概括能力.
- 脚手架引导的策划有效地将搜索空间从数百万缩小到可管理的集合.
结论:
- 机器学习与支架引导策划相结合,是发现新型PET成像连接体的强大而有效的策略.
- 鉴定到的配体显示了促进对α-synucleinopathies的诊断和监测的潜力.
- 这种方法显著加速了神经退行性疾病的药物发现管道.
