在癌症中使用机器学习,分子对接和动态模拟来计算识别潜在的MMP-2抑制剂
Sohail Akhtar1, Ahmed Ibrahim2, Ahmed M A Abdalla3
1Health Information Management and Technology Department, College of Applied Medical Sciences, King Faisal University, Al-Ahsa, Saudi Arabia.
机器学习有效地确定了矩阵金属蛋白酶-2 (MMP-2) 的新型选择性抑制剂,这是癌症转移的关键目标. 化合物GK03418显示出有前途的结合稳定性和抗癌药物开发潜力.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 矩阵金属蛋白酶-2 (MMP-2) 对于细胞外矩阵重塑和癌症转移至关重要.
- 开发选择性,低毒性MMP-2抑制剂是具有挑战性的,因为选择性差和非目标效应.
研究的目的:
- 采用机器学习驱动的虚拟选管道来发现具有增强选择性和结合稳定的新型MMP-2抑制剂.
- 确定未来抗癌应用的有前途的候选药物.
主要方法:
- 使用分子指纹进行训练的分类模型;随机森林和RBF-SVM显示出高预测准确度 (AUC > 0.97).
- 过了梅布里奇化合物库,并对顶级候选人进行了分子对接和ADMET分析.
- 进行了100ns分子动力学模拟,自由能量景观映射,PCA,MM/PBSA和MM/GBSA计算.
主要成果:
- 机器学习模型实现了高性能 (AUC> 0.97,MCC> 0.86).
- GK03418和RH00707表现出与参考抑制剂相当的稳定结合构造.
- GK03418表现出热力学稳定性和有利的结合能量,确定它是最有前途的候选人.
结论:
- 一个集成的机器学习管道成功识别了选择性的MMP-2抑制剂.
- GK03418是一种有前途的化合物,用于开发针对MMP-2的新型抗癌疗法.
- 这种计算方法为发现选择性酶抑制剂提供了一个可扩展的策略.
更多相关视频
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
06:03Use of Viral Entry Assays and Molecular Docking Analysis for the Identification of Antiviral Candidates against Coxsackievirus A16
Published on: July 15, 2019
相关概念视频
Molecular Models
Eukaryotic Transcription Inhibitors
Eukaryotic transcription inhibitors usually contain two distinct domains, a...
Machines
A free-body diagram of the...
Dynamic Equilibrium
Molecular Orbital Theory II
Machines: Problem Solving II
