基于GRU的de novo设计和EZH2抑制剂的in-silico优先级
Na Yu1,2, Maoqi Wang1,2, Xiaodie Chen1,2
1School of Pharmacy and Bioengineering, Chongqing University of Technology, Chongqing, 400054, China.
Molecular diversity
|February 25, 2026
概括
这项研究使用深度学习来发现用于癌症治疗的新型EZH2抑制剂. 一个计算框架确定了10个有前途的候选药物,它们对EZH2.2具有强烈的结合亲和力.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 增强者同源蛋白2 (EZH2) 是一种关键的表观遗传调节剂,与各种癌症有关.
- 向EZH2是癌症药物开发中的重要策略.
- 深度学习加速了新型小分子的发现.
研究的目的:
- 开发和验证深度学习驱动的计算框架,用于识别潜在的EZH2抑制剂.
- 为了生成和选新型分子结构以检测EZH2抑制活性.
- 通过严格的虚拟选和模拟来优先考虑候选化合物.
主要方法:
- 利用来自ChEMBL29和已知的EZH2抑制剂的大数据集 (1,202,321个分子).
- 使用封闭的循环单元 (GRU) 网络和转移学习构建了一个分子生成模型.
- 采用ECFP4-SVM进行分类,其次是利宾斯基规则,ADMET预测,分子对接,分子动力学和DFT计算.
主要成果:
- 产生了5万个新的分子结构,选了37,802个有效候选人.
- 确定了10种与EZH2具有高结合亲和力的化合物 (MM-GBSA ≤ -42.3518 kcal/mol).
- 使用DFT和分子动力学模拟来表征配体-蛋白相互作用.
结论:
- 证明了深度学习框架的可行性,以加速EZH2抑制剂的发现.
- 成功识别并优先考虑潜在的EZH2抑制剂候选人进行进一步开发.
- 突出了计算方法在推进癌症治疗方面的潜力.
