前列腺瘤学:基于机器学习的TPSA预测和ASPM抑制剂的分子建模用于前列腺癌治疗

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 前列腺癌表现出显著的转录异质性,有助于疾病进展和治疗耐药性.
• 识别新的生物标志物和治疗点对于推进精确瘤学的发展至关重要.

研究的目的:

• 开发一个整合的OMICs-to-therapy管道,用于识别可操作的生物标志物和查前列腺癌中候选药物.
• 为药物发现利用单细胞转录学,化学信息学和机器学习.

主要方法:

• 单细胞RNA测序 (scRNA-seq) 用于详细分析前列腺癌组织.
• 开发了一种机器学习工具Prosta-Omics,用于预测药物特性和选化合物.
• 使用了包括分子对接,分子动力学 (MD) 模拟和ADMET分析在内的计算方法.

主要成果:

• 异常的螺旋微管组合 (ASPM) 被确定为与增殖前列腺癌表型相关的重要生物标志物.
• 普罗斯塔-奥米克斯成功地预测了具有与ASPM高结合亲和力的候选药物.
• 几种候选药物显示出有前途的相互作用动机,并通过MD模拟和ADMET分析进一步验证.

结论:

• ASPM是前列腺癌的可行的治疗点.
• Prost-Omics 平台有效地将单细胞数据与人工智能集成,用于药物发现,为精确的瘤治疗铺平了道路.