論文の概要: A Ligand-and-structure Dual-driven Deep Learning Method for the
Discovery of Highly Potent GnRH1R Antagonist to treat Uterine Diseases
- arxiv url: http://arxiv.org/abs/2207.11547v1
- Date: Sat, 23 Jul 2022 16:04:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:47:10.360960
- Title: A Ligand-and-structure Dual-driven Deep Learning Method for the
Discovery of Highly Potent GnRH1R Antagonist to treat Uterine Diseases
- Title(参考訳): 子宮疾患に対する高能率gnrh1rアンタゴニストの発見のためのリガンド・構造二重駆動深層学習法
- Authors: Song Li, Song Ke, Chenxing Yang, Jun Chen, Yi Xiong, Lirong Zheng, Hao
Liu, and Liang Hong
- Abstract要約: ゴナドトロピン放出ホルモン受容体(GnRH1R)は、子宮疾患の治療において有望な治療標的である。
このギャップを埋めるため,我々は,GnRH1Rを標的とした新しい経口活性小分子薬の発見を容易にするための,ディープラーニングベースのフレームワークの開発を目指している。
- 参考スコア(独自算出の注目度): 12.616493352225909
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gonadotrophin-releasing hormone receptor (GnRH1R) is a promising therapeutic
target for the treatment of uterine diseases. To date, several GnRH1R
antagonists are available in clinical investigation without satisfying multiple
property constraints. To fill this gap, we aim to develop a deep learning-based
framework to facilitate the effective and efficient discovery of a new orally
active small-molecule drug targeting GnRH1R with desirable properties. In the
present work, a ligand-and-structure combined model, namely LS-MolGen, was
firstly proposed for molecular generation by fully utilizing the information on
the known active compounds and the structure of the target protein, which was
demonstrated by its superior performance than ligand- or structure-based
methods separately. Then, a in silico screening including activity prediction,
ADMET evaluation, molecular docking and FEP calculation was conducted, where
~30,000 generated novel molecules were narrowed down to 8 for experimental
synthesis and validation. In vitro and in vivo experiments showed that three of
them exhibited potent inhibition activities (compound 5 IC50 = 0.856 nM,
compound 6 IC50 = 0.901 nM, compound 7 IC50 = 2.54 nM) against GnRH1R, and
compound 5 performed well in fundamental PK properties, such as half-life, oral
bioavailability, and PPB, etc. We believed that the proposed
ligand-and-structure combined molecular generative model and the whole
computer-aided workflow can potentially be extended to similar tasks for de
novo drug design or lead optimization.
- Abstract(参考訳): ゴナドトロピン放出ホルモン受容体(GnRH1R)は、子宮疾患の治療において有望な治療標的である。
現在、いくつかのGnRH1Rアンタゴニストは、複数の特性制約を満たすことなく臨床研究で利用できる。
このギャップを埋めるため,GnRH1Rを目的とする新規の経口活性小分子薬の効率的かつ効率的な発見を容易にするための,ディープラーニングベースのフレームワークの開発を目指している。
本研究では,リガンド・構造結合モデルであるls-molgen(ls-molgen)をまず分子生成に導入し,既知の活性化合物の情報と標的タンパク質の構造を十分に活用し,リガンド法や構造ベース法よりも優れた性能を実証した。
次に,活性予測,admet評価,分子ドッキングおよびfep計算を含むin silicoスクリーニングを行い,実験合成と検証のために約30,000個の新規分子を8に絞り込んだ。
In vitroおよびin vivo実験では、3つの化合物が強力な阻害活性(化合物5 IC50 = 0.856 nM, 化合物6 IC50 = 0.901 nM, 化合物7 IC50 = 2.54 nM)をGnRH1Rに対して示し、化合物5が半減期、経口生利用性、PBなどのPK特性において良好に作用した。
提案した配位子と構造を結合した分子生成モデルとコンピュータ支援ワークフロー全体を、デノボドラッグ設計やリード最適化の類似タスクに拡張できると考えた。
関連論文リスト
- DrugGen: Advancing Drug Discovery with Large Language Models and Reinforcement Learning Feedback [0.0]
DrugGen は DrugGPT 構造に基づく拡張モデルである。
承認された薬物と標的の相互作用を微調整し、近似ポリシー最適化に最適化されている。
高品質の小さな分子を生産することで、薬学研究と薬物発見を進めるための高性能な媒体を提供する。
論文 参考訳(メタデータ) (2024-11-20T01:21:07Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳(メタデータ) (2024-05-23T13:22:17Z) - CardioGenAI: A Machine Learning-Based Framework for Re-Engineering Drugs for Reduced hERG Liability [0.0]
CardioGenAIは、HERG活性を減少させるために、開発用および市販用両方の薬物を再設計するための機械学習ベースのフレームワークである。
FDAが承認した抗精神病薬であるピモジドに完全な枠組みを適用し,100種類の精製候補を作成した。
本手法は,hERG関連の安全性上の懸念から停止した医薬品開発プログラムを救済する手段として,hERGの障害を示す化合物に効果的に適用できると考えられる。
論文 参考訳(メタデータ) (2024-03-12T13:12:24Z) - Developing novel ligands with enhanced binding affinity for the
sphingosine 1-phosphate receptor 1 using machine learning [0.0]
多発性硬化症 (Multiple sclerosis, MS) は、米国の約100万人に影響を及ぼす神経疾患である。
S1PR1のリガンドであるSiponimodは、2019年にFDAによってMS治療のために承認されたが、より良い治療法の必要性が示されている。
この研究は、機械学習が薬物発見プロセスを加速し、タンパク質と薬物の相互作用に関する新たな洞察を明らかにすることを実証している。
論文 参考訳(メタデータ) (2023-07-29T17:58:47Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model [4.815696666006742]
構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。
本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。
概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
論文 参考訳(メタデータ) (2022-08-14T10:41:52Z) - Accelerating Inhibitor Discovery for Multiple SARS-CoV-2 Targets with a
Single, Sequence-Guided Deep Generative Framework [47.14853881703749]
我々は、新規な薬物様阻害剤分子の発見に向けた、単一の深層生成機構の広範な有用性を実証する。
このフレームワークは、ターゲット認識設計を行うために、生成モデルから新規分子をターゲットシーケンス条件でサンプリングする。
最も強力なスパイクRBD阻害剤は、SARS-CoV-2変異株に対して幅広いスペクトル活性を有する稀な非共有結合型抗ウイルス剤として出現した。
論文 参考訳(メタデータ) (2022-04-19T17:59:46Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳(メタデータ) (2020-05-22T15:57:58Z) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳(メタデータ) (2020-04-02T18:17:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。