論文の概要: Drug Repurposing Targeting COVID-19 3CL Protease using Molecular Docking
and Machine Learning Regression Approach
- arxiv url: http://arxiv.org/abs/2305.18088v3
- Date: Sat, 24 Jun 2023 11:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 22:32:23.044471
- Title: Drug Repurposing Targeting COVID-19 3CL Protease using Molecular Docking
and Machine Learning Regression Approach
- Title(参考訳): 分子ドッキングと機械学習回帰法を用いたCOVID-19 3CLプロテアーゼを標的とした薬物精製
- Authors: Imra Aqeel, and Abdul Majid
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックが世界的な健康危機を引き起こし、治療薬の早期発見の必要性が高まっている。
この課題に対処するためには、コストと時間を節約できる唯一のソリューションはドラッグの買い戻しだ。
本研究では,SARS-CoV-2の主要プロテアーゼ3CLを標的とした新型コロナウイルス治療の可能性として,FDAが承認した5903薬を含む世界承認薬をスクリーニングするために,Zincデータベースを使用した。
- 参考スコア(独自算出の注目度): 0.4297070083645048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The COVID-19 pandemic has created a global health crisis, driving the need
for the rapid identification of potential therapeutics. To meet this challenge,
drug repurposing is the only solution with saving cost and time. In this study,
we used the Zinc database to screen the world-approved including FDA-approved
5903 drugs for repurposing as potential COVID-19 treatments targeting the main
protease 3CL of SARS-CoV-2. We performed molecular docking using Autodock-Vina
to check the efficacy of drug molecules. To enhance the efficiency of drug
repurposing approach, we modeled the binding affinities using several machine
learning regression approaches for QSAR modeling such as decision tree, extra
trees, MLP, KNN, XGBoost, and gradient boosting. The computational results
demonstrated that Decision Tree Regression (DTR) model has improved statistical
measures of R2 and RMSE. These simulated results helped to identify drugs with
high binding affinity and favorable binding energies. From the statistical
analysis, we shortlisted six promising drugs with their respective Zinc IDs
(ZINC000003873365, ZINC000085432544, ZINC000203757351, ZINC000085536956,
ZINC000008214470 and ZINC000261494640) within the range of -15.1 kcal/mol to
-13.6 kcal/mol. All are novel compounds except ZINC000203757351 antiviral
compound that was already identified against COVID-19 in other studies.
Further, we analyzed the physiochemical and pharmacokinetic properties of these
selected drugs with respect to their best binding interaction to specific
target protease 3CLpro. Our study has provided an efficient framework for drug
repurposing against COVID-19. This highlights the potential of combining
molecular docking with machine learning regression approaches to accelerate the
identification of potential therapeutic candidates.
- Abstract(参考訳): 新型コロナウイルス(COVID-19)のパンデミックが世界的な健康危機を引き起こし、治療薬の早期発見の必要性が高まっている。
この課題を満たすために、医薬品の再利用はコストと時間を節約する唯一の解決策である。
本研究では,SARS-CoV-2の主要プロテアーゼ3CLを標的とした新型コロナウイルス治療の可能性として,FDAが承認した5903薬を含む世界承認薬をスクリーニングするために,Zincデータベースを使用した。
薬物分子の有効性を確認するため,autodock-vinaを用いた分子ドッキングを行った。
薬物再資源化手法の効率を高めるために, 決定木, 余剰木, MLP, KNN, XGBoost, 勾配ブースティングなどのQSARモデリングのための機械学習回帰手法を用いて, 結合親和性をモデル化した。
その結果,決定木回帰(DTR)モデルにより,R2およびRMSEの統計的測定精度が向上した。
これらのシミュレーション結果は高い結合親和性と良好な結合エネルギーを有する薬物の同定に寄与した。
統計分析の結果,ZINC000003873365,ZINC000085432544,ZINC000203757351,ZINC000085536956,ZINC0008214470,ZINC000261494640 ) をそれぞれ-15.1 kcal/molから-13.6 kcal/molの範囲で選択した。
いずれも、既にcovid-19に対して同定された亜鉛203757351以外の新規化合物である。
さらに, これらの薬剤の生理化学的および薬物動態特性を, 特異的なプロテアーゼ3CLproとの結合性について解析した。
我々の研究は、COVID-19に対する薬物再精製の効果的な枠組みを提供してきた。
これは、分子ドッキングと機械学習回帰アプローチを組み合わせることで、潜在的な治療候補の同定を加速する可能性を強調している。
関連論文リスト
- A clustering and graph deep learning-based framework for COVID-19 drug
repurposing [0.3359875577705538]
本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。
データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。
当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
論文 参考訳(メタデータ) (2023-06-24T15:00:47Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Hybrid Approach to Identify Druglikeness Leading Compounds against
COVID-19 3CL Protease [0.5076419064097732]
SARS-COV-2は正の単鎖RNAベースのマクロ分子であり、2022年6月以来630万人以上の死者を出した。
このウイルスとその様々な変異体の設計と開発は不可欠である。
そこで本研究では,Covid-19を治療する薬物様生物活性分子の発見に既存の治療薬を再利用する,シリカ内研究ベースのハイブリッドフレームワークを開発した。
論文 参考訳(メタデータ) (2022-08-03T22:17:22Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - 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) - Heterogeneous network-based drug repurposing for COVID-19 [7.097880564431694]
コロナウイルス病2019(Corona Virus Disease 2019、COVID-19)は、世界中で急速に広がるヒトのウイルス(HCoV)である。
新しい薬物開発と比較すると、薬物再服用は新型コロナウイルスの治療に最適なショートカットかもしれない。
我々は、HCoVs関連標的タンパク質をベースとした包括的ヘテロジニアスネットワークを構築し、これまで提案されていたディープDTnetを用いて、新型コロナウイルスの薬物候補を発見する。
論文 参考訳(メタデータ) (2021-07-20T01:24:40Z) - Drug repurposing for COVID-19 using graph neural network and harmonizing
multiple evidence [9.472330151855111]
ウイルスベイト,宿主遺伝子,経路,薬物,表現型間の相互作用に基づくSARS-CoV-2知識グラフを構築した。
臨床治験履歴を用いて候補薬剤を優先し,遺伝子プロファイル,in vitro実験の有効性,電子健康記録で検証した。
論文 参考訳(メタデータ) (2020-09-23T04:47:59Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳(メタデータ) (2020-06-25T08:46:37Z) - Repurpose Open Data to Discover Therapeutics for COVID-19 using Deep
Learning [22.01390057543923]
新型コロナウイルスの感染拡大を受け、感染者は85万人以上、死者は4万8000人を超えた。
現在、新型コロナウイルスに対する有効な薬は存在していない。
本研究は、新型コロナウイルスの治療薬を同定する統合的ネットワークベースのディープラーニング手法を報告した。
論文 参考訳(メタデータ) (2020-05-21T16:02:29Z)
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。