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/2305.18088v5
- Date: Sun, 23 Jul 2023 23:53:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 21:06:46.850003
- 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)のパンデミックは世界的な健康危機を招き、緊急治療を必要としている。
医薬品のリサイクルは、時間、コスト、労力を節約できる、有望な解決策として浮上している。
本研究の目的は,薬物再資源化による新型コロナウイルス治療の潜在的治療候補の同定である。
- 参考スコア(独自算出の注目度): 0.4297070083645048
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The COVID-19 pandemic has created a global health crisis, with an urgent need
for effective treatments. Drug repurposing has emerged as a promising solution,
as it can save time, cost, and labor. However, the number of identified
repurposed drugs for COVID-19 treatment remains limited, and there is a need
for more efficient and comprehensive drug repurposing approaches. In this
study, we aimed to identify potential therapeutic candidates for COVID-19
treatment through drug repurposing using a combination of molecular docking and
machine learning regression approaches. We utilized the Zinc database to screen
5903 World-approved drugs for their potential to target the main protease 3CL
of SARS-CoV-2, which is a key enzyme in the replication of the virus. We
performed molecular docking to evaluate the binding affinity of the drugs to
the main protease 3CL, and used several machine learning regression approaches
for QSAR modeling to identify drugs with high binding affinity. Our results
showed that the Decision Tree Regression (DTR) model had the best statistical
measures of R2 and RMSE, and we shortlisted six promising drugs within the
range of -15 kcal/mol to -13 kcal/mol. These drugs have novel repurposing
potential, except for one antiviral ZINC203757351 compound that has already
been identified in other studies. We further analyzed the physiochemical and
pharmacokinetic properties of these top-ranked selected drugs and their best
binding interaction for specific target protease 3CLpro. Our study provides an
efficient framework for drug repurposing against COVID-19, and demonstrates the
potential of combining molecular docking with machine learning regression
approaches to accelerate the identification of potential therapeutic
candidates. Our findings contribute to the larger goal of finding effective
treatments for COVID-19, which is a critical global health challenge.
- Abstract(参考訳): 新型コロナウイルス(COVID-19)のパンデミックは世界的な健康危機を招き、緊急治療を必要としている。
薬物の再利用は、時間、コスト、労働を節約できるので、有望な解決策として現れてきた。
しかし、新型コロナウイルス治療のために特定された再使用薬物の数はまだ限られており、より効率的で包括的な薬物再利用アプローチが必要である。
本研究では,分子ドッキング法と機械学習回帰法を組み合わせた薬物再導入法を用いて,covid-19治療の候補候補を同定することを目的とした。
ウイルスの複製における重要な酵素であるSARS-CoV-2の主プロテアーゼ3CLを標的とした5903の薬剤のスクリーニングに,Zincデータベースを利用した。
薬物の主プロテアーゼ3CLへの結合親和性を評価するために分子ドッキングを行い、QSARモデリングに機械学習回帰アプローチを用いて高い結合親和性を持つ薬物を同定した。
以上の結果から,決定木回帰モデル (dtr) は r2 と rmse の最も優れた統計指標であり,15 kcal/mol から -13 kcal/mol の範囲で 6 種類の有望薬を短縮した。
これらの薬剤は、他の研究で既に同定されている1つの抗ウイルス性ZINC203757351化合物を除いて、新規な再精製能を有する。
我々はさらに、これらのトップランク選択薬の理化学的および薬物動態的性質と、特定の標的プロテアーゼ3clproに対する最適な結合相互作用を解析した。
本研究は、covid-19に対する薬物再導入のための効率的な枠組みを提供し、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によって、潜在的な治療候補の同定を加速する可能性を実証する。
この結果は、世界的な健康上の重要な課題である新型コロナウイルスの効果的な治療法を見つけるという大きな目標に寄与する。
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。