机构名称：
¥ 1.0
大量的药物研发工作集中于调节与癌症相关的分子通路，特别是涉及功能或表达改变的蛋白质的通路，这也为个性化医疗奠定了基础。在这种情况下，计算方法极大地支持了药物发现过程（ Rosales-Hernandez 等人，2012 年；Lavecchia 和 Di Giovanni，2013 年；Cerchia 和 Lavecchia，2023 年；Romanelli 等人，2024 年），在某些情况下代表了发现新型小分子疗法背后的驱动力。本研究主题收集了宝贵的贡献，展示了抗癌药物发现领域的成功案例，并强调了与变革性计算机模拟方法的协同作用。Marção 等人的研究文章报道了使用一类逻辑回归机器学习算法（OCLR）来估计人类癌细胞的干性，还提供了各种犬和乳腺癌细胞的干性指数。干细胞特性与癌症的发生和发展以及恶性肿瘤和治疗耐药性有关。随后，作者研究了小分子 (+)-JQ1 对溴结构域和末端外 (BET) 蛋白家族抑制的影响，以及随之而来的犬癌细胞干细胞特性抑制。通过分析公开数据，他们注意到人类三阴性乳腺癌细胞系 MDA-MB- 231 中也有类似的结果，从而指出通过 BET 抑制进行表观遗传调控是解决干细胞特性的一个有趣策略。这项研究为机器学习在理解化合物对癌症干细胞特性的影响方面的潜力提供了宝贵的见解，这对于开发靶向疗法至关重要。在 Menendez-Gonzalez 等人的文章中，作者描述了通过基于配体的虚拟筛选发现一种新型 GATA2 抑制剂，为急性髓细胞白血病 (AML) 治疗提供了一个有希望的途径。该研究通过基于形状的筛选和分子对接来识别潜在的 GATA2 抑制剂，随后进行体外和体内实验来评估对 AML 细胞的抑制作用。已识别的 GATA2 抑制剂化合物 11 带有取代的哌嗪骨架，通过诱导细胞凋亡和抑制细胞增殖表现出强大的抗 AML 活性。
社论：利用计算机方法发现抗癌药物的最新趋势
主要关键词
相关文件推荐
