XiaoMi-AI文件搜索系统
World File Search SystemHTVS
加速发现高弹性分子半导体：机器学习方法
计算框架和理论建模的最新进展已显着改善了对高运动材料的搜索。高吞吐量虚拟筛选（HTVS），该过程使用理论技术分析了大型分子库，并将其范围缩小到一小部分有希望的候选者进行实验验证，现在可以评估广泛的化学库的评估。20–25这种方法提高了识别新型高动力半导体的概率，并提供了对电荷运输的基本物理学的见解。26–29此外，HTVS的一个显着副作用是生成广泛的数据库，该数据库包含这些分子的计算物理特性，这些数据库促进了机器学习（ML）技术的应用（ML）技术，以预测和优化新分子系统的正常功能。30,31作为HTVS研究的例子，Schober等。29设计了一种筛选方法，通过分析来自大分子晶体数据库的电子耦合和重组能来鉴定具有高载体迁移率的有机半导体。他们的方法发现了已知和新颖的有前途的材料。在另一项研究中，Nematiaram等。27利用瞬态定位理论32,33筛选剑桥结构数据库（CSD）34识别几种高动力材料并对影响移动性的关键参数进行排名。值得注意的是，他们强调了电荷转运两维的重要性（2D），也称为带动型，其中电荷转运主要发生在二维平面内。将ML模型与HTV集成虽然早期的研究表明各向同性带对电荷运输的潜在影响，但13,18,32,35参考。27是第一个通过对现有结构进行的大规模计算在统计上验证这一观察结果的人。尽管在HTVS方法方面取得了重大进步，但对于大量结构而言，物理属性（例如2D）的计算仍然是一项计算要求的任务。此限制在化学空间的有效探索中提出了一个主要的瓶颈，尤其是随着可用化学数据库的多样性和复杂性继续扩展。因此，迫切需要开发更多有效的算法和方法，这些算法和方法可以加速这些构成过程。
分子建模潜在治疗药物发现的关键方法
蛋白质的定义明确和特征的3D晶体结构对于探索蛋白质的拓扑和生理特征很重要。蛋白质的杰出地形有助于医学化学家根据蛋白质的药物特征设计药物。基于结构的药物发现，专门针对导致疾病风险较高的病原逻辑蛋白，利用这一事实。目前用于研究药物蛋白质相互作用的工具包括物理，色谱和电子营养方法。这些技术可以分为非光谱（平衡透析，超滤，超速离心等）或光谱（Fluo恢复光谱，NMR，X射线衍射等）方法。但是，这些方法可能是耗时且昂贵的。另一方面，在分析蛋白质 - 药物相互作用（例如对接，分子模拟和高通量虚拟筛查（HTV））的硅质方法中，核心药物发现劳动力劳动力大量未利用。这些方法具有质量筛查潜在的小药物分子的巨大潜力。研究蛋白质 - 药物相互作用对于理解蛋白质元件的结构构象如何影响整体配体结合亲和力至关重要。通过采用生物信息学方法来分析药物蛋白质相互作用，我们可以大大提高我们确定遗传靶标的潜在药物的速度。
利用分子对接和分子动力学研究重新利用已获批准的药物来靶向 CDK4/6 和芳香酶蛋白
乳腺癌是全球癌症发病率和死亡率的主要原因，在女性中发病率最高。在乳腺癌的各种亚型中，雌激素受体阳性（ER+）是最常见的。雌激素上调细胞周期蛋白D1，进而促进CDK4/6的活性并促进细胞周期进程。为了解决这个问题，ER+乳腺癌的一线治疗重点是通过靶向芳香化酶来抑制雌激素的产生，芳香化酶是负责雌激素合成限速步骤的酶。因此，将CDK4/6抑制剂与芳香化酶抑制剂结合起来已经成为这种类型乳腺癌的重要治疗策略。这种方法可以有效地抑制雌激素的生物合成并控制不受控制的细胞增殖，显著提高总体生存率并延缓疾病进展。本研究旨在利用基于结构的药物设计策略来识别可能同时抑制CDK4/6和芳香化酶的化合物。制备了12,432种已批准和在研药物，并使用Glide的HTVS和XP对接模式将其对接至CDK6的活性位点，得到277种对接得分为-7 kcal/mol的化合物。使用XP模式将这些化合物对接至芳香化酶，得到七种对接得分为-6.001 kcal/mol的药物。此外，将入围药物与CDK4对接，对接得分范围从-3.254至-8.254 kcal/mol。此外，计算了前七种药物的MM-GBSA。鞣花酸、卡拉洛尔、丹多龙和阿扑吗啡四种药物对这三种蛋白质靶标CDK4/6和芳香化酶均表现出良好的结合亲和力。具体而言，它们与CDK6表现出有利的结合自由能，分别为-51.92、-53.90、-50.22和-60.97 kcal/mol。在这些药物中，阿扑吗啡与所有三个蛋白质靶标表现出最有利的结合自由能。为了进一步评估相互作用的稳定性，对阿扑吗啡与 CDK6 进行了 100 ns 分子动力学模拟。结果表明形成了稳定的配体-蛋白质复合物。而从 MM-GBSA 计算阿扑吗啡的 MD 构象的结合自由能的结果显示，与