摘要:宿主免疫系统的稳态受到白细胞的调节,具有各种细胞表面受体用于细胞因子。趋化性细胞因子(趋化因子)激活其受体,以唤起稳态迁移或朝向炎症组织或病原体的炎症条件下免疫细胞的趋化性。免疫系统的失调导致疾病,例如过敏,自身免疫性疾病或癌症,需要有效,快速作用的药物,以最大程度地减少慢性炎症的长期影响。 在这里,我们进行了基于结构的虚拟筛选(SBV),并由Keras/Tensorflow神经网络(NN)辅助使用,以发现作用于三种趋化因子受体的新型化合物支架:CCR2,CCR3和一个CXC受体CXCR3。 keras/tensorflow nn在此使用不作为典型使用的二进制分类器,而是作为有效的多级分类器,不仅可以丢弃非活性化合物,还可以丢弃低或中等活性化合物。 在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物,以确认其结合效率。 为了改善化合物的基本结合功能,提出了新的化学修饰。 将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。 已知的CXCR3化合物是最受预测的化合物之一。因此,除了基于结构的方法外,还显示了在药物发现中使用KERAS/Tensorflow的好处。 此外,我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性,SBV通常会失败。导致疾病,例如过敏,自身免疫性疾病或癌症,需要有效,快速作用的药物,以最大程度地减少慢性炎症的长期影响。在这里,我们进行了基于结构的虚拟筛选(SBV),并由Keras/Tensorflow神经网络(NN)辅助使用,以发现作用于三种趋化因子受体的新型化合物支架:CCR2,CCR3和一个CXC受体CXCR3。keras/tensorflow nn在此使用不作为典型使用的二进制分类器,而是作为有效的多级分类器,不仅可以丢弃非活性化合物,还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物,以确认其结合效率。为了改善化合物的基本结合功能,提出了新的化学修饰。将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。已知的CXCR3化合物是最受预测的化合物之一。因此,除了基于结构的方法外,还显示了在药物发现中使用KERAS/Tensorflow的好处。此外,我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性,SBV通常会失败。我们从Chembl和策划数据集检索到大麻素受体的跨测试趋化因子受体数据集。在从Chembl检索的大麻素受体数据集上训练的NN模型是受体亚型选择性预测中最准确的。在趋化因子受体数据集训练的NN模型中,CXCR3模型在区分给定化合物数据集的受体亚型方面表现出最高的精度。
摘要:宿主免疫系统的体内平衡受白细胞的调节,其中有8种细胞表面受体用于细胞因子。趋化性细胞因子(趋化因子)激活其受体9,以唤起稳态迁移或炎症条件下的免疫细胞的趋化性,即炎症组织或病原体。免疫系统的失调导致11种疾病,例如过敏,自身免疫性疾病或癌症,需要有效,快速作用的药物,以最大程度地减少慢性炎症的12种长期影响。在这里,我们进行了基于结构的虚拟筛选13(SBV),由KERAS/Tensorflow神经网络(NN)辅助,以查找在三个趋化因子受体上作用的新型化合物支架14:CCR2,CCR3和一个CXC受体CXCR3。keras/tensorflow 15 nn在这里不是用作典型使用的二进制分类器,而是作为有效的多级分类器16,不仅可以丢弃非活性化合物,而且还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物,以确认其结合亲和力。为改善化合物的基本结合亲和力,提出了新的19种化学修饰。将修饰的化合物与这三个趋化因子受体的已知20个雄鹿主义者进行了比较。已知的CXCR3是预测的21磅,因此在基于结构的方法中显示了在药物发现中使用Keras/Tensorflow的好处。此外,我们表明KERAS/Tensorflow NN可以预测化合物的受体亚型选择性,SBV通常会失败。我们跨越了24个测试的趋化因子受体数据集,这些数据集从Chembl和策划的大麻素25受体中策划的数据集获取,网址为:http://db-gpcr-chem.uw.edu.pl。在从Chembl检索的大麻素26受体数据集上训练的NN模型是受体亚型选择性27预测中最准确的。在趋化因子受体数据集训练的NN模型中,CXCR3模型28在区分给定化合物数据集的受体亚型方面表现出最高的精度。29