最近,我们和其他组表明,电压门控离子通道KV10.1通道的异常表达有助于多种肿瘤发生过程。有效的KV10.1选择性抑制剂,既是研究这种神秘通道的生理功能的药理工具,又是抗肿瘤药物开发的潜在潜在客户。在这项研究中,从葡萄种子中提取的天然化合物procyanidin b1被鉴定为一种有效的,特定的抑制剂,可以抑制以浓度依赖的方式抑制KV10.1通道(IC 50 = 10.38±0.87μm),但可以忽略其他含量,但可以忽略其他含量。 KCNQ1。证明procyanidin B1直接与KV10.1通道结合并抑制其电流,而不会增加细胞内Ca 2+。此外,发现KV10.1的C-Linker域中的三个氨基酸,I550,T552和Q557对于形成具有KV10.1通道的Procyanidin B1的结合袋至关重要。此外,procyanidin b1通过抑制KV10.1抑制肝癌细胞(HU-7细胞,HEPG2细胞)的迁移和增殖,但在KV10.1中不抑制kv10.1在kv10.1中持续表达的细胞系。接下来,我们测定了procyanidin B1对细胞系衍生异种移植小鼠模型的肿瘤抑制作用。我们的数据表明,15 mg/kg procyanidin B1可以显着抑制肿瘤的生长(HEPG2),抑制率约为60.25%。与顺铂相比,procyanidin b1对小鼠的正常代谢没有影响。目前的工作表明procyanidin b1是一种有效的肝癌抗肿瘤药物,并且还证实了KV10.1可以作为潜在的特异性药物靶标。
ADA 抗药物抗体 ADME 吸收、分布、代谢、消除 AE 不良事件 ALT 丙氨酸氨基转移酶 API 活性药物成分 AST 天冬氨酸氨基转移酶 ATC 解剖治疗 化学分类系统 AUC 血浆浓度-时间曲线下面积 AUC 0-24h 24 小时给药间隔内血浆浓度-时间曲线下面积 BLQ 低于定量限 BW 体重 CI 置信区间 CL 清除率 CM 造影剂 C max 观察到的药物血浆/血清最高浓度 CNR 对比噪声比 CNS 中枢神经系统 CT 计算机断层扫描 CYP 细胞色素 P450 DDI 药物相互作用 DOTA Tetraxetan(十二烷四乙酸) ECG 心电图 eGFR 估计肾小球滤过率 EMA 欧洲药品管理局 ERA 环境风险评估 FAS 完整分析集 FDA 美国食品药品管理局 GBCAs 钆基造影剂Gd 钆 GI 胃肠道 GLP 良好实验室规范 hERG 人类 ether-a-go-go 相关基因 HPLC 高效液相色谱法 IA 动脉内 IC/EC 50 半数最大抑制/有效浓度 ICH 国际协调委员会 Ig 免疫球蛋白 IMP 研究药物 INN 国际非专有名称 ITT 意向治疗 IV 静脉 LoQ 问题清单 MAH 营销授权持有人 Max 最大值 MDRD 肾脏疾病的饮食调整 Min 最小值 MRHD 最大推荐人体剂量 MRI 磁共振成像 N/A 不适用 NO(A)EL 未观察到(不良)影响水平 NSF 肾源性系统性纤维化 NYHA 纽约心脏协会
我是耶鲁大学化学系的博士生,也是美国国家科学基金会的研究员。我的研究涉及机器学习方法在药物发现中的开发和应用。我创建了 HAC-Net,这是目前最先进的预测蛋白质-配体结合亲和力的机器学习模型。我开源了所有代码,创建了一个 Python 包和笔记本以及相应的演示视频,并发表了一篇论文,以便更广泛的科学界可以轻松使用此工具。尽管该模型是最近才开发的,但据报道,它有助于识别一种用于治疗耐药性葡萄球菌感染的潜在抗毒力药物。不久之后,我创建了 ChemSpaceAL,这是第一种针对特定蛋白质靶标微调分子生成模型的主动学习方法,特别适用于创建蛋白质靶标特异性分子库以用于药物发现中的虚拟筛选。最近,我创建了 CardioGenAI,这是一个基于机器学习的框架,用于重新设计开发中和上市的药物,以降低心脏毒性,同时保留其药理活性。该框架结合了新颖的最先进的判别模型,用于预测 hERG、Na V 1.5 和 Ca V 1.2 通道活性,这些模型也可以独立作为早期虚拟筛选流程的有效组成部分。此外,我还开发了一种描述蛋白质内信息传递的方法,即静电耦合在基于二级结构元素的网络中传播,这种方法为了解 CRISPR-Cas9、咪唑甘油磷酸合酶和 D-多巴色素互变异构酶等多种重要生物系统的变构机制提供了宝贵的见解。此外,我还为基于量子计算的小分子研究方法的开发做出了贡献,并在一家世界知名的科学软件公司开发了用于 PROTAC 筛选的软件。我在顶级学术期刊上发表了多篇论文,在多个会议上展示了我的工作,创建了多个 Python 包,与世界各地的实验室建立了各种合作关系,并在耶鲁大学成立了生物物理学会分会。出于这些原因,我获得了多个极负盛名的奖项,并多次出现在耶鲁新闻中。教育
药物引起的心脏毒性 (DICT) 是导致药物在临床试验中流失或退出市场的主要原因之一。已经进行了许多研究来在药物开发和临床诊断的早期阶段检测 DICT,但成功率有限,这从 DICT 导致的所有临床阶段的高流失率可以看出。这些努力中的大多数(如果不是全部)都集中在与 DICT 相关的特定不良事件和/或机制上,例如 QT 延长和 hERG 相关心脏毒性。然而,鉴于心脏毒性的范围很广,有必要制定一份参考药物清单,系统地注释大量药物和药物类别的 DICT 潜力。这样的清单对于使用新方法 (NAM)(包括人工智能 (AI))开发有效的 DICT 诊断生物标记物和早期预测策略至关重要。通过利用 FDA(美国食品和药物管理局)批准药物的标签文件,我们制定了一种药物分类方案,根据药物的 DICT 潜力对其进行优先排序。这产生了 DICTrank,它是注释了人类 DICT 风险等级的药物最大的数据集。DICTrank 通过整合 DICT 严重程度和标签内容将药物分为四类 DICT 关注类别。该数据集包含 1318 种药物,分类如下:最关注 DICT(341 种)、不太关注 DICT(528 种)、无关注 DICT(343 种)和不明确的 DICT 关注(106 种;标签文件中缺乏足够的信息来确定心脏毒性潜力)。DICTrank 涵盖了广泛的药物治疗类别。利用这个广泛的 DICT 数据集,我们发现几种治疗类别显著富含最关注 DICT 的药物以及每日剂量与药物类别的关联。这些类别包括抗肿瘤药物、性激素和生殖系统调节剂、抗炎和抗风湿产品、β 受体阻滞剂和心脏治疗。 DICTrank 代表了迄今为止最大的 DICT 药物清单,它可以为 NAM 和 AI 模型的开发做出贡献,以便在药物开发过程中及以后尽早识别 DICT 风险。