机器学习法和分子对接法筛选BRD4抑制剂
Discovery of a novel BRD4 inhibitor based on machine learning and molecular docking
作者：
Author：
收稿日期： 年卷（期）页码：2020,35(04):-359-362
期刊名称：华西药学杂志
Journal Name：WEST CHINA JOURNAL OF PHARMACEUTICAL SCIENCES
关键字：BRD4抑制剂;分子指纹;机器学习;支持向量机;随机森林;多层感知器分类器;虚拟筛选;分子对接
Key words：
基金项目：
中文摘要
目的采用分子指纹和分子对接法筛选BRD4抑制剂。方法采用1181个IC50值跨度从0.7～8.354×106nmol·L-1的BRD4抑制剂小分子作为训练集和测试集构建机器学习法的二元分类模型,利用ROC曲线,Sensitivity、Specificity和Accuracy值对二元分类模型进行评估;然后联合分子对接法筛选天然化合物库。结果用机器学习法构建的二元分类模型都较好适用于进一步筛选化合物库,文中运用支持向量SVM筛选天然产物化合物库,根据机器学习法得到的化合物在分子对接中与蛋白具有相似的相互作用模式。结论机器学习法所构建的二元分类模型可行度较高、预测能力较强,为寻找新型小分子BRD4抑制剂奠定了基础。
参考文献
[1]Bandukwala HS,Gagnon J,Togher S,et al.Selective inhibition of CD4+T-cell cytokine production and autoimmunity by BET protein and c-Myc inhibitors[J].Proc Natl Acad Sci USA,2012,109(36):14532-14537．
[2]Hewings DS,Rooney TPC,Jennings LE,et al.Progress in the development and application of small molecule inhibitors of bromodomain-acetyl-lysine interactions[J].J Med Chem,2012,55(22):9393-9413．
[3]Khochbin S.When are the BET factors the most sensitive to bromodomain inhibitors[J].Transcription,201,4 (2):54-57．
[4]朱华野，朴惠顺．倍半萜内酯类化合物抗肿瘤作用机制的研究进展[J]．华西药学杂志，2015,30(3):381-383．
[5]王威，宋洋．鼠尾草酚抗肿瘤活性机制的研究进展[J]．华西药学杂志，2018,33(4):429-434．
[6]白皎皎，陈新棉，曾代文，等．藤黄酸抗肿瘤作用机制及其纳米制剂的研究进展[J]．华西药学杂志，2018,33 (6):546-549．
[7]Lenselink EB,Ten Dijke N,Bongers B,et al.Beyond the hype:Deep neural networks outperform established methods using a ChEMBL bioactivity benchmark set[J].J Cheminform,2017,9(1):45．
[8]Chen H,Engkvist O,Wang Y,et al.The rise of deep learning in drug discovery[J].Drug Discov Today,2018,23 (6):1241-1250．
[9]Gaulton A,Bellis LJ,Bento AP,et al.ChEMBL:A largescale bioactivity database for drug discovery[J].Nucleic Acids Res,2011,40(D1):D1100-1107．
[10]Sydow D,Morger A,Driller M,et al.Teach Open CADD:Ateaching platform for computer-aided drug design using open source packages and data[J].J Chem Inf Model,2019,59(10):4083-4086．
[11]和龙，罗小娇，李新琦，等．基于靶蛋白共结晶药效团与分子对接的新型WEE1抑制剂的设计[J]．华西药学杂志，2020,35(2):144-148.
【关闭】
