A large-scale computational approach to drug repositioning.
Notice bibliographique
Résumé
We have developed a computational pipeline for the prediction of protein-small molecule interactions and have applied it to the drug repositioning problem through a large-scale analysis of known drug targets and small molecule drugs. Our pipeline combines forward and inverse docking, the latter of which is a twist on the conventional docking procedure used in drug discovery: instead of docking many compounds against a specific target to look for potential inhibitors, one compound is docked against many proteins to search for potential targets. We collected an extensive set of 1,055 approved small molecule drugs and 1,548 drug target binding pockets (representing 78 unique human protein therapeutic targets) and performed a large-scale docking using ICM software to both validate our method and predict novel protein-drug interactions. For the 37 known protein-drug interactions in our data set that have a known structure complex, all docked conformations were within 2.0A of the solved conformation, and 30 of these had a docking score passing the typical ICM score threshold. Out of the 237 known protein-drug interactions annotated by DrugBank, 74 passed the score threshold, and 52 showed the drug docking to another protein with a better docking score than to its known target. These protein targets are implicated in human diseases, so novel protein-drug interactions discovered represent potential novel indications for the drugs. Our results highlight the promising nature of the inverse docking method for identifying potential novel therapeutic uses for existing drugs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».