Identification of new checkpoint kinase-1 (Chk1) inhibitors by docking, 3D-QSAR, and pharmacophore-modeling methods
Notice bibliographique
Résumé
Inhibition of checkpoint kinase-1 (Chk1) by small molecules is of great therapeutic interest in the field of oncology and for understanding cell-cycle regulations. This paper presents a model with elements from docking, pharmacophore mapping, the 3D-QSAR approaches CoMFA, CoMSIA and CoRIA, and virtual screening to identify novel hits against Chk1. Docking, 3D-QSAR (CoRIA, CoMFA and CoMSIA), and pharmacophore studies delineate crucial site points on the Chk1 inhibitors, which can be modified to improve activity. The docking analysis showed residues in the proximity of the ligands that are involved in ligand–receptor interactions, whereas CoRIA models were able to derive the magnitude of these interactions that impact the activity. The ligand-based 3D-QSAR methods (CoMFA and CoMSIA) highlight key areas on the molecules that are beneficial and (or) detrimental for activity. The docking studies and 3D-QSAR models are in excellent agreement in terms of binding-site interactions. The pharmacophore hypotheses validated using sensitivity, selectivity, and specificity parameters is a four-point model, characterized by a hydrogen-bond acceptor (A), hydrogen-bond donor (D), and two hydrophobes (H). This map was used to screen a database of 2.7 million druglike compounds, which were pruned to a small set of potential inhibitors by CoRIA, CoMFA, and CoMSIA models with predicted activity in the range of 8.5–10.5 log units.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».