Rational questing for inhibitors of endothelin converting enzyme-1 from <i>Salvia miltiorrhiza</i> by combining ligand- and structure-based virtual screening
Notice bibliographique
Résumé
In this study, a virtual screening approach based on pharmacophore and molecular docking was proposed to identify endothelin converting enzyme-1 (ECE-1) (EC 3.4.24.71) inhibitors from Salvia miltiorrhiza. First, the pharmacophore models were generated to recognize the common features of the ECE-1 inhibitors. The models were validated by a test database composed by a set of compounds known as ECE-1 inhibitors and nonactive compounds and proven to be successful in discriminating active and inactive inhibitors. Then, the best pharmacophore model was used to screen the compounds from S. miltiorrhiza. Furthermore, the Surflex-Dock procedure was used for molecular docking. All compounds from S. miltiorrhiza were docked into the active site of the target protein. An empirical scoring function was used to evaluate the affinity of the compounds and the target protein. Comparing the virtual screening results based on pharmacophore and molecular docking, respectively, 11 communal compounds with higher QFIT and docking score were hit, and the activity of some compounds was validated in the literature. The binding modes between these compounds and the ECE-1 binding site were predicted and used to identify the key interactions that contribute to the inhibitory activity of ECE-1 activity. The results show that the two methods have good consistency and can be validated and supplemented with each other.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».