Pruned Receptor Surface Models and Pharmacophores for Three-Dimensional Database Searching
Notice bibliographique
Résumé
A pharmacophore represents the 3D arrangement of chemical features that are shared by molecules exhibiting activity at a protein receptor. Pharmacophores are routinely used in 3D database searching for identifying potential lead compounds. The lack of shape constraints causes the query to identify compounds that could not fit into the active site. In the absence of structural information, a receptor surface model (RSM) can be used to represent the active site. The RSM consists of a surface that envelops a set of known actives after these have been aligned using their common features. When used for database searching, a RSM is overconstraining as it restricts access to regions that could be occupied by ligands, such as the solvent-protein interface or unexplored pockets. We describe a protocol for developing pruned RSMs using information gleaned from 3D quantitative structure-activity relationship (QSAR) models. We examined the performance of queries that consist of pharmacophores used alone or with pruned or unpruned RSMs by performing searches on six databases containing known actives distributed among inactives. The pruned RSMs yield an average selectivity 1.8 times greater than that for pharmacophore queries, compared to 1.6 times for unpruned RSMs. However, the pruned RSMs retrieve on average 73% of the actives identified using the pharmacophores, compared to 40% for the unpruned RSMs. As such, pruned RSMs represent a useful compromise between the high sensitivity of pharmacophores and the high selectivity of unpruned RSMs.
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 | 0,000 |
| 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 ».