Target-Independent Prediction of Drug Synergies Using Only Drug Lipophilicity
Notice bibliographique
Résumé
Physicochemical properties of compounds have been instrumental in selecting lead compounds with increased drug-likeness. However, the relationship between physicochemical properties of constituent drugs and the tendency to exhibit drug interaction has not been systematically studied. We assembled physicochemical descriptors for a set of antifungal compounds ("drugs") previously examined for interaction. Analyzing the relationship between molecular weight, lipophilicity, H-bond donor, and H-bond acceptor values for drugs and their propensity to show pairwise antifungal drug synergy, we found that combinations of two lipophilic drugs had a greater tendency to show drug synergy. We developed a more refined decision tree model that successfully predicted drug synergy in stringent cross-validation tests based on only lipophilicity of drugs. Our predictions achieved a precision of 63% and allowed successful prediction for 58% of synergistic drug pairs, suggesting that this phenomenon can extend our understanding for a substantial fraction of synergistic drug interactions. We also generated and analyzed a large-scale synergistic human toxicity network, in which we observed that combinations of lipophilic compounds show a tendency for increased toxicity. Thus, lipophilicity, a simple and easily determined molecular descriptor, is a powerful predictor of drug synergy. It is well established that lipophilic compounds (i) are promiscuous, having many targets in the cell, and (ii) often penetrate into the cell via the cellular membrane by passive diffusion. We discuss the positive relationship between drug lipophilicity and drug synergy in the context of potential drug synergy mechanisms.
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 | 0,003 |
| 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 ».