Using Molecular Docking, 3D-QSAR, and Cluster Analysis for Screening Structurally Diverse Data Sets of Pharmacological Interest
Notice bibliographique
Résumé
In this study, we propose a drug design approach which includes docking, molecular fingerprints based cluster analysis, and 'induced' descriptors based receptor-dependent 3D-QSAR. The method was shown to be very useful for screening and modeling structurally diverse data sets of pharmacological interest. Different from other receptor-dependent 3D-QSAR, no ambiguous alignments are required for the construction of the models, and the computational cost is relatively lower. Moreover, 'induced' descriptors were shown to be very powerful in "capturing" ligand-receptor intermolecular interactions. The methodology was validated for eight data sets sampled from the literature and from public databases: human sex hormone-binding globulin, human corticosteroid-binding globulin, anthrax lethal factor, HIV-1 reverse transcriptase, neuraminidase A, thrombin, trypsin, and Pneumocystis carinii dihydrofolate reductase data sets. The resulting models were interpretable; the constructed QSAR equations have high statistical significance and predictive strength; and the drug design solutions were shown to be useful for guiding ligand modification for the development of new inhibitors for a broad range of molecular targets.
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 | 0,000 |
| 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 | 0,002 |
| 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 ».