<i>De Novo</i> Design of Protein Kinase Inhibitors by <i>in Silico</i> Identification of Hinge Region-Binding Fragments
Notice bibliographique
Résumé
Protein kinases constitute an attractive family of enzyme targets with high relevance to cell and disease biology. Small molecule inhibitors are powerful tools to dissect and elucidate the function of kinases in chemical biology research and to serve as potential starting points for drug discovery. However, the discovery and development of novel inhibitors remains challenging. Here, we describe a structure-based de novo design approach that generates novel, hinge-binding fragments that are synthetically feasible and can be elaborated to small molecule libraries. Starting from commercially available compounds, core fragments were extracted, filtered for pharmacophoric properties compatible with hinge-region binding, and docked into a panel of protein kinases. Fragments with a high consensus score were subsequently short-listed for synthesis. Application of this strategy led to a number of core fragments with no previously reported activity against kinases. Small libraries around the core fragments were synthesized, and representative compounds were tested against a large panel of protein kinases and subjected to co-crystallization experiments. Each of the tested compounds was active against at least one kinase, but not all kinases in the panel were inhibited. A number of compounds showed high ligand efficiencies for therapeutically relevant kinases; among them were MAPKAP-K3, SRPK1, SGK1, TAK1, and GCK for which only few inhibitors are reported in the literature.
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 | 0,000 |
| 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 ».