MétaCan
Menu
Retour à la cohorte
Enregistrement W2090953687 · doi:10.1021/ci900219u

Evaluation of Virtual Screening as a Tool for Chemical Genetic Applications

2009· article· en· W2090953687 sur OpenAlexaff
Valérie Campágna‐Slater, Matthieu Schapira

Notice bibliographique

RevueJournal of Chemical Information and Modeling · 2009
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueProtein Degradation and Inhibitors
Établissements canadiensStructural Genomics ConsortiumUniversity of Toronto
Organismes subventionnairesWellcome Trust
Mots-clésVirtual screeningIn silicoComputational biologyBiologyGeneFunction (biology)AcetylationGeneticsBioinformaticsDrug discovery

Résumé

récupéré en direct d'OpenAlex

A collection of over 50,000 functionally annotated drugs, clinical candidates, and endogenous ligands was docked in silico against nine binding sites from seven protein targets, representing diverse function and structure, namely the sulfotransferases SULT1E1 and SULT1A3, the histone methyltransferase EHMT1, the histone acetyltransferase MYST3, and the nuclear hormone receptors ERalpha, PPARgamma, and TRbeta. For 5 of the 9 virtual screens, compounds that docked best to the receptors clearly recapitulated known biological functions of the genes or identified novel biology subsequently validated in a separate experimental study. In two cases, the hit list indicated some relevant but isolated biological functions which would probably have been ignored a priori, and selected compounds were completely unrelated to gene function for the last two virtual screens. This study demonstrates that virtual screening of pharmacologically annotated compound libraries can be used to derive target biology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,354
Score d'incertitude au seuil0,243

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,301
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical Information and ModelingMême sujetProtein Degradation and InhibitorsTravaux en français237 207