Biophysical Approaches Facilitate Computational Drug Discovery for ATP-Binding Cassette Proteins
Notice bibliographique
Résumé
Although membrane proteins represent most therapeutically relevant drug targets, the availability of atomic resolution structures for this class of proteins has been limited. Structural characterization has been hampered by the biophysical nature of these polytopic transporters, receptors, and channels, and recent innovations to in vitro techniques aim to mitigate these challenges. One such class of membrane proteins, the ATP-binding cassette (ABC) superfamily, are broadly expressed throughout the human body, required for normal physiology and disease-causing when mutated, yet lacks sufficient structural representation in the Protein Data Bank. However, recent improvements to biophysical techniques (e.g., cryo-electron microscopy) have allowed for previously "hard-to-study" ABC proteins to be characterized at high resolution, providing insight into molecular mechanisms-of-action as well as revealing novel druggable sites for therapy design. These new advances provide ample opportunity for computational methods (e.g., virtual screening, molecular dynamics simulations, and structure-based drug design) to catalyze the discovery of novel small molecule therapeutics that can be easily translated from computer to bench and subsequently to the patient's bedside. In this review, we explore the utility of recent advances in biophysical methods coupled with well-established in silico techniques towards drug development for diseases caused by dysfunctional ABC proteins.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».