Best Practices of Computer-Aided Drug Discovery: Lessons Learned from the Development of a Preclinical Candidate for Prostate Cancer with a New Mechanism of Action
Notice bibliographique
Résumé
Small-molecule drug design is a complex and iterative decision-making process relying on pre-existing knowledge and driven by experimental data. Low-molecular-weight chemicals represent an attractive therapeutic option, as they are readily accessible to organic synthesis and can easily be characterized.1 Their potency as well as pharmacokinetic and pharmacodynamic properties can be systematically and rationally investigated and ultimately optimized via expert science behind medicinal chemistry and methods of computer-aided drug design (CADD). In recent years, significant advances in molecular modeling techniques have afforded a variety of tools to effectively identify potential binding pockets on prospective targets, to map key interactions between ligands and their binding sites, to construct and assess energetics of the resulting complexes, to predict ADMET properties of candidate compounds, and to systematically analyze experimental and computational data to derive meaningful structure-activity relationships leading to the creation of a drug candidate. This Perspective describes a real case of a drug discovery campaign accomplished in a relatively short time with limited resources. The study integrated an arsenal of available molecular modeling techniques with an array of experimental tools to successfully develop a novel class of potent and selective androgen receptor inhibitors with a novel mode of action. It resulted in the largest academic licensing deal in Canadian history, totaling $142M. This project exemplifies the importance of team science, an integrative approach to drug discovery, and the use of best practices in CADD. We posit that the lessons learned and best practices for executing an effective CADD project can be applied, with similar success, to many drug discovery projects in both academia and industry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».