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
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 découle