In silico-based identification of human α-enolase inhibitors to block cancer cell growth metabolically
Notice bibliographique
Résumé
Unlimited growth of cancer cells requires an extensive nutrient supply. To meet this demand, cancer cells drastically upregulate glucose uptake and metabolism compared to normal cells. This difference has made the blocking of glycolysis a fascinating strategy to treat this malignant disease. α-enolase is not only one of the most upregulated glycolytic enzymes in cancer cells, but also associates with many cellular processes or conditions important to cancer cell survival, such as cell migration, invasion, and hypoxia. Targeting α-enolase could simultaneously disturb cancer cells in multiple ways and, therefore, is a good target for anticancer drug development. In the current study, more than 22 million chemical structures meeting the criteria of Lipinski's rule of five from the ZINC database were docked to α-enolase by virtual screening. Twenty-four chemical structures with docking scores better than that of the enolase substrate, 2-phosphoglycerate, were further screened by the absorption, distribution, metabolism, excretion, and toxicity (ADMET) properties prediction. Four of them were classified as non-mutagenic, non-carcinogenic, and capable of oral administration where they showed steady interactions to α-enolase that were comparable, even superior, to the currently available inhibitors in molecular dynamics (MD) simulation. These compounds may be considered promising leads for further development of the α-enolase inhibitors and could help fight cancer metabolically.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».