In silico-based identification of human α-enolase inhibitors to block cancer cell growth metabolically
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
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.
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 | 0,000 | 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 | 0,000 |
| 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