Identification of lead anti-human cytomegalovirus compounds targeting MAP4K4 via machine learning analysis of kinase inhibitor screening data
Notice bibliographique
Résumé
Chemogenomic approaches involving highly annotated compound sets and cell based high throughput screening are emerging as a means to identify novel drug targets. We have previously screened a collection of highly characterized kinase inhibitors (Khan et al., Journal of General Virology, 2016) to identify compounds that increase or decrease expression of a human cytomegalovirus (HCMV) protein in infected cells. To identify potential novel anti-HCMV drug targets we used a machine learning approach to relate our phenotypic data from the aforementioned screen to kinase inhibition profiling of compounds used in this screen. Several of the potential targets had no previously reported role in HCMV replication. We focused on one potential anti-HCMV target, MAPK4K, and identified lead compounds inhibiting MAP4K4 that have anti-HCMV activity with little cellular cytotoxicity. We found that treatment of HCMV infected cells with inhibitors of MAP4K4, or an siRNA that inhibited MAP4K4 production, reduced HCMV replication and impaired detection of IE2-60, a viral protein necessary for efficient HCMV replication. Our findings demonstrate the potential of this machine learning approach to identify novel anti-viral drug targets, which can inform the discovery of novel anti-viral lead compounds.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».