The discovery of small molecule inhibitors for TOX1 and ERG oncotargets with the development and use of progressive docking PD2.0 approach
Notice bibliographique
Résumé
Drug discovery is a rigorous process that can cost up to 3 billion dollars and takes more than 10 years to bring new therapeutics from bench to bedside. While virtual screening (such as molecular docking) can significantly speed up the discovery process and improve hit rates, its speed already lags behind the rate of the explosive growth of publically available chemical databases which already exceed billions of entries. This recent surge of available chemical entities presents great opportunities for discovering novel classes of small molecule drugs but also brings a significant demand for faster docking methods. In the current thesis, we illustrated the need for a faster screening method by virtually screening 7.6 million molecules against Thymocyte selection-associated high mobility group box protein (TOX). Then we demonstrated that the deep learning-based method of ‘Progressive Docking (PD2.0)’ can speed up such virtual screening by up to hundred folds. In particular, by utilizing deep learning QSAR models trained on the docking scores of a subset of the database, one can approximate in an iterative manner the docking outcome of unprocessed entries. We tested the developed method against various targets including ETS transcription factor ERG, Estrogen Receptor Activation Function 2 (ERAF2), Androgen Receptor (AR), Estrogen Receptor (ER), Sodium-Ion Channel (Nav1.7) and many more. In this work, we identified 18 active compounds against TOX with micro-molar potency. We also used the PD2.0 method to dock up to 1.3 billion compounds from the ZINC15 database and demonstrated that this deep-learning-based approach resulted in 65X speed acceleration and 130X Full Predicted Database Enrichment (FPDE) while retaining more than 90% of good hits. We also demonstrate the method’s robustness by docking 570 million compounds from the ZINC15 database into 13 diverse drug targets including ERG.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».