Massive-scale biological activity-based modeling identifies novel antiviral leads against SARS-CoV-2
Notice bibliographique
Résumé
approaches such as QSAR in such efforts in unquestionable, these models fundamentally rely on structural similarity to infer biological activity and are thus prone to becoming trapped in the very nearby chemical spaces of already known ligands. For novel and unprecedented threats such as COVID-19 much faster and efficient paradigms must be devised to accelerate the identification of new chemical classes for rapid drug development. Here we report the development of a new biological activity-based modeling (BABM) approach that builds on the hypothesis that compounds with similar activity patterns tend to share similar targets or mechanisms of action. In BABM, compound activity profiles established on massive scale across multiple assays are used as signatures to predict compound activity in a new assay or against a new target. We first trained and validated this approach by identifying new antiviral lead candidates for Zika and Ebola based on data from ~0.5 million compounds screened against ~2,000 assays. BABM models were then applied to predict ~300 compounds not previously reported to have activity for SARS-CoV-2, which were then tested in a live virus assay with high (>30%) hit rates. The most potent compounds showed antiviral activities in the nanomolar range. These potent confirmed compounds have the potential to be further developed in novel chemical space into new anti-SARS-CoV-2 therapies. These results demonstrate unprecedented ability using BABM to predict novel structures as chemical leads significantly beyond traditional methods, and its application in rapid drug discovery response in a global public health crisis.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».