MétaCan
Menu
Retour à la cohorte
Enregistrement W3089522160 · doi:10.26434/chemrxiv.12548003.v1

Computational Design of Potent Inhibitors for SARS-CoV-2’s Main Protease

2020· preprint· en· W3089522160 sur OpenAlexafffund
Abd Al‐Aziz A. Abu‐Saleh, Ibrahim E. Awad, Arpita Yadav, Raymond A. Poirier

Notice bibliographique

RevueChemRxiv · 2020
Typepreprint
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMemorial University of NewfoundlandScience and Engineering Research BoardCompute CanadaShastri Indo-Canadian Institute
Mots-clésDrugBankVirtual screeningIn silicoDocking (animal)Computational biologychEMBLSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Drug discoveryProteaseDrugChemistryCoronavirus disease 2019 (COVID-19)PharmacologyBiologyMedicineBiochemistryEnzymeInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

In silico drug design can play a vital role in identifying promising drug candidates against COVID-19. Herein, we focused on the main protease of SARS-CoV-2 that plays crucial biological functions in the virus. We performed a ligand-based virtual screening followed by a docking screening for testing approved drugs and bioactive compounds listed in the DrugBank and ChEMBL databases. The top 8 docking results were advanced to all-atom MD simulations to study the relative stability of the protein-ligand interactions.Our results suggest several promising approved and bioactive inhibitors of SARS-CoV-2 Mpro.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,297
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,096
Tête enseignante GPT0,339
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemRxivMême sujetComputational Drug Discovery MethodsTravaux en français237 207