A discovery of potent kaempferol derivatives as multi-target medicines against diabetes as well as bacterial infections: an <i>in silico</i> approach
Notice bibliographique
Résumé
Flavonoids demonstrate beneficial effects on human health because flavonoids contain important biological properties. Kaempferol is a flavonol, type of flavonoid found in eatable plants and in plants usually employed in ancient drugs (Moringa oleifera, Tilia spp., fern genus spp. and gingko etc.). Some medicinal studies have shown that the use of foods full of kaempferol decreases the risk of many (cancer, vascular) diseases. All the data of 50 kaempferol derivatives were collected from PubChem database. Through Schrödinger software, 3D-QSAR study was performed for 50 compounds by using method of field base. Conformer of kaempferol derivatives was docked against anti-diabetic, anti-microbial co-crystal structures and protein. To monitor the best anti-diabetic and antibacterial agent, particular kaempferol derivatives were downloaded from PubChem database. Virtual screening by molecular docking provided four lead compounds with four different proteins. These hit compounds were found to be potent inhibitor for diabetic enzymes alpha-amylase and DPP IV and had the potential to suppress DNA gyrase and dihydrofolate reductase synthesis. Molecular dynamic simulation of docked complexes evaluates the value of root mean square fluctuation by iMOD server. Kaempferol 3-O-alpha-L-(2, 3-di-Z-p-coumaroyl) rhamnoside (42) compound used as anti-diabetic and kaempferol 3-O-gentiobioside (3) as antibacterial with good results can be used for drug discovery.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».