Ligand-based pharmacophore modeling, virtual screening, and 2D quantitative structure-activity relationship performance on anti-Hepatitis B virus flavonols
Notice bibliographique
Résumé
Background: Targeting Hepatitis B virus (HBV) infection in human is crucial due to its adverse. Herbal medicine has long been significant in this regard, with flavonoids demonstrating promising results. Hence, establishing a way of identifying flavonoids with anti-HBV activities is the aim of the present study. Methods: Flavonoid structures with anti-HBV activities were retrieved. A flavonol-based pharmacophore model was established using LigandScout v4.4. Screening was performed using the PharmIt server. A QSAR equation was developed and validated with independent sets of compounds. Applicability domain (AD) was defined using Euclidean distance calculations for model validation. Results: The best model, consisting of 57 features was generated. HTS using the flavonol-based model resulted in 509 unique hits. The model's sensitivity and specificity were 71% and 100%, respectively. The QSAR model with two predictors, x4a and qed, exhibited strong predictive performance with an adjusted-R² value of 0.85 and 0.90 of Q2. Conclusion: The QSAR model has been validated with two separate chemical sets, guaranteeing the model's reproducibility and usefulness for other flavonols by utilizing the predictive characteristics of X4A and qed. These results provide new possibilities for discovering future anti-HBV drugs by integrating modeling and experimental research.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».