An approach combining deep learning and molecule docking for drug discovery of cathepsin L
Notice bibliographique
Résumé
Cathepsin L (CTSL) is a promising therapeutic target for metabolic disorders and COVID-19. However, there are still no clinically available CTSL inhibitors. Our objective is to develop an approach for the discovery of potential reversible covalent CTSL inhibitors. The authors combined Chemprop, a deep learning-based strategy, and the Schrödinger CovDock algorithm to identify potential CTSL inhibitors. First, they used Chemprop to train a deep learning model capable of predicting whether a molecule would inhibit the activity of CTSL and performed predictions on ZINC20 in-stock librarie (~9.2 million molecules). Then, they selected the top-200 predicted molecules and performed the Schrödinger covalent docking algorithm to explore the binding patterns to CTSL (PDB: 5MQY). The authors then calculated the binding energies using Prime MM/GBSA and examined the stability between the best two molecules and CTSL using 100ns molecular dynamics simulations. The authors found five molecules that showed better docking results than the well-known cathepsin inhibitor odanacatib. Notably, two of these molecules, ZINC-35287427 and ZINC-1857528743, showed better docking results with CTSL compared to other cathepsins. Our approach enables drug discovery from large-scale databases with little computational consumption, which will save the cost and time required 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 | 0,001 |
| 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 ».