An Integrated Virtual Screening Platform to Identify Potent Co‐Assembled Nanodrugs for Cancer Treatment
Notice bibliographique
Résumé
Co-assembled nanodrugs provide significant advantages in cancer treatment and drug delivery, yet effective screening methods to identify molecular combinations for co-assembly are lacking. This study presents a screening strategy integrating ligand-based virtual screening (LBVS) and density functional theory (DFT) calculations to explore new molecular combinations with co-assembly capabilities. The accuracy of this screening was validated by synthesizing various co-assembled nanodrugs under mild conditions. Vinpocetine (Vin) and lenvatinib (Len) are representative co-assembly combinations that can directly co-assemble into nanoparticles (NPs) through hydrogen bonding, van der Waals forces, and π-π interactions. These NPs were further functionalized with polyethylene glycol (PEG), resulting in PEG-L/V NPs that exhibited enhanced stability and biocompatibility. In addition, PEG-L/V NPs can respond to acidic conditions and release Vin and Len, working synergistically to induce cell cycle arrest and apoptosis in tumor cells in vitro while also inhibiting xenograft tumor growth in vivo. RNA sequencing (RNA-seq) analysis revealed that the co-assembled nanodrugs exhibited mechanisms that are distinct from those of single drugs. This study demonstrates the feasibility of utilizing a computational approach combining LBVS and DFT to identify small molecules with co-assembly capabilities, leading to innovative anticancer strategies.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».