Abstract 4186: Discovery of novel PARP1-selective inhibitors for treatment of brain tumors using artificial intelligence
Notice bibliographique
Résumé
Abstract Introduction: Brain tumors, including primary brain tumors and central nervous system (CNS) metastases, remain among the most challenging malignancies to treat, with therapeutic options often limited by the inability of drugs to penetrate the blood-brain barrier (BBB). Poly(ADP-ribose) polymerase (PARP) is a key enzyme in DNA repair, and inhibition of PARP1 specifically drives synthetic lethality in BRCA-mutated disease. While they have achieved commercial success, first generation PARP inhibitors are limited in their utility as they cannot readily pass through the blood-brain barrier and produce adverse side effects, likely driven by the collateral inhibition of PARP2. Development of a PARP1-selective CNS penetrant inhibitor could reduce toxicity, while providing a new therapeutic option for brain tumors. Traditional drug discovery methods are time-consuming and costly, necessitating innovative approaches. Here, we describe the application of Deep Docking combined with generative artificial intelligence (AI), to discover a novel, PARP1-selective inhibitor for use against brain tumors. Methods: Deep Docking utilizes deep learning to accelerate the prediction of the binding affinity of a large number of compounds to target proteins, streamlining the virtual screening process and allowing for rapid docking of billions of compounds against the PARP1 protein. Additionally, state-of-the-art generative algorithms and deep learning techniques for predicting CNS penetrance can be combined with Deep Docking to rapidly perform hit-to-lead optimization of a CNS-penetrating PARP1-selective inhibitor. Results: We will present Deep Docking screening results from billions of compounds. Validating in vitro and in vivo data, including PARP1 inhibition and selectivity, BBB permeability, metabolic stability, pharmacokinetic profile, and CNS penetration will be described. Conclusion: The Deep Docking platform is being used in concert with generative AI approaches to discover and finetune a selective PARP-1 inhibitor for brain tumors. This approach will not only improve the efficiency of drug discovery but also enhance the specificity and efficacy of potential therapeutics. Citation Format: Sarah Truong, Beibei Zhai, Louise Ramos, Mona Marzban, Fariba Ghaidi, Fuqiang Ban, Jason Smith, Mohit Pandey, Ekaterina Manskaia, Kally Singh, Hans Adomat, Xiaoqi Chen, John Langlands, Dennis Brown, Jeffrey Bacha, Colin Collins, Artem Cherkasov, Mads Daugaard. Discovery of novel PARP1-selective inhibitors for treatment of brain tumors using artificial intelligence [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2025; Part 1 (Regular Abstracts); 2025 Apr 25-30; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2025;85(8_Suppl_1):Abstract nr 4186.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».