Comprehensive computational strategies for multi-target drug discovery in inflammatory bowel disease utilizing bioactive compounds
Notice bibliographique
Résumé
Inflammatory bowel disease (IBD) is a chronic gastrointestinal condition that encompasses ulcerative colitis (UC) and Crohn's disease (CD). Targeting both inflammation and the epithelial barrier simultaneously can significantly improve symptom management in IBD, as a promising strategy. In this study, we focused on addressing both inflammation and the epithelial barrier. Until now, each therapeutic target including phosphodiesterase 4 (PDE4) and prolyl hydroxylase domain enzymes 1 and 2 (PHD1/2) have been studied separately. PDE4 plays a key role in the inflammatory process by converting cyclic AMP (cAMP) to AMP and its inhibition can suppress the production of inflammatory cytokines. Research has shown that inhibiting PHD1 and PHD2 increases levels of hypoxia-inducible factor-alpha (HIF-α), which in turn strengthens the epithelial barrier by promoting the expression of protective factors such as mucins and β-defensins. Through virtual screening, molecular docking, and molecular dynamics simulations, we identified five compounds-Cassiamin C, Ginkgetin, Hinokiflavone, Sciadopitysin, and Sojagol-as promising new drug candidates for IBD treatment. All compounds demonstrated superior free binding energy for the three targets compared to reference ligands, except Sojagol concerning PDE4B. Among these compounds, Ginkgetin was the best compound with potential ability of targeting multiple drug target proteins. Future experimental studies are warranted to validate these findings.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».