MétaCan
Menu
Retour à la cohorte
Enregistrement W4413103698 · doi:10.1021/acs.jcim.5c00828

How Do Food Compounds Interact with Their Protein Targets? Alternative Modes for Protein Binding

2025· article· en· W4413103698 sur OpenAlexaff
Mario Astigarraga, Verónica López-Alejandre, Andrés Sánchez-Ruiz, Gonzalo Colmenarejo

Notice bibliographique

RevueJournal of Chemical Information and Modeling · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesEuropean Regional Development FundMinisterio de Ciencia, Tecnología e Innovación Productiva
Mots-clésFood proteinChemistryProtein–protein interactionComputational biologyFood scienceComputer scienceBiochemistryBiology

Résumé

récupéré en direct d'OpenAlex

A large body of research is oriented toward the determination of the mechanism of action of food compounds at the molecular level in order to rationalize the important role of these molecules in health and as a source of new drugs. In this work, we perform a systematic analysis of all the food-protein complexes at atomic resolution present in the Protein Data Bank. We analyze both the interaction types used in their binding as well as the functional groups involved in these; from the protein side, we also analyze the partner amino acid types and their interaction types, as well as the corresponding protein classes. For the analysis, food compounds are divided into a set of molecules derived from fatty lipids (FoodFL, which includes glycerolipids, glycerophospholipids, and fatty acyls) and the rest of the molecules (FoodnoFL), since these correspond to highly dissimilar chemical spaces. As a control, a set of drugs is used. From this analysis, it is found that the three compound sets establish protein-ligand complexes through alternative binding modes. Thus, although the most dominant interaction in the three sets is the hydrophobic one, each compound set displays some characteristic interaction types compared with the others. FoodnoFL compounds have a characteristically high content of hydrogen bonds, salt bridges, cation-π interactions, and metal coordinations, while FoodFL compounds have characteristically high hydrophobic interactions. In turn, drugs stem for their characteristically high π-π, cation-π, and halogen bond interactions. These differences result from differences in the types and relative abundances of functional groups, differential usage of interaction types by the same functional groups, and differential usage of interaction types by the partner amino acids. This new knowledge can be exploited in the design of new drugs inspired by food compounds.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,448
Score d'incertitude au seuil0,544

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,003
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,291
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical Information and ModelingMême sujetComputational Drug Discovery MethodsTravaux en français237 207