Discovery of Potential Tyrosinase Inhibitors via Machine Learning and Molecular Docking with Experimental Validation of Activity and Skin Permeation
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Tyrosinase, a copper-dependent oxidase, plays a critical role in melanin biosynthesis and is a target in skin-whitening cosmetics. Conventional inhibitors like arbutin and kojic acid are widely used but suffer from cytotoxicity, instability, and inconsistent efficacy, highlighting the need for safer, more effective alternatives. In this study, two ligand-based machine learning models were developed: one to predict the biological activity of compounds and the other to estimate specific pIC 50 values. These models were employed to screen potential tyrosinase inhibitors from natural product libraries and FDA-approved drug databases. Subsequently, the molecules identified through machine learning screening were subjected to more precise multi tyrosinase-like structures molecular docking to refine the selection. We identified three top-ranking inhibitors, rhodanine-3-propionic acid, lodoxamide, and cytidine 5′-(dihydrogen phosphate), with strong binding affinities mediated by metal ion coordination and π–π interactions at the enzyme’s active site. In vitro assays revealed that all three compounds exhibited higher inhibitory activity against mushroom tyrosinase compared to arbutin (IC 50 = 38.37 mM), with rhodanine-3-propionic acid displaying the most potent inhibition (IC 50 = 0.7349 mM). Furthermore, transdermal permeation experimental results confirmed that these compounds achieved markedly better skin permeability than commercial arbutin-based formulations, highlighting their potential as next-generation agents for inhibiting melanin production in cosmetic applications.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».