Proteome mining of Yersinia Enterocolitica for drug targets and computational inhibitor identification with ADMET, anti-inflammation potential and formulation characteristics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Yersinia enterocolitica infection can manifest as self-limiting gastroenteritis and may lead to more severe conditions, such as mesenteric lymphadenitis, reactive arthritis, or rare systemic infections. Fluoroquinolones and third-generation cephalosporins are the most effective treatment options but tetracyclines and co-trimoxazole effectiveness may vary based on resistance patterns. To explore new therapeutic options in case of antibiotic resistance, we initially mined drug targets from the Yersinia enterocolitica proteome using a subtractive proteomics approach. Subsequently, we repurposed FDA approved & Traditional Chinese Medicinal (TCM) compounds against its cell wall synthesis mechanism by targeting DD-transpeptidase. DrugRep screening prioritized FDA-approved hits (Digitoxin, Irinotecan, Acetyldigitoxin; ≤ -9.4 kcal/mol) and TCM hits (Vaccarin, Narirutin, Hinokiflavone; ≤ -9.5 kcal/mol). Machine learning-based validation identified Hinokiflavone and Acetyldigitoxin as most potent binders. Molecular dynamics simulations (100 ns) revealed RMSD values < 1 nm for all complexes, indicating stable binding. ADMET profiling predicted all compounds as non-allergenic and TCM compounds having poor absorption. SBE-β-cyclodextrin coupling with FormulationAI showed improved compound solubility and oral bioavailability. InflamNat predicted strong anti-inflammatory potential for Hinokiflavone, highlighting its dual role in antibacterial and host-directed immunomodulatory activity. These computational insights mark an initial step in drug discovery, prompting comprehensive testing of prioritized compounds against Yersinia enterocolitica.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle