Designing Potent HIV-1 Protease Inhibitors Using Machine Learning and QSAR Approaches
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Acquired Immune Deficiency Syndrome (AIDS), caused by Human Immunodeficiency Virus type-1 (HIV-1), remains a global health crisis. Despite advances in antiretroviral therapy, drug resistance, particularly to protease inhibitors, persists as a significant challenge. Darunavir, a second-generation protease inhibitor, has reduced efficacy against resistant HIV-1 variants, underscoring the development of new inhibitors. This study combines machine learning (ML) and quantitative structure–activity relationship (QSAR) models to design potent HIV-1 protease inhibitors using phenol-based and polyphenol-based P2 ligands. QSAR models, including genetic function approximation (GFA), multiple linear regression (MLR), random forest (RF), gradient boosting regressor (GBR), and Extreme Gradient Boosting (XGBoost), were developed to analyze molecular descriptors. GBR exhibited the highest accuracy ( R 2 = 0.911 and 0.994) with GFA and PI-selected descriptors, respectively. SHAP analysis highlighted key contributions to pIC 50 predictions, including electronic charge at C53, low dipole moments, and shortened bond length (C53-O54). Five potent inhibitors (B01-B05) were predicted, outperforming HIV-1 protease inhibitors. Furthermore, molecular docking suggested that B03 and B05 exhibit strong binding interactions with wild-type and variants, particularly through hydrophobic and hydrogen bonding interactions, with key residues including D25, G27, D29, D30, D25′, and D30′. This integrated QSAR-ML and structure-based analysis offers promising candidates for addressing drug resistance.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».