KRASAVA—An Expert System for Virtual Screening of KRAS G12D Inhibitors
Notice bibliographique
Résumé
The development of KRAS G12D inhibitors represents an effective therapeutic strategy for treating oncological pathologies. Existing quantitative structure-activity relationship (QSAR) models for KRAS G12D inhibitors have several limitations, primarily the lack of applicability domain determination and virtual screening implementation. In this study, we propose a set of regression QSAR models for KRAS G12D inhibitors by employing various molecular descriptors and machine learning methods. Our consensus model achieved a Q2 test value of 0.70 on an external test set, covering 78% of the data within the applicability domain. We integrated this consensus model into our Python-based framework KRASAVA. The platform predicts inhibitory activity while considering the applicability domain, assesses compounds for compliance with Muegge’s bioavailability rules, and identifies PAINS, toxicophores, and Brenk filters. Furthermore, we structurally interpreted the QSAR models to propose several promising inhibitors and performed molecular docking on these candidates using GNINA. For the reference inhibitor MRTX1133, we reproduced the crystal structure pose with an RMSD of 0.76 Å (PDB ID: 7T47). The key interactions with amino acid residues Asp12, Asp69, His95, Arg68, and Gly60, identified for both MRTX1133 and our proposed compounds, demonstrate a strong consistency between the molecular docking and QSAR results.
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 | 0,000 |
| 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 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 ».