MétaCan
Menu
← Back to cohort
Record W7162023271 · doi:10.82308/49936

Computer-guided drug discovery: application to the discovery of inhibitors targeting prolyl oligopeptidase and fibroblast activation protein-alpha

2020· dissertation· en· W7162023271 on OpenAlexaboutno aff
Jessica Plescia

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldMedicine
TopicPeptidase Inhibition and Analysis
Canadian institutionsnot available
Fundersnot available
KeywordsOligopeptidaseFood supplementCancerAntibacterial agent

Abstract

fetched live from OpenAlex

Le cancer est une maladie qui affectera 50% des canadiens au cours de leur vie. Bien que plusieurs cibles biologiques soient liées au cancer et à ses causes, le focus de cette dissertation sera deux sérine protéases liées aux cancers épithéliaux: la prolyl oligopeptidase (POP) et la protéine d'activation des fibroblastes (FAP), liées respectivement à l'angiogenèse et la croissance des tumeurs. Les recherches décrites dans cette thèse ont été conduites en utilisant la plateforme Forecaster développée par le groupe de recherche du Professeur Moitessier. Forecaster a permis la découverte d'inhibiteurs doubles réversibles et covalents ciblant POP et FAP par l'exécution de criblages virtuels et d’amarrage moléculaire.Dans le passé, notre groupe de recherche s’est concentré sur les inhibiteurs sélectifs ciblant POP pour son rôle dans les maladies d’Alzheimer et de Parkinson. En raison des liens récents entre POP et FAP et les cancers épithéliaux, qui représentent 90% des cancers chez les adultes, notre vision a changé pour un mode d’'inhibition double. Il a été démontrée que l'inhibition simultanée de POP et FAP empêchait la croissance et l'expansion tumorale et avait un effet synergétique in vivo.Dans cette dissertation, nous explorerons plusieurs méthodologies pour l’obtention d’inhibiteurs puissants. Nous commencerons avec une étude qui intégrera des méthodes en chimie médicinale, biophysique et chimie informatique dont le but sera de déterminer le meilleur électrophile pour cibler POP et FAP simultanément. Notre étude collaborative nous a amené à la conclusion que les acides et les esters boroniques étaient les électrophiles idéaux en fonction de leur réactivité et de leur temps de résidence dans le site actif des protéines. Nous explorerons de plus près les acides et les esters boroniques dans l'introduction de cette thèse. Ensuite, l'optimisation virtuelle par amarrage moléculaire suivie d’une étude des relations structure-activité nous amenera à la découverte d’inhibiteurs sélectifs pour POP, exhibant une puissance nanomolaire et accessibles par une synthèse en seulement deux étapes. Une nouvelle étude utilisant l'amarrage moléculaire pour la conception d’inhibiteurs peptidomimétiques et du développement de leur synthèses a mené à notre premier inhibiteur double et bicyclique exhibant une puissance nanomolaire et qui démontre une amélioration par rapport à un composé ayant échoué à des essais cliniques en Phase III. Présentement, nous développons cette molécule avec l'espoir de commencer des tests précliniques. Cette étude en particulier nous a donné l'opportunité d'explorer un mécanisme réactionnel très complexe au cours de sa synthèse. Enfin, un criblage virtuel compréhensif nous a amené à la découverte d'un squelette bicyclique muni d'un ester borinique avec des prédictions in silico très prometteuses. Nous complétons présentement la synthèse de cet inhibiteur double potentiel. Jusqu'ici, nos composés les plus prometteurs sont évalués dans des essais cellulaires par collaborateurs . Notre but actuel est de suivre ces composés et de continuer à appliquer nos méthodes efficaces pour la découverte de nouveaux composés prometteurs

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.007
Threshold uncertainty score0.015

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.008
GPT teacher head0.254
Teacher spread0.246 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same topicPeptidase Inhibition and Analysis→French-language works237,207→