stringtranslate.com

Виртуальный скрининг

Рисунок 1. Блок-схема виртуального скрининга [1]

Виртуальный скрининг ( VS ) — это вычислительный метод, используемый при разработке лекарственных препаратов для поиска библиотек малых молекул с целью выявления тех структур, которые с наибольшей вероятностью связываются с мишенью лекарственного препарата , обычно с белковым рецептором или ферментом . [2] [3]

Виртуальный скрининг был определен как «автоматическая оценка очень больших библиотек соединений» с использованием компьютерных программ. [4] Как следует из этого определения, VS в значительной степени был игрой чисел, сосредоточенной на том, как огромное химическое пространство из более чем 10 60 возможных соединений [5] может быть отфильтровано до управляемого числа, которое может быть синтезировано, куплено и протестировано. Хотя поиск по всей химической вселенной может быть теоретически интересной проблемой, более практические сценарии VS сосредоточены на проектировании и оптимизации целевых комбинаторных библиотек и обогащении библиотек доступных соединений из внутренних репозиториев соединений или предложений поставщиков. Поскольку точность метода возросла, виртуальный скрининг стал неотъемлемой частью процесса открытия лекарств . [6] [1] Виртуальный скрининг может использоваться для выбора соединений из внутренней базы данных для скрининга, выбора соединений, которые можно приобрести извне, и выбора соединения, которое должно быть синтезировано следующим.

Методы

Существует две основные категории методов скрининга: основанные на лигандах и основанные на структурах. [7] Оставшаяся часть этой страницы будет отражать Рисунок 1. Схему виртуального скрининга.

Методы, основанные на лигандах

Учитывая набор структурно разнообразных лигандов , которые связываются с рецептором , можно построить модель рецептора, используя коллективную информацию, содержащуюся в таком наборе лигандов. Различные вычислительные методы исследуют структурные, электронные, молекулярные формы и физико-химические сходства различных лигандов, которые могут подразумевать их способ действия против определенного молекулярного рецептора или клеточных линий. [8] Затем кандидатный лиганд можно сравнить с моделью фармакофора, чтобы определить, совместим ли он с ней и, следовательно, вероятно ли связывание. [9] Различные методы анализа 2D химического сходства [10] использовались для сканирования баз данных с целью поиска активных лигандов. Другой популярный подход, используемый в виртуальном скрининге на основе лигандов, заключается в поиске молекул с формой, похожей на форму известных активных веществ, поскольку такие молекулы будут соответствовать сайту связывания цели и, следовательно, вероятно, свяжут цель. В литературе имеется ряд перспективных приложений этого класса методов. [11] [12] [13] Фармакофорические расширения этих 3D-методов также доступны бесплатно в виде веб-серверов. [14] [15] Также значительную популярность приобрел виртуальный скрининг на основе формы. [16]

Методы, основанные на структуре

Подход к виртуальному скринингу на основе структуры включает различные вычислительные методы, которые учитывают структуру рецептора, который является молекулярной мишенью исследуемых активных лигандов. Некоторые из этих методов включают молекулярную стыковку , прогнозирование фармакофора на основе структуры и моделирование молекулярной динамики. [17] [18] [8] Молекулярная стыковка является наиболее используемой структурной техникой, и она применяет функцию подсчета для оценки соответствия каждого лиганда сайту связывания макромолекулярного рецептора, помогая выбирать лиганды с наиболее высоким сродством. [19] [20] [21] В настоящее время существует несколько веб-серверов, ориентированных на перспективный виртуальный скрининг. [22] [23]

Гибридные методы

Гибридные методы, которые полагаются на структурное и лигандное сходство, также были разработаны для преодоления ограничений традиционных подходов VLS. Эти методологии используют информацию о связывании лигандов на основе эволюции для прогнозирования связывающих веществ малых молекул [24] [25] и могут использовать как глобальное структурное сходство, так и карманное сходство. [24] Подход, основанный на глобальном структурном сходстве, использует как экспериментальную структуру, так и предсказанную модель белка для поиска структурного сходства с белками в библиотеке голографических шаблонов PDB. При обнаружении значительного структурного сходства применяется метрика коэффициента Танимото на основе двумерного отпечатка для скрининга малых молекул, которые похожи на лиганды, извлеченные из выбранных голографических шаблонов PDB. [26] [27] Прогнозы этого метода были экспериментально оценены и показывают хорошее обогащение при идентификации активных малых молекул.

Вышеуказанный метод зависит от глобального структурного сходства и не способен априори выбирать конкретный сайт связывания лиганда в интересующем белке. Кроме того, поскольку методы основаны на оценке 2D-сходства для лигандов, они не способны распознавать стереохимическое сходство малых молекул, которые существенно различаются, но демонстрируют геометрическое сходство формы. Для решения этих проблем был разработан и экспериментально оценен новый подход, ориентированный на карманы, PoLi, способный нацеливаться на специфические карманы связывания в шаблонах голо-белка.

Вычислительная инфраструктура

Расчет парных взаимодействий между атомами, который является предпосылкой для работы многих программ виртуального скрининга, масштабируется на , N — число атомов в системе. Из-за квадратичного масштабирования вычислительные затраты быстро возрастают.

Подход на основе лигандов

Методы на основе лигандов обычно требуют доли секунды для одной операции сравнения структур. Иногда одного ЦП достаточно для выполнения большого скрининга в течение нескольких часов. Однако несколько сравнений могут быть выполнены параллельно, чтобы ускорить обработку большой базы данных соединений.

Подход, основанный на структуре

Масштаб задачи требует параллельной вычислительной инфраструктуры , например, кластера систем Linux , на котором запущен процессор пакетной обработки очередей для обработки работы, например, Sun Grid Engine или Torque PBS.

Необходимы средства обработки входных данных из больших библиотек соединений. Для этого требуется форма базы данных соединений, которая может быть запрошена параллельным кластером, доставляя соединения параллельно различным вычислительным узлам. Коммерческие движки баз данных могут быть слишком громоздкими, и высокоскоростной движок индексации, такой как Berkeley DB , может быть лучшим выбором. Кроме того, может быть неэффективно запускать одно сравнение на задание, поскольку время наращивания узлов кластера может легко превзойти объем полезной работы. Чтобы обойти это, необходимо обрабатывать партии соединений в каждом задании кластера, объединяя результаты в некий файл журнала. Затем можно запустить вторичный процесс для добычи файлов журнала и извлечения кандидатов с высокими оценками после того, как весь эксперимент будет запущен.

Точность

Целью виртуального скрининга является идентификация молекул новой химической структуры, которые связываются с интересующей макромолекулярной мишенью . Таким образом, успех виртуального скрининга определяется с точки зрения нахождения интересных новых скаффолдов, а не общего числа попаданий. Поэтому интерпретации точности виртуального скрининга следует рассматривать с осторожностью. Низкие показатели попаданий интересных скаффолдов явно предпочтительнее высоких показателей попаданий уже известных скаффолдов.

Большинство тестов исследований виртуального скрининга в литературе являются ретроспективными. В этих исследованиях производительность метода VS измеряется его способностью извлекать небольшой набор ранее известных молекул с аффинитетом к интересующей цели (активные молекулы или просто активные) из библиотеки, содержащей гораздо большую долю предполагаемых неактивных молекул или ложных молекул. Существует несколько различных способов выбора ложных молекул путем сопоставления свойств соответствующей активной молекулы [28] , а в последнее время ложные молекулы также выбираются способом, не совпадающим со свойствами. [29] Фактическое влияние выбора ложных молекул, как для целей обучения, так и для целей тестирования, также обсуждалось. [29] [30]

Напротив, в перспективных приложениях виртуального скрининга полученные результаты подвергаются экспериментальному подтверждению (например, измерениям IC 50 ). Существует консенсус, что ретроспективные бенчмарки не являются хорошими предикторами перспективной производительности, и, следовательно, только перспективные исследования представляют собой окончательное доказательство пригодности метода для конкретной цели. [31] [32] [33] [34] [35]

Применение к открытию лекарств

Виртуальный скрининг является очень полезным приложением, когда дело доходит до идентификации молекул-хитов как начала медицинской химии. Поскольку подход виртуального скрининга начинает становиться все более важной и существенной техникой в ​​медицинской химической промышленности, этот подход быстро расширяется. [36]

Методы, основанные на лигандах

Не зная структуры, пытаются предсказать, как лиганды будут связываться с рецептором. С использованием фармакофоров каждый лиганд идентифицирует донора и акцепторы. Уравнивающие признаки накладываются друг на друга, однако учитывая, что маловероятно, что существует единственное правильное решение. [1]

Модели фармакофоров

Этот метод используется при объединении результатов поиска с использованием различных референтных соединений, одинаковых дескрипторов и коэффициентов, но разных активных соединений. Этот метод выгоден, поскольку он более эффективен, чем просто использование одной референтной структуры, а также обеспечивает наиболее точную производительность, когда речь идет о различных активных веществах. [1]

Фармакофор — это ансамбль стерических и электронных характеристик, которые необходимы для оптимального супрамолекулярного взаимодействия или взаимодействий с биологической целевой структурой для ускорения ее биологического ответа. Выберите представителя в качестве набора активных веществ, большинство методов будут искать похожие связи. [37] Предпочтительно иметь несколько жестких молекул, а лиганды должны быть разнообразными, другими словами, обеспечить наличие различных характеристик, которые не возникают во время фазы связывания. [1]

Виртуальный скрининг на основе формы

Подходы к молекулярному сходству на основе формы были признаны важными и популярными методами виртуального скрининга. В настоящее время высокооптимизированная платформа скрининга ROCS (Rapid Overlay of Chemical Structures) считается фактическим отраслевым стандартом для виртуального скрининга на основе формы, ориентированного на лиганды. [38] [39] [40] Она использует функцию Гаусса для определения молекулярных объемов малых органических молекул. Выбор конформации запроса менее важен, что делает скрининг на основе формы идеальным для моделирования на основе лигандов: поскольку доступность биоактивной конформации для запроса не является ограничивающим фактором для скрининга — решающим для эффективности скрининга является выбор соединения(й) запроса. [16] Также были разработаны другие методы молекулярного сходства на основе формы, такие как Blaze (ранее известный как FieldScreen) и Autodock-SS. [41] [42] [43]

Виртуальный скрининг на месте

В качестве усовершенствования методов сходства на основе формы, методы на основе поля пытаются учесть все поля, которые влияют на взаимодействие лиганда и рецептора, при этом не обращая внимания на химическую структуру, используемую в качестве запроса. Примерами других полей, которые используются в этих методах, являются электростатические или гидрофобные поля.

Количественно-структурная связь активности

Модели количественно-структурной активности (QSAR) состоят из прогностических моделей, основанных на информации, извлеченной из набора известных активных и известных неактивных соединений. [44] SAR (структурно-активная связь), где данные обрабатываются качественно и могут использоваться со структурными классами и более чем одним режимом связывания. Модели отдают приоритет соединениям для обнаружения лидов. [1]

Алгоритмы машинного обучения

Алгоритмы машинного обучения широко используются в подходах виртуального скрининга. Методы контролируемого обучения используют обучающие и тестовые наборы данных, состоящие из известных активных и известных неактивных соединений. Различные алгоритмы машинного обучения с успехом применялись в стратегиях виртуального скрининга, таких как рекурсивное разбиение, машины опорных векторов , случайный лес, k-ближайших соседей и нейронные сети . [45] [46] [47] Эти модели находят вероятность того, что соединение является активным, а затем ранжируют каждое соединение на основе его вероятности. [1]

Субструктурный анализ в машинном обучении

Первой моделью машинного обучения, используемой на больших наборах данных, является анализ подструктуры, созданный в 1973 году. Каждый фрагмент подструктуры вносит непрерывный вклад в деятельность определенного типа. [1] Подструктура — это метод, который преодолевает трудности массивной размерности, когда дело доходит до анализа структур в разработке лекарств. Эффективный анализ подструктуры используется для структур, которые имеют сходство с многоуровневым зданием или башней. Геометрия используется для нумерации граничных соединений для данной структуры в начале и к кульминации. Когда разрабатываются методы специальной статической конденсации и подстановок, этот метод оказывается более продуктивным, чем предыдущие модели анализа подструктуры. [48]

Рекурсивное разбиение

Рекурсивное разбиение — это метод, который создает дерево решений с использованием качественных данных. Понимание того, как правила разбивают классы с низкой ошибкой неправильной классификации, повторяя каждый шаг до тех пор, пока не будет найдено ни одного разумного разбиения. Однако рекурсивное разбиение может иметь плохую способность прогнозирования, потенциально создавая хорошие модели с той же скоростью. [1]

Методы, основанные на структуре, известные как стыковка лигандов белков

Лиганд может связываться с активным сайтом в белке, используя алгоритм поиска стыковки и функцию подсчета баллов, чтобы определить наиболее вероятную причину для отдельного лиганда, одновременно назначая приоритетный порядок. [1] [49]

Смотрите также

Ссылки

  1. ^ abcdefghij Gillet V (2013). "Виртуальный скрининг на основе лигандов и структур" (PDF) . Университет Шеффилда.
  2. ^ Rester U (июль 2008 г.). «От виртуальности к реальности — виртуальный скрининг в поиске и оптимизации лидов: перспектива медицинской химии». Current Opinion in Drug Discovery & Development . 11 (4): 559–68. PMID  18600572.
  3. ^ Роллингер Дж. М., Стаппнер Х., Лангер Т. (2008). «Виртуальный скрининг на обнаружение биологически активных натуральных продуктов». Природные соединения как лекарства . Том I. Прогресс в исследованиях лекарств. Fortschritte der Arzneimittelforschung. Прогресс фармацевтических исследований. Том. 65. С. 211, 213–49. дои : 10.1007/978-3-7643-8117-2_6. ISBN 978-3-7643-8098-4. PMC  7124045 . PMID  18084917.
  4. ^ Walters WP, Stahl MT, Murcko MA (1998). «Виртуальный скрининг – обзор». Drug Discov. Today . 3 (4): 160–178. doi :10.1016/S1359-6446(97)01163-X.
  5. ^ Bohacek RS, McMartin C, Guida WC (1996). «Искусство и практика структурно-ориентированного дизайна лекарств: перспектива молекулярного моделирования». Med. Res. Rev. 16 ( 1): 3–50. doi :10.1002/(SICI)1098-1128(199601)16:1<3::AID-MED1>3.0.CO;2-6. PMID  8788213.
  6. ^ McGregor MJ, Luo Z, Jiang X (11 июня 2007 г.). «Глава 3: Виртуальный скрининг в разработке лекарств». В Huang Z (ред.). Исследования в области разработки лекарств. Новые рубежи в эпоху постгеномики . Wiley-VCH: Weinheim, Германия. стр. 63–88. ISBN 978-0-471-67200-5.
  7. ^ McInnes C (октябрь 2007 г.). «Стратегии виртуального скрининга при открытии лекарств». Current Opinion in Chemical Biology . 11 (5): 494–502. doi :10.1016/j.cbpa.2007.08.033. PMID  17936059.
  8. ^ ab Santana K, do Nascimento LD, Lima e Lima A, Damasceno V, Nahum C, Braga RC и др. (29.04.2021). «Применение виртуального скрининга в биоразведке: факты, сдвиги и перспективы изучения хемоструктурного разнообразия природных продуктов». Frontiers in Chemistry . 9 : 662688. Bibcode : 2021FrCh....9..155S. doi : 10.3389/fchem.2021.662688 . ISSN  2296-2646. PMC 8117418. PMID 33996755  . 
  9. ^ Sun H (2008). «Виртуальный скрининг на основе фармакофоров». Current Medicinal Chemistry . 15 (10): 1018–24. doi :10.2174/092986708784049630. PMID  18393859.
  10. ^ Willet P, Barnard JM, Downs GM (1998). «Поиск химического сходства». Журнал химической информации и компьютерных наук . 38 (6): 983–996. CiteSeerX 10.1.1.453.1788 . doi :10.1021/ci9800211. 
  11. ^ Rush TS, Grant JA, Mosyak L, Nicholls A (март 2005 г.). «Метод прыжков по трехмерным каркасам на основе формы и его применение к взаимодействию бактериальных белков». Journal of Medicinal Chemistry . 48 (5): 1489–95. CiteSeerX 10.1.1.455.4728 . doi :10.1021/jm040163o. PMID  15743191. 
  12. ^ Ballester PJ, Westwood I, Laurieri N, Sim E, Richards WG (февраль 2010 г.). «Проспективный виртуальный скрининг с ультрабыстрым распознаванием формы: идентификация новых ингибиторов ариламин N-ацетилтрансфераз». Журнал Королевского общества, Интерфейс . 7 (43): 335–42. doi :10.1098/rsif.2009.0170. PMC 2842611. PMID  19586957 . 
  13. ^ Кумар А, Чжан КЮ (2018). «Достижения в разработке методов подобия форм и их применение в разработке лекарств». Frontiers in Chemistry . 6 : 315. Bibcode : 2018FrCh....6..315K. doi : 10.3389/fchem.2018.00315 . PMC 6068280. PMID  30090808 . 
  14. ^ Li H, Leung KS, Wong MH, Ballester PJ (июль 2016 г.). «USR-VS: веб-сервер для крупномасштабного перспективного виртуального скрининга с использованием сверхбыстрых методов распознавания форм». Nucleic Acids Research . 44 (W1): W436–41. doi :10.1093/nar/gkw320. PMC 4987897 . PMID  27106057. 
  15. ^ Sperandio O, Petitjean M, Tuffery P (июль 2009 г.). "wwLigCSRre: сервер на основе трехмерных лигандов для идентификации и оптимизации попаданий". Nucleic Acids Research . 37 (выпуск веб-сервера): W504–9. doi :10.1093/nar/gkp324. PMC 2703967. PMID  19429687 . 
  16. ^ ab Kirchmair J, Distinto S, Markt P, Schuster D, Spitzer GM, Liedl KR и др. (2009). «Как оптимизировать виртуальный скрининг на основе формы: выбор правильного запроса и включение химической информации». Журнал химической информации и моделирования . 49 (3): 678–692. doi :10.1021/ci8004226. PMID  19434901.
  17. ^ Толедо Варшавяк Д., Голан Г., Боррелли К. В., Чжу К., Калид О. (июль 2014 г.). «Подход к виртуальному скринингу на основе структуры для обнаружения ковалентно связанных лигандов». Журнал химической информации и моделирования . 54 (7): 1941–50. doi :10.1021/ci500175r. PMID  24932913.
  18. ^ Maia EH, Assis LC, de Oliveira TA, da Silva AM, Taranto AG (28.04.2020). «Виртуальный скрининг на основе структуры: от классики до искусственного интеллекта». Frontiers in Chemistry . 8 : 343. Bibcode : 2020FrCh....8..343M. doi : 10.3389/fchem.2020.00343 . PMC 7200080. PMID  32411671 . 
  19. ^ Kroemer RT (август 2007 г.). «Конструирование лекарственных препаратов на основе структуры: стыковка и оценка». Current Protein & Peptide Science . 8 (4): 312–28. CiteSeerX 10.1.1.225.959 . doi :10.2174/138920307781369382. PMID  17696866. 
  20. ^ Cavasotto CN, Orry AJ (2007). «Стыковка лигандов и виртуальный скрининг на основе структуры при открытии лекарств». Current Topics in Medicinal Chemistry . 7 (10): 1006–14. doi :10.2174/156802607780906753. PMID  17508934.
  21. ^ Кооистра А.Дж., Вишер Х.Ф., Макнот-Флорес Д., Леурс Р., де Эш И.Дж., де Грааф С. (июнь 2016 г.). «Функциональный виртуальный скрининг лигандов GPCR с использованием комбинированного метода оценки». Научные отчеты . 6 : 28288. Бибкод : 2016NatSR...628288K. дои : 10.1038/srep28288. ПМЦ 4919634 . ПМИД  27339552. 
  22. ^ Irwin JJ, Shoichet BK, Mysinger MM, Huang N, Colizzi F, Wassam P, et al. (сентябрь 2009 г.). «Автоматизированные стыковочные экраны: исследование осуществимости». Журнал медицинской химии . 52 (18): 5712–20. doi :10.1021/jm9006966. PMC 2745826. PMID 19719084  . 
  23. ^ Li H, Leung KS, Ballester PJ, Wong MH (2014-01-24). "istar: веб-платформа для крупномасштабной стыковки белков и лигандов". PLOS ONE . 9 (1): e85678. Bibcode : 2014PLoSO ...985678L. doi : 10.1371/journal.pone.0085678 . PMC 3901662. PMID  24475049. 
  24. ^ ab Zhou H, Skolnick J (январь 2013 г.). "FINDSITE(comb): подход виртуального скрининга лигандов на основе потоков/структуры в протеомном масштабе". Journal of Chemical Information and Modeling . 53 (1): 230–40. doi :10.1021/ci300510n. PMC 3557555 . PMID  23240691. 
  25. ^ Рой А., Сколник Дж. (февраль 2015 г.). «LIGSIFT: инструмент с открытым исходным кодом для структурного выравнивания лигандов и виртуального скрининга». Биоинформатика . 31 (4): 539–44. doi :10.1093/bioinformatics/btu692. PMC 4325547. PMID  25336501 . 
  26. ^ Gaulton A, Bellis LJ, Bento AP, Chambers J, Davies M, Hersey A и др. (январь 2012 г.). «ChEMBL: крупномасштабная база данных биоактивности для открытия лекарств». Nucleic Acids Research . 40 (выпуск базы данных): D1100–7. doi :10.1093/nar/gkr777. PMC 3245175. PMID  21948594 . 
  27. ^ Wishart DS , Knox C, Guo AC, Shrivastava S, Hassanali M, Stothard P и др. (январь 2006 г.). «DrugBank: всеобъемлющий ресурс для обнаружения и исследования лекарств in silico». Nucleic Acids Research . 34 (выпуск базы данных): D668–72. doi :10.1093/nar/gkj067. PMC 1347430. PMID  16381955 . 
  28. ^ Réau M, Langenfeld F, Zagury JF, Lagarde N, Montes M (2018). «Выбор приманок в наборах данных для сравнительного анализа: обзор и перспективы». Frontiers in Pharmacology . 9 : 11. doi : 10.3389/fphar.2018.00011 . PMC 5787549. PMID  29416509 . 
  29. ^ ab Ballester PJ (декабрь 2019 г.). «Выбор функций оценки машинного обучения для виртуального скрининга на основе структуры». Drug Discovery Today: Technologies . 32–33: 81–87. doi : 10.1016/j.ddtec.2020.09.001 . PMID  33386098. S2CID  224968364.
  30. ^ Li H, Sze KH, Lu G, Ballester PJ (2021). «Функции оценки машинного обучения для виртуального скрининга на основе структуры». WIREs Computational Molecular Science . 11 (1): e1478. doi :10.1002/wcms.1478. ISSN  1759-0884. S2CID  219089637.
  31. ^ Wallach I, Heifets A (2018). «Большинство критериев классификации на основе лигандов поощряют запоминание, а не обобщение». Journal of Chemical Information and Modeling . 58 (5): 916–932. arXiv : 1706.06619 . doi :10.1021/acs.jcim.7b00403. PMID  29698607. S2CID  195345933.
  32. ^ Irwin JJ (2008). «Общественные бенчмарки для виртуального скрининга». Журнал компьютерного молекулярного дизайна . 22 (3–4): 193–9. Bibcode : 2008JCAMD..22..193I. doi : 10.1007/s10822-008-9189-4. PMID  18273555. S2CID  26260725.
  33. ^ Good AC, Oprea TI (2008). «Оптимизация методов CAMD 3. Исследования обогащения виртуального скрининга: помощь или помеха в выборе инструмента?». Журнал компьютерного молекулярного дизайна . 22 (3–4): 169–78. Bibcode : 2008JCAMD..22..169G. doi : 10.1007/s10822-007-9167-2. PMID  18188508. S2CID  7738182.
  34. ^ Schneider G (апрель 2010 г.). «Виртуальный скрининг: бесконечная лестница?». Nature Reviews. Drug Discovery . 9 (4): 273–6. doi :10.1038/nrd3139. PMID  20357802. S2CID  205477076.
  35. ^ Ballester PJ (январь 2011). «Сверхбыстрое распознавание формы: метод и приложения». Future Medicinal Chemistry . 3 (1): 65–78. doi :10.4155/fmc.10.280. PMID  21428826.
  36. ^ Lavecchia A, Di Giovanni C (2013). «Стратегии виртуального скрининга при разработке лекарств: критический обзор». Current Medicinal Chemistry . 20 (23): 2839–60. doi :10.2174/09298673113209990001. PMID  23651302.
  37. ^ Spitzer GM, Heiss M, Mangold M, Markt P, Kirchmair J, Wolber G и др. (2010). «Одна концепция, три реализации виртуального скрининга на основе 3D-фармакофоров: отчетливое покрытие пространства химического поиска». Journal of Chemical Information and Modeling . 50 (7): 1241–1247. doi :10.1021/ci100136b. PMID  20583761.
  38. ^ Грант JA, Галлард MA, Пикап BT (1996). «Быстрый метод сравнения молекулярной формы: простое применение гауссовского описания молекулярной формы». Журнал вычислительной химии . 17 (14): 1653–1666. doi :10.1002/(SICI)1096-987X(19961115)17:14<1653::AID-JCC7>3.0.CO;2-K.
  39. ^ Николс А., Грант JA (2005). «Молекулярная форма и электростатика в кодировании соответствующей химической информации». Журнал компьютерного молекулярного дизайна . 19 (9–10): 661–686. doi :10.1007/s10822-005-9019-x. PMID  16328855.
  40. ^ Rush TS, Grant JA, Mosyak L, Nicholls A (2005). «Метод прыжков по трехмерным каркасам на основе формы и его применение к взаимодействию бактериальных белков». Журнал медицинской химии . 48 (5): 1489–1495. doi :10.1021/jm040163o. PMID  15743191.
  41. ^ Cheeseright TJ, Mackey MD, Melville JL, Vinter JG (ноябрь 2008 г.). «FieldScreen: виртуальный скрининг с использованием молекулярных полей. Применение к набору данных DUD». Journal of Chemical Information and Modeling . 48 (11): 2108–2117. doi :10.1021/ci800110p. PMID  18991371.
  42. ^ Lang S, Slater MJ (май 2024 г.). «Стратегии виртуального скрининга для идентификации новых хемотипов». Журнал медицинской химии . 67 (9): 6897–6898. doi : 10.1021/acs.jmedchem.4c00906 . PMID  38654500.
  43. ^ Ni B, Wang H, Khalaf HK, Blay V, Houston DR (май 2024 г.). «AutoDock-SS: AutoDock для виртуального скрининга на основе мультиконформационных лигандов». Journal of Chemical Information and Modeling . 64 (9): 3779–3789. doi :10.1021/acs.jcim.4c00136. PMC 11094722 . PMID  38624083. 
  44. ^ Neves BJ, Braga RC, Melo-Filho CC, Moreira-Filho JT, Muratov EN, Andrade CH (2018-11-13). "Виртуальный скрининг на основе QSAR: достижения и применение в разработке лекарственных препаратов". Frontiers in Pharmacology . 9 : 1275. doi : 10.3389/fphar.2018.01275 . PMC 6262347. PMID  30524275. 
  45. ^ Alsenan S, Al-Turaiki I, Hafez A (декабрь 2020 г.). «Рекуррентная модель нейронной сети для прогнозирования проницаемости гематоэнцефалического барьера». Computational Biology and Chemistry . 89 : 107377. doi : 10.1016/j.compbiolchem.2020.107377 . PMID  33010784.
  46. ^ Dimitri GM, Lió P (июнь 2017 г.). «DrugClust: подход машинного обучения для прогнозирования побочных эффектов лекарств». Computational Biology and Chemistry . 68 : 204–210. doi : 10.1016/j.compbiolchem.2017.03.008. PMID  28391063.
  47. ^ Shoombuatong W, Schaduangrat N, Pratiwi R, Nantasenamat C (июнь 2019 г.). «THPep: подход на основе машинного обучения для прогнозирования пептидов, направляющих опухоли». Computational Biology and Chemistry . 80 : 441–451. doi : 10.1016/j.compbiolchem.2019.05.008. PMID  31151025.
  48. ^ Gurujee CS, Deshpande VL (февраль 1978). «Улучшенный метод анализа подструктур». Computers & Structures . 8 (1): 147–152. doi :10.1016/0045-7949(78)90171-2.
  49. ^ Pradeepkiran JA, Reddy PH (март 2019 г.). «Исследования структурно-ориентированного проектирования и молекулярной стыковки для ингибиторов фосфорилированного тау при болезни Альцгеймера». Клетки . 8 (3): 260. doi : 10.3390/cells8030260 . PMC 6468864 . PMID  30893872. 

Дальнейшее чтение

Внешние ссылки