深度学习在生成潜在NMDA受体拮抗剂中的应用与评估
生物大分子
2021-01-14 v1 机器学习
摘要
N-甲基-D-天冬氨酸受体（NMDAR）的非竞争性拮抗剂已在帕金森病和阿尔茨海默病等神经疾病的治疗中显示出疗效，但部分拮抗剂也会引起分离效应，导致合成非法药物。因此，在计算上生成NMDAR拮抗剂对于新药开发和 preempting 及识别新型设计药物都是可取的。近来，生成式深度学习模型已被应用于从头药物设计，以扩展可探索的潜在类药化合物的化学空间。在本研究中，我们评估了将生成模型应用于NMDAR以实现两个主要目标：（i）创建并发布一个经实验验证的NMDAR苯环利定（PCP）位点拮抗剂综合库，以协助药物发现界；（ii）分析此类生成式人工智能模型应用于药物设计所带来的优势及该方法的当前局限。我们应用并提供了标准药物发现分析中使用的多种基于配体和基于结构的评估技术的源代码，用于深度学习生成的化合物。我们提出十二个在现有化学数据库中不可得的候选拮抗剂，以此作为此类工作流可达成结果的示例，尽管这些化合物的合成与实验验证仍待完成。
引用
@article{arxiv.2003.14360,
title = {Application and Assessment of Deep Learning for the Generation of Potential NMDA Receptor Antagonists},
author = {Katherine J. Schultz and Sean M. Colby and Yasemin Yesiltepe and Jamie R. Nuñez and Monee Y. McGrady and Ryan R. Renslow},
journal= {arXiv preprint arXiv:2003.14360},
year = {2021}
}