GPCR 的虚拟筛选：一种计算机化学生基因组学方法
定量方法
2008-01-29 v1
摘要
G 蛋白偶联受体 (GPCR) 超家族目前是最大的治疗靶点类别。因此，GPCR 与小分子之间相互作用的计算机 (\textit{In silico}) 预测是药物发现过程中的关键步骤，但由于难以表征大多数 GPCR 的 3D 结构以及该超家族某些成员的已知配体数量有限，这仍然是一项艰巨的任务。化学生基因组学试图同时表征靶点类别所有成员与所有小分子之间的相互作用，最近被提出作为传统对接或基于配体的虚拟筛选策略的有趣替代方案。我们提出了新的计算机化学生基因组学方法，并在 GPCR 的虚拟筛选中对其进行了验证。这些方法是对最近提出的一种基于支持向量机 (SVM) 的机器学习策略的扩展，该策略提供了一个灵活的框架，以整合关于靶点生物空间和小分子化学空间的各种信息源。我们研究了对小分子使用 2D 和 3D 描述符，并测试了多种 GPCR 描述符。例如，我们表明，结合关于靶点家族已知层级分类的信息以及关于其推断结合口袋中关键残基的信息，可显著提高我们模型的预测准确率。特别是，我们能够以估计为 78.1% 的准确率预测孤儿 GPCR 的配体。
引用
@article{arxiv.0801.4301,
title = {Virtual screening of GPCRs: an in silico chemogenomics approach},
author = {Laurent Jacob and Brice Hoffmann and Véronique Stoven and Jean-Philippe Vert},
journal= {arXiv preprint arXiv:0801.4301},
year = {2008}
}