改进的语言模型和循环神经网络优化新药设计

近年来,以深度学习为代表的机器学习已成为新药设计的有力工具。计算策略用于从没有先验关系的原子构建块生成新的分子结构。循环神经网络能够捕获大量已知生物活性化合物的组成,使用简化的分子输入行输入系统的化学结构字符串表示来预测新化合物的期望性质。通过使用在NPL中广泛使用的Word2Vec方法设计语言模型,探索SMILES序列分子底层特征之间的联系,并将其整合到LSTM网络中,结果表明,该模型对药物的初始设计有更好的优化效果。

药物分子设计研究进展

综述了药物分子设计研究取得的一些进展,对今后的发展趋势进行了展望,对我院在药物设计方面的发展提出了一些建议。

吲哚衍生物类VEGFR-2酪氨酸激酶抑制剂的从头设计

以血管内皮生长因子受体-2(VEGFR-2)酪氨酸激酶的晶体结构为基础,采用从头药物设计方法,设计了一系列吲哚类化合物,并用类药性和分子对接进行了筛选,最后得到10个对接能量较低的化合物分子,对具有最低结合能的化合物与VEGFR-2酪氨酸激酶的复合物进行了10 ns的分子动力学模拟,并对其结合模式进行了分析.这些化合物结构新颖,可能作为抗肿瘤的先导化合物或候选药物.本文结果为VEGFR-2酪氨酸激酶抑制剂的进一步改造、设计及合成提供了理论基础,并有助于开发高活性和高选择性的抗肿瘤药物.

全新药物设计方法的新进展

简要概述全新药物设计方法的一般原理、步骤及应用实例 ,重点评述全新药物设计方法中分子生成策略的进展。全新药物设计方法是一种基于受体结构三维信息 ,采用计算机辅助药物设计技术 ,设计出能与受体特异性结合的先导化合物。

HIV-1 gp41蛋白与其抑制剂NB-2的结合模式

为了设计以HIV-1跨膜蛋白gp41为靶点的抑制剂,采用分子对接、分子动力学模拟及自由能计算方法研究了gp41与其抑制剂NB-2的结合模式,利用从头药物设计方法,通过改造NB-2的结构,设计了有效的gp41选择性抑制剂,并用分子对接方法评价了这些新化合物的结合模式和能力.从分子对接结果得到2种主要的NB-2与gp41的结合模式.分子动力学模拟和自由能计算结果表明,结合模式1优于模式2,所以模式1是比较合理的结合模式.从结合模式1出发设计了103个新的化合物,这些化合物具有已知gp41抑制剂所没有的结构特征且大部分化合物比NB-2与gp41的结合自由能低.得到的结合模式合理解释了NB-2与gp41的相互作用.

虚拟化合物的可专利性研究

先导化合物是现代新药研发的出发点,发现和寻找先导化合物有多种多样的途径和方法。虚拟化合物是一种基于受体结构的三维信息,采用计算机辅助药物设计技术设计出的能与受体特异性结合的先导化合物。是否保护专利化合物的虚拟形式使用和由此产生的虚拟化合物是决定这一全新药物设计方法广泛普及和向前发展的关键所在。

全新药物设计方法与常用软件及其在抗癌药物设计中的应用

计算机辅助药物设计已普遍应用于药物研发过程,大大加快了药物开发的速度。特别是全新药物设计方法可以用于识别作用于特异性靶点的全新配体结构。全新药物设计常用软件有LUDI,LigBuilder,LeapFrog,SPROUT和SYNOPSIS等,常用方法有片段连接、片段生长、侧链替换和骨架跃迁等。全新药物设计方法在一些抗癌化合物,如纺锤体驱动蛋白抑制剂、血管内皮生长因子抑制剂、亲环蛋白A抑制剂和BRAF抑制剂等的发现方面,已经发挥了重要作用。综述全新药物设计方法与常用软件,并举例讨论其在新型抗癌药物领域中的应用。

基于深度学习的全新药物设计研究进展

先导化合物的设计和发现是新药研发中最具挑战性和创造性的阶段,其过程需考虑候选分子的结构新颖性、生物活性、靶标选择性、可合成性、成药性和安全性等多种属性的优化.虽然计算机辅助药物设计方法的发展和应用大大节省了先导化合物发现阶段的时间和经济成本,但仍未能扭转新药研发成功率低的现状.近年来,随着深度学习技术的不断发展,基于深度学习的全新药物设计方法为先导化合物的发现带来新的契机,前景巨大.这些全新药物设计模型使用的深度学习框架包括编码-解码器、循环神经网络、生成对抗网络、强化学习等.本文综述了这些深度学习框架的基本原理、模型输入分子表征以及效果评测指标,并对其在全新药物设计领域的应用前景进行了展望.

基于深度学习的全新药物分子设计:原理、工具与实践

利用深度学习方法设计具有全新结构的药物分子可以突破传统计算机辅助药物设计的技术瓶颈,已经成为药物设计新技术研究的前沿,在药物研发实践中展现了巨大潜力。本文从深度学习驱动的全新分子设计的基本原理出发,简要介绍了深度分子生成技术和计算工具,分析了若干代表性成功案例,最后对该技术的未来发展方向和应用前景进行了展望。本综述将为新技术研究提供思路,为应用该技术开展新药研发实践提供借鉴。

用从头药物设计方法合理设计HIV-1整合酶抑制剂

目的:合理设计新的HIV-1整合酶抑制剂。方法:采用从头药物设计方法,从苯乙烯基喹啉抑制剂与整合酶的活性位点出发,产生3220个化合物。同时,通过分子对接方法模拟分析这些化合物与整合酶的结合能和结合模式。结果:设计产生的这些化合物能结合于HIV-1整合酶的活性区域中,包含4类在已知苯乙烯基喹啉类抑制剂中没有的新结构:乙烯基萘类、苯乙烯基苯并氮蒽类、苯乙烯基苯并喹啉类和杂环类。结论:本研究对进一步进行苯乙烯基喹啉类抑制剂的结构改造以及研制新的HIV-1整合酶抑制剂具有一定的指导意义。

自组装ELP多肽的从头设计及其在生物医药领域中的应用进展

重组类弹性蛋白多肽(elastin-like polypeptides, ELPs)是一种通过基因工程方法合成的多肽聚合物,其结构由类弹性蛋白的肽段单元重复串连组成,具有刺激响应性、自组装特性、显著的弹性和良好的生物学特性,如低血小板黏附性和低免疫原性等,因此ELPs材料已被广泛应用于组织工程、药物输送和纳米生物器件制备等生物医药应用领域。本文综合了国内外文献报道,简要介绍了ELPs的性质,重点阐述了ELPs自组装的设计原理、结构及其在药物控释等生物医药领域中的研究与应用进展。

深度学习辅助药物发现的研究进展

深度学习技术近年来取得了重大突破,被应用于医学、药学等多个领域。聚焦深度学习在创新药物发现中的发展和应用,对深度学习被用于蛋白结构预测、药物靶标预测、药物-靶标相互作用预测、药物合成路线设计、从头药物分子设计以及药物吸收、分布、代谢、排泄和毒性(ADMET)预测等代表性案例进行详细综述,同时总结了现有方法面临的问题和可能的解决思路,以期为深度学习辅助药物发现相关方法的发展和应用提供借鉴与思考。

深度学习在药物设计与发现中的应用

在新药创制的药物设计与发现所采用的多种技术中,深度学习仍处于初级阶段,但近年来以其独有的特点,开始应用于虚拟化合物库的生成,化合物活性、代谢和毒性的预测,以及有机合成反应预测等多个方面。与传统的机器学习方法相比,深度学习的预测能力无明显优势,但其无需人工归纳总结数据特征,而是具有学习能力,自动提取特征。与基于第一性原理的计算化学相比,深度学习虽然因为对标注明晰的大数据集的依赖,存在泛化能力的不足,但其以原子为中心进行卷积的表征开始助力计算化学。深度学习作为新兴技术发展迅速,不依赖于大量标注数据的非监督学习等方法在逐渐完善,有望能更好地助力新药研发。