NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Burada, piperin hedeflerinin tahmini ve küçük bir molekül kütüphanesinden benzer (piperin) bileşiklerin başka bir tahmini için derin öğrenme yöntemi kullanılarak iki aşamalı bir novo yaklaşımı geliştirilmiştir. Derin öğrenme ve sinir ağı yaklaşımları hedef tahmin, benzerlik aramaları ve doğrulama için kullanıldı. Mevcut yaklaşım, verileri içeren kayıtlar üzerinde eğitildi. Model, eğitim ve test setinin sırasıyla% 70 ve% 30 (17 226 / 40 197) olarak tutulduğu yaklaşık% 87.5'lik bir genel doğruluk elde etti. Bu yöntem iki hedefi (MAO-A ve MAO-B) ve piperin türevleri olarak 101 bileşiği öngördü. MAO-A ve MAO-B Parkinson hastalığında önemli ilaç hedefleridir. Bu yöntemin doğrulanması, seçilen tüm bileşiklerin moleküler kenetlenme, dinamik simülasyonu ve simülasyon sonrası analizi kullanılarak piperin ve hedeflerinin (monoamin oksidaz A ve B) dikkate alınarak da gerçekleştirildi. Rasagiline, lazabemide ve selegiline, bu hedeflere karşı zaten FDA onaylı ilaçlar olan kontroller olarak seçildi. FDA onaylı ilaçların ve DL ve sinir ağları kullanarak tahmin ettiğimiz bileşiklerin moleküler kenetlenme çalışmaları MAO-A ve MAO-B'ye karşı gerçekleştirildi. Moleküler kenetlenmenin puanlama fonksiyonu, moleküler dinamik simülasyonu ve serbest enerji hesaplamalarını genişletilmiş doğrulama yöntemleri olarak kullanarak, burada tahmin edilen bileşiklerin seçilen hedeflere karşı mükemmel inhibitör etkilere sahip olduğu gözlemlenmiştir. Bu nedenle, derin öğrenme, potansiyel bileşiklerin, hedeflerinin tahmininde çok etkili bir rol oynayabilir ve bilgisayar destekli ilaç yaklaşımlarında genişletilmiş bir rol oynayabilir.
Özgün kaynak özetini okuyun
Herein, a two-step de novo approach was developed for the prediction of piperine targets and another prediction of similar (piperine) compounds from a small molecule library using a deep-learning method. Deep-learning and neural-network approaches were used for target prediction, similarity searches, and validation. The present approach was trained on records containing the data. The model attained an overall accuracy of around 87.5%, where the training and test set was kept as 70% and 30% (17 226/40 197), respectively. This method predicted two targets (MAO-A and MAO-B) and 101 compounds as piperine derivatives. MAO-A and MAO-B are important drug targets in Parkinson's disease. Validation of this method was also performed by considering piperine and its targets (monoamine oxidase A and B) using molecular docking, dynamics simulation and post-simulation analysis of all the selected compounds. Rasagiline, lazabemide, and selegiline were selected as controls, which are already FDA-approved drugs against these targets. Molecular docking studies of the FDA-approved drugs and the compounds we predicted using DL and neural networks were carried out against MAO-A and MAO-B. Using the molecular docking's scoring function, molecular dynamics simulation and free energy calculations as extended validation methods, it was observed that the compounds predicted herein possessed excellent inhibitory effects against the selected targets. Thus, deep learning may play a very effective role in predicting the potential compounds, their targets and can play an expanded role in computer-aided drug approaches.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.