GPCRs的虚拟筛选：一种基于计算化学基因组学的方法
摘要：GPCR超家族是目前治疗靶点中最大的一个类别。因此，在药物发现过程中，\textit{in silico}预测GPCRs与小分子之间的相互作用是一个关键步骤，由于大多数GPCRs的三维结构很难表征，以及一些超家族成员的已知配体有限，这仍然是一项艰巨的任务。化学基因组学试图同时描述一个目标类别的所有成员与所有小分子之间的相互作用，最近已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法。我们提出了新的\textit{in silico}化学基因组学方法，并在GPCRs的虚拟筛选中对其进行验证。该方法是对一种最近提出的基于支持向量机(SVM)的机器学习策略的扩展，该策略提供了一个灵活的框架，可以将有关目标的生物空间和小分子的化学空间的各种信息源纳入考虑。我们对小分子使用2D和3D描述符，并测试了各种GPCRs的描述符。我们表明，将目标家族的已知分级信息以及其推断的结合口袋中的关键残基的信息纳入模型显著提高了预测准确性。特别是，我们能够预测孤儿GPCRs的配体，预测准确性估计为78.1%。
作者：Laurent Jacob (CB), Brice Hoffmann (CB), V\'eronique Stoven (CB), Jean-Philippe Vert (CB)
论文ID：0801.4301
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2008-01-29