生成网络复合体（GNC）用于药物发现
摘要：具有良好药理学性质的各种新化合物的生成仍然是一项具有挑战性的任务。在本研究中，提出了一种生成网络复合物（GNC）作为设计新化合物、预测其物理化学性质以及选择满足各种可药物化标准（如结合亲和力、溶解度、分配系数等）的潜在候选药物的新平台。我们将SMILES字符串生成器（由编码器、药物性质受控或调节的潜在空间和解码器组成）与验证深度神经网络、针对特定目标的三维姿态生成器和数学深度学习网络结合起来，生成新化合物，预测其药物性质，构建与目标蛋白相关的三维姿态，并重新评估可药物化能力。新的化合物可以通过随机输出、受控输出或优化输出在潜在空间中生成。在我们的示范中，分别为Cathepsin S和BACE目标生成了208万个和280万个新化合物。这些新化合物与种子非常不同，并覆盖了更大的化学空间。对于潜在活性化合物，使用最先进的方法生成它们的三维姿态。通过基于代数拓扑学、微分几何学和代数图论的卓越深度学习算法进一步评估这些生成的三维复合物的可药物化能力。在超级计算机上进行的整个过程不到一周。因此，我们的GNC是一种高效的发现新药候选物的新范式。
作者：Christopher Grow, Kaifu Gao, Duc Duy Nguyen, and Guo-Wei Wei
论文ID：1910.14650
分类：Biomolecules
分类简称：q-bio.BM
提交时间：2019-11-01