💻 bioinformatics

Structure-Based and Stability-Validated Prioritization of BACE1 Inhibitors Integrating Meta-Ensemble QSAR and Molecular Dynamics

यह अध्ययन एक सुदृढ़, बहु-मानदंड कम्प्यूटेशनल ढांचे को प्रस्तुत करता है जो नवीन BACE1 अवरोधकों की पहचान और सत्यापन के लिए मेटा-एन्सेम्बल QSAR, संरचना-आधारित डॉकिंग और आणविक गतिशीलता (मॉलिक्यूलर डायनेमिक्स) को एकीकृत करता है, जो अंततः अल्जाइमर रोग चिकित्सा के लिए एक आशाजनक लीड के रूप में Mol-2 को उसकी पुष्ट स्थिरता और अनुकूल CNS ड्रग-लाइक गुणों के साथ प्राथमिकता देता है।

मूल लेखक: Chowdhury, T. D., Shafoyat, M. U., Hemel, N. H., Nizam, D., Sajib, J. H., Toha, T. I., Nyeem, T. A., Farzana, M., Haque, S. R., Hasan, M., Siddiquee, K. N. e. A., Mannoor, K.

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chowdhury, T. D., Shafoyat, M. U., Hemel, N. H., Nizam, D., Sajib, J. H., Toha, T. I., Nyeem, T. A., Farzana, M., Haque, S. R., Hasan, M., Siddiquee, K. N. e. A., Mannoor, K.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप मानव मस्तिष्क के भीतर एक विशिष्ट, टूटे हुए ताले को खोलने के लिए एक मास्टर की (master key) खोजने की कोशिश कर रहे हैं। यह ताला एक एंजाइम है जिसे BACE1 कहा जाता है, और जब यह "ऑन" स्थिति में अटक जाता है, तो यह उन चिपचिपे प्लाक (plaques) को बनाने में मदद करता है जो अल्जाइमर रोग का कारण बनते हैं।

द दशकों से, वैज्ञानिक इस ताले को बंद करने के लिए एक चाबी (ड्रग) खोजने की कोशिश कर रहे हैं। लेकिन समस्या यह है कि अब तक उन्होंने जो भी चाबियाँ बनाई हैं, वे या तो ताले को खोलने के लिए बहुत कमजोर हैं, या वे इतनी बड़ी और अनाड़ी हैं कि वे दरवाजे के फ्रेम (ब्लड-ब्रेन बैरियर) में फंस जाती हैं या घर को ही तोड़ देती हैं (विषाक्तता/toxicity) इससे पहले कि वे ताले तक पहुँच सकें।

यह शोध पत्र एक नई, अत्यंत स्मार्ट डिजिटल जासूसी प्रणाली (digital detective system) का वर्णन करता है, जिसे खराब उम्मीदवारों पर वर्षों का समय और पैसा बर्बाद किए बिना एक आदर्श चाबी खोजने के लिए डिज़ाइन किया गया है।

यह प्रणाली कैसे काम करती है, इसे सरल चरणों में यहाँ समझाया गया है:

1. "सुपर-स्कैनर" (The Meta-Ensemble QSAR)

कल्पना कीजिए कि आपके पास 16,000 संभावित चाबियों के ढेर को देखने के लिए पांच अलग-अलग विशेषज्ञ हैं।

विशेषज्ञ A आकार पहचानने में माहिर है।
विशेषज्ञ B रासायनिक पैटर्न पहचानने में माहिर है।
विशेषज्ञ C यह अनुमान लगाने में माहिर है कि चाबी कितनी मजबूत होगी।
विशेषज्ञ D और E के पास अपने विशेष तरीके हैं।

केवल एक विशेषज्ञ पर भरोसा करने के बजाय, शोधकर्ताओं ने इन सभी पांचों विशेषज्ञों की राय को मिलाने के लिए एक "सुपर-स्कैनर" बनाया है। वे इसे एक मेटा-एन्सेम्बल (Meta-Ensemble) कहते हैं। यदि पांच में से चार विशेषज्ञ कहते हैं, "हे, यह चाबी आशाजनक लग रही है!" तो सिस्टम उसे चिह्नित करता है। यह एक नकली चाबी चुनने की संभावना को कम करता है।

परिणाम: इस स्कैनर ने 16,000 चाबियों में से केवल 153 को छाँटा जो वास्तव में काम कर सकती थीं।

2. "फिट चेक" (Molecular Docking)

अब, सिस्टम उन 153 चाबियों को BACE1 ताले के एक डिजिटल 3D मॉडल में भौतिक रूप से फिट करने की कोशिश करता है।

यह एक आभासी लॉक-पिकिंग प्रतियोगिता (virtual lock-picking contest) की तरह है।
कंप्यूटर चाबियों को चारों ओर घुमाता है ताकि यह देख सके कि कौन सी चाबियाँ खांचों में पूरी तरह फिट बैठती हैं।
यह भी जाँचता है कि क्या चाबी ताले के अंदर के "टम्बलर पिन्स" (विशेष रूप से दो महत्वपूर्ण हिस्से जिन्हें Asp32 और Asp228 कहा जाता है) के साथ संपर्क करती है। यदि चाबी इन पिन्स को नहीं छूती है, तो वह काम नहीं करेगी।

3. "स्मार्ट वेटिंग" (The Protein Language Model)

यह इस शोध पत्र का सबसे रचनात्मक मोड़ है। आमतौर पर, वैज्ञानिक केवल अंदाज़ा लगाते हैं कि ताले के कौन से हिस्से सबसे महत्वपूर्ण हैं। लेकिन इस टीम ने एक AI का उपयोग किया जो प्रोटीन की "भाषाओं" को पढ़ता है (जीव विज्ञान के लिए एक अनुवादक की तरह)।

कल्पना कीजिए कि ताला एक गुप्त कोड में लिखा गया है। AI (जिसे ESM-1b कहा जाता है) उस कोड को पढ़ता है और वैज्ञानिकों को बताता है: "हे, यह विशिष्ट पिन बहुत महत्वपूर्ण है, और वह दूसरा वाला सिर्फ सजावट है।"
यह प्रणाली इस AI ज्ञान को पुराने जैविक ज्ञान के साथ जोड़ती है ताकि ताले के सबसे महत्वपूर्ण हिस्सों के साथ चाबी के जुड़ाव को एक "स्कोर" दिया जा सके।

4. "सुरक्षा और यात्रा" की जाँच (ADMET)

भले ही एक चाबी ताले में पूरी तरह फिट बैठती हो, लेकिन यदि वह मस्तिष्क तक नहीं पहुँच सकती या जहरीली है, तो वह बेकार है। सिस्टम शीर्ष चाबियों की बैकग्राउंड जाँच करता है:

क्या यह यात्रा कर सकती है? (क्या यह ब्लड-ब्रेन बैरियर को पार कर सकती है? इसे एक सख्त सीमा नियंत्रण के रूप में सोचें जो केवल छोटे, अनुकूल अणुओं को ही अंदर जाने देता है)।
क्या यह सुरक्षित है? (क्या यह लिवर को नुकसान पहुँचाएगी या दिल की धड़कन रोक देगी?)।
क्या यह घुल जाएगी? (क्या शरीर इसे बहुत जल्दी तोड़ देगा?)।

5. "स्ट्रेस टेस्ट" (Sensitivity Analysis)

शोधकर्ता जानते थे कि कभी-कभी, यदि आप खेल के नियम थोड़े बदल देते हैं (जैसे "सुरक्षा" को "फिट होने" से थोड़ा अधिक महत्व देना), तो विजेता बदल सकता है।

उन्होंने एक स्ट्रेस टेस्ट चलाया: "क्या होगा अगर हम हर नियम के महत्व को 10% से थोड़ा बदल दें?"
अच्छी खबर: शीर्ष चाबियाँ शीर्ष पर ही रहीं! इसका मतलब है कि उनकी प्रणाली मजबूत (robust) है। यह कोई इत्तेफाक नहीं है; विजेता वास्तव में अच्छे चाबी हैं, न कि केवल किसी विशिष्ट नियम के आधार पर भाग्यशाली चयन।

6. "रियल-टाइम मूवी" (Molecular Dynamics)

अंत में, उन्होंने केवल ताले में चाबी की एक स्थिर फोटो नहीं देखी। उन्होंने एक 200-नैनोसेकंड की मूवी (एक सुपर-फास्ट सिमुलेशन) बनाई ताकि देखा जा सके कि समय के साथ क्या होता है।

क्या चाबी बाहर निकलकर हिलने लगती है?
क्या ताला बिखर जाता है?
विजेता: एक उम्मीदवार, जिसका नाम Mol-2 था, इस शो का स्टार रहा। यह पूरी तरह से फिट हुआ, बिना हिले-डुले अपनी जगह पर बना रहा, और सभी सुरक्षा जाँचों में सफल रहा।

मुख्य निष्कर्ष (The Bottom Line)

शोधकर्ताओं ने केवल एक चाबी नहीं खोजी; उन्होंने चाबियाँ बनाने के लिए एक बेहतर फैक्ट्री बनाई है।

वे 16,196 उम्मीदवारों से शुरू हुए।
उन्होंने उन्हें 111 अच्छे ड्रग-लाइक उम्मीदवारों तक छाँटा।
उन्होंने 7 शीर्ष दावेदारों को चुना।
और उन्होंने Mol-2 को सबसे आशाजनक लीड के रूप में उजागर किया।

यह क्यों मायने रखता है?
अल्जाइमर के इलाज को खोजना घास के ढेर में सुई खोजने जैसा है। यह शोध पत्र घास के ढेर को छाँटने का एक नया, स्मार्ट तरीका दिखाता है। यह सुनिश्चित करने के लिए कि जब वैज्ञानिक अंततः इन दवाओं का वास्तविक जीवन में परीक्षण करेंगे, तो वे सर्वश्रेष्ठ संभावित उम्मीदवारों का परीक्षण कर रहे हैं, यह AI, जीव विज्ञान और गणित को जोड़ता है, जिससे समय, पैसा और संभावित रूप से जीवन बचाया जा सकता है।

संक्षेप में: उन्होंने एक डिजिटल फिल्टर बनाया जो कठिन, स्मार्ट और निष्पक्ष है, यह सुनिश्चित करता है कि केवल सबसे मजबूत, सबसे सुरक्षित और सबसे प्रभावी चाबियाँ ही प्रतियोगिता के अंतिम दौर में पहुँचें।

यहाँ शोध पत्र "An Interpretable and Robust Multi-Parameter Prioritization Framework for BACE1 Inhibitors Integrating Meta-Ensemble QSAR, Protein Language Model–Guided Residue Weighting, and Sensitivity-Validated Ranking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अल्जाइमर रोग (AD) एक गंभीर चिकित्सीय चुनौती बना हुआ है क्योंकि अभी तक कोई भी स्वीकृत $\beta$ -सेक्रेटेज (BACE1) अवरोधक (inhibitor) उपलब्ध नहीं है। पिछले खोज प्रयास मुख्य रूप से एकल-पैरामीटर अनुकूलन (जैसे, केवल बाइंडिंग एफिनिटी या डॉकिंग स्कोर पर ध्यान केंद्रित करना) पर निर्भरता के कारण विफल रहे हैं। यह दृष्टिकोण सेंट्रल नर्वस सिस्टम (CNS) ड्रग डिस्कवरी की जटिल, बहु-कारक आवश्यकताओं की उपेक्षा करता है, जिसके लिए निम्नलिखित का एक साथ अनुकूलन आवश्यक है:

लक्ष्य जुड़ाव (target engagement/binding affinity)।
फार्माकोकाइनेटिक्स (अवशोषण, चयापचय, उत्सर्जन)।
विषाक्तता और सुरक्षा प्रोफाइल।
ब्लड-ब्रेन बैरियर (BBB) पारगम्यता।

मौजूदा कम्प्यूटेशनल फ्रेमवर्क अक्सर अवशेष-स्तरीय (residue-level) अंतःक्रियाओं के संबंध में व्याख्यात्मकता (interpretability) की कमी रखते हैं और बिना यह मात्रात्मक रूप से सत्यापित किए कि उनके रैंकिंग परिणाम भार परिवर्तन (weight perturbations) के विरुद्ध कितने सुदृढ़ हैं, अनुमानी वेटिंग स्कीम (heuristic weighting schemes) पर निर्भर रहते हैं।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक व्यापक, जीव विज्ञान-आधारित कम्प्यूटेशनल वर्कफ़्लो विकसित किया जो चार अलग-अलग मॉड्यूल को एकीकृत करता है:

A. डेटासेट निर्माण और लाइब्रेरी असेंबली

प्रशिक्षण डेटा (Training Data): ChEMBL से क्यूरेट किए गए 2,401 BACE1 अवरोधक (1,921 प्रशिक्षण, 480 परीक्षण)। यौगिकों को मानकीकृत किया गया, और संरचनात्मक रिसाव (structural leakage) को रोकने के लिए एक स्कैफोल्ड-आधारित विभाजन (Bemis–Murcko) का उपयोग किया गया।
स्क्रीनिंग लाइब्रेरी: 16,196 यौगिकों की एक विविध लाइब्रेरी तैयार की गई, जिसमें शामिल थे:
- 2,614 CNS-सक्रिय यौगिक (PubChem)।
- न्यूरोप्रोटेक्टिव पौधों से प्राप्त 6,065 फाइटोकेमिकल्स (IMPPAT)।
- 1,616 FDA-अनुमोदित दवाएं और 5,901 जांचाधीन यौगिक (ZINC)।

B. मेटा-एन्सेम्बल QSAR मॉडलिंग

फीचर रिप्रेजेंटेशन: एक्सटेंडेड-कनेक्टिविटी फिंगरप्रिंट्स (ECFP4, 2048 बिट्स)।
एल्गोरिदम: पांच ट्री-आधारित क्लासिफायर (Random Forest, Extra Trees, XGBoost, Gradient Boosting, LightGBM)।
एन्सेम्बल रणनीति: एक वेटेड सॉफ्ट-वोटिंग मेटा-एन्सेम्बल बनाया गया। फॉल्स पॉजिटिव को कम करने के लिए ट्रू नेगेटिव रेट (TNR) के आधार पर भार (weights) आवंटित किए गए।
वैलिडेशन: मॉडल संयोगपूर्ण सहसंबंधों (chance correlations) को न सीख रहा हो, यह सुनिश्चित करने के लिए कठोर सत्यापन 5-फोल्ड क्रॉस-वैलिडेशन, एक्सटर्नल वैलिडेशन और Y-रैंडमाइजेशन ( $n=100$ ) के माध्यम से किया गया। एप्लिकेबिलिटी डोमेन (AD) को टैनिमोटो समानता (Tanimoto similarity) का उपयोग करके परिभाषित किया गया।

C. स्ट्रक्चर-आधारित डॉकिंग और हाइब्रिड रेसिड्यू वेटिंग

डॉकिंग: BACE1 (PDB: 6EJ3) के साथ AutoDock Vina का उपयोग करके की गई।
रेसिड्यू इम्पॉर्टेंस स्कोरिंग: व्याख्यात्मकता बढ़ाने के लिए, एक हाइब्रिड वेटिंग स्कीम विकसित की गई:
1. जैविक स्कोर (Biological Scores): स्थापित उत्प्रेरक भूमिकाओं (जैसे, Asp32/Asp228 डायड) पर आधारित।
2. PLM स्कोर: ESM-1b प्रोटीन लैंग्वेज मॉडल (650M पैरामीटर्स) से प्राप्त प्रासंगिक एम्बेडिंग्स।
3. एकीकरण: एक हाइब्रिड स्कोर की गणना जैविक और PLM-व्युत्पन्न स्कोर के माध्य (mean) के रूप में की गई, जिससे अवशेष महत्व के अनुक्रम-प्रासंगिक विश्लेषण की अनुमति मिली।

D. ADMET प्रोफाइलिंग और मल्टी-पैरामीटर रैंकिंग

ADMET भविष्यवाणी: अवशोषण, वितरण, चयापचय, विषाक्तता (AMES, hERG, हेपेटोटॉक्सिसिटी) और भौतिक-रासायनिक गुणों की भविष्यवाणी के लिए AdmetLAB 2.0 का उपयोग किया गया।
नॉर्मलाइजेशन: सभी मेट्रिक्स (QSAR, डॉकिंग, इंटरैक्शन, ADMET) को 0–1 के पैमाने पर नॉर्मलाइज किया गया।
कंपोजिट स्कोरिंग: एक वेटेड सम फॉर्मूला लागू किया गया। विषाक्तता (Toxicity) को उच्चतम भार (0.25) दिया गया, इसके बाद BBB प्रवेश (0.125) और इंटरैक्शन स्कोर आए। मशीन लर्निंग और डॉकिंग स्कोर को एनरिचमेंट फिल्टर के रूप में कम भार (0.025 और 0.05) दिया गया।

E. संवेदनशीलता और मजबूती का विश्लेषण (Robustness and Sensitivity Analysis)

ग्लोबल सेंसिटिविटी एनालिसिस: वेटिंग स्कीम का परीक्षण 50 सिमुलेशन में भार को $\pm10\%$ और $\pm25\%$ तक यादृच्छिक रूप से बदलकर किया गया।
एब्लेशन अध्ययन (Ablation Studies): अंतिम रैंकिंग पर प्रभाव का आकलन करने के लिए व्यक्तिगत घटकों को हटाया गया।

F. मॉलिक्यूलर डायनेमिक्स (MD) सिमुलेशन

शीर्ष उम्मीदवारों के लिए बाइंडिंग स्थिरता, RMSD, RMSF और इंटरैक्शन निरंतरता का मूल्यांकन करने के लिए 200 ns MD सिमुलेशन (OPLS_2005 फोर्स फील्ड, Desmond) किए गए।

3. मुख्य परिणाम

मॉडल प्रदर्शन

मेटा-एन्सेम्बल मॉडल ने टेस्ट सेट पर Accuracy 0.852 और ROC–AUC 0.920 प्राप्त किया।
Y-रैंडमाइजेशन ने सांख्यिकीय महत्व ( $p = 0.009$ ) की पुष्टि की, जिससे संयोगपूर्ण सहसंबंधों की संभावना खारिज हो गई।
एप्लिकेबिलिटी डोमेन (AD): प्रशिक्षण और परीक्षण के 94.3% और 91.3% यौगिक AD के भीतर थे। AD से बाहर के भविष्यवाणियों की विश्वसनीयता कम थी (AUC गिरकर 0.801 हो गया)।

स्क्रीनिंग और प्राथमिकता

16,196 स्क्रीन किए गए यौगिकों में से, 153 सक्रिय होने की भविष्यवाणी की गई।
Lipinski फिल्टरिंग के बाद, 111 ड्रग-लाइक उम्मीदवार बचे।
कंपोजिट स्कोर के आधार पर शीर्ष 7 लीड्स (Mol-1 से Mol-7) का चयन किया गया।
- Mol-1 और Mol-2 शीर्ष उम्मीदवार के रूप में उभरे, जिन्होंने Asp32 और Asp228 के साथ उत्प्रेरक हाइड्रोजन बॉन्ड बनाए।
- Mol-2 ने डॉकिंग, इंटरैक्शन और ADMET मेट्रिक्स में सबसे संतुलित प्रोफाइल दिखाया।

संवेदनशीलता और मजबूती (Sensitivity and Robustness)

भार परिवर्तन ( $\pm10\%$ ): रैंकिंग अत्यधिक स्थिर रही (Spearman $\rho = 0.998$ ; Top-1 रिटेंशन = 100%)।
भार परिवर्तन ( $\pm25\%$ ): स्थिरता उच्च बनी रही ( $\rho = 0.963$ )।
रैंडमाइज्ड वेट्स: सहमति गिर गई ( $\rho = 0.821$ ), जो पुष्टि करता है कि विशिष्ट वेटिंग स्कीम महत्वपूर्ण है, लेकिन अंतर्निहित बहु-पैरामीटर निरंतरता रैंकिंग को संचालित करती है।
एब्लेशन: ML या डॉकिंग स्कोर को हटाने से सबसे बड़े रैंकिंग विचलन हुए, जो संकेत देते हैं कि ये प्राथमिक चालक हैं, हालांकि किसी एक पैरामीटर ने परिणाम पर प्रभुत्व नहीं जमाया।

मॉलिक्यूलर डायनेमिक्स (शीर्ष 3: Mol-1, Mol-2, Mol-3)

स्थिरता: सभी कॉम्प्लेक्स स्थिर प्रोटीन फोल्ड बनाए हुए थे (प्रोटीन C $\alpha$ RMSD ~1.2–2.2 Å)।
Mol-2 की श्रेष्ठता: Mol-2 ने न्यूनतम लिगैंड फ्लेक्सिबिलिटी (RMSF ~~0.95–1.05 Å), सबसे प्रारंभिक स्थिरीकरण (~~1.2–1.6 Å), और उत्प्रेरक अवशेषों के साथ उच्चतम इंटरैक्शन ऑक्यूपेंसी (Asp32: 98%, Asp228: 99%) प्रदर्शित की।
Mol-1: स्थानीयकृत फ्लेक्सिबिलिटी के साथ मध्यम स्थिरता।
Mol-3: प्रमुख इंटरैक्शन बनाए रखने के बावजूद उच्च फ्लेक्सिबिलिटी और टॉर्सनल परिवर्तनशीलता।

4. प्रमुख योगदान

एकीकृत फ्रेमवर्क: मेटा-एन्सेम्बल QSAR, स्ट्रक्चर-आधारित डॉकिंग, PLM-निर्देशित रेसिड्यू वेटिंग और ADMET को एक एकीकृत, नॉर्मलाइज्ड रैंकिंग सिस्टम में सफलतापूर्वक जोड़ा।
PLM एकीकरण: अनुक्रम संदर्भ को संरचनात्मक जीव विज्ञान के साथ जोड़ने के लिए ESM-1b एम्बेडिंग्स का नवीन अनुप्रयोग।
मात्रात्मक मजबूती: अपनी रैंकिंग परिणामों की मजबूती साबित करने के लिए ग्लोबल सेंसिटिविटी एनालिसिस के माध्यम से अनुमानी स्कोरिंग से आगे बढ़ना।
व्याख्यात्मकता (Interpretability): यह स्पष्ट विवरण प्रदान किया कि जैविक ज्ञान (उत्प्रेरक अवशेष) और डेटा-संचालित मॉडल (PLM, QSAR) निर्णय में कैसे योगदान करते हैं।
उम्मीदवार की पहचान: Mol-2 को एक उच्च-प्राथमिकता वाले लीड के रूप में पहचाना गया जिसमें अनुकूल अनुमानित CNS एक्सपोजर, स्थिर बाइंडिंग डायनेमिक्स और उत्प्रेरक इंटरैक्शन निरंतरता है।

5. महत्व और सीमाएँ

महत्व: यह अध्ययन CNS ड्रग डिस्कवरी के लिए एक पुनरुत्पादक, व्याख्यात्मक रणनीति प्रदान करता है जो "सिंगल-पैरामीटर ट्रैप" को संबोधित करता है। यह प्रदर्शित करता है कि पारंपरिक QSAR और डॉकिंग के साथ प्रोटीन लैंग्वेज मॉडल को एकीकृत करने से अधिक विश्वसनीय और यांत्रिक रूप से सुदृढ़ प्राथमिकता मिल सकती है।
सीमाएँ:
- QSAR मॉडल की एक्सट्रपलेशन क्षमता प्रशिक्षण रासायनिक स्थान (Tanimoto similarity < 0.85) तक सीमित है।
- वेटिंग स्कीम डेटा-संचालित अनुकूलन के बजाय डोमेन ज्ञान पर आधारित है।
- कोई प्रयोगात्मक सत्यापन (experimental validation) (IC $_{50}$ , K $_i$ , या सेलुलर एसेज़) अभी तक नहीं किया गया है; परिणाम पूरी तरह से कम्प्यूटेशनल भविष्यवाणियाँ हैं।
भावी कार्य: शीर्ष उम्मीदवारों (Mol-1, Mol-2) के लिए प्रयोगात्मक सत्यापन और अधिक विविध स्कैफोल्ड्स को शामिल करते हुए रासायनिक लाइब्रेरी का विस्तार आवश्यक है।

निष्कर्ष: यह शोध पत्र एक मजबूत, बहु-पैरामीटर फ्रेमवर्क प्रस्तुत करता है जो बाइंडिंग एफिनिटी, फार्माकोकाइनेटिक्स और सुरक्षा को संतुलित करके BACE1 अवरोधकों को सफलतापूर्वक प्राथमिकता देता है, जिसमें Mol-2 को आगे के प्रयोगात्मक अन्वेषण के लिए सबसे आशाजनक कम्प्यूटेशनल लीड के रूप में पहचाना गया है।