Integrated Machine Learning and Structure-Based Computational Prioritization of KIF11 Inhibitor Candidates for CNS-Oriented Drug Discovery
本研究提出了一种整合机器学习与基于结构的计算工作流，该工作流成功筛选出五种结构多样化的 KIF11 抑制剂候选药物，这些候选药物具有高预测效能和血脑屏障渗透性，可用于面向中枢神经系统（CNS）的肿瘤药物研发。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
癌症是一种细胞不受控制增长的疾病，在这种疾病中，细胞在分裂过程中无法停止。为了阻止这一失控的过程，科学家们经常寻找能够破坏细胞分裂机制的方法。其中一个关键的机械部件是一种被称为 KIF11 的蛋白质，它像一个分子马达一样，负责组织细胞分裂所需的内部支架。当这种蛋白质被阻断时，细胞就无法正常分裂并最终死亡。这使得 KIF11 成为开发新型抗癌药物的一个极具前景的目标。然而，治疗起源于大脑的癌症（如胶质母细胞瘤）面临着独特的挑战。大脑受到一种生物屏障的保护，这种屏障会将大多数物质拒之门外，这意味着药物必须经过专门设计才能穿过这道墙以到达肿瘤。对于研究人员来说，寻找一种既足够强效以抑制癌症，又足够微小以进入大脑的分子，是一场艰难的平衡博弈。
在最近的一项研究中，来自印度的科学家团队开发了一种新的基于计算机的策略，旨在寻找可能解决这一问题的潜在药物。他们没有在实验室里一个接一个地测试成千上上的种化学物质（这种方法既缓慢又昂贵），而是使用先进的计算机程序来模拟不同分子可能如何与 KIF11 蛋白质发生相互作用。研究人员首先收集了关于各种化学物质如何影响 KIF11 的海量现有数据，并对信息进行了清洗，以确保其准确性和一致性。然后，他们教导计算机系统识别这些分子的形状和化学性质中的模式，从而使系统能够预测哪些未经测试的新化学物质可能是有效的抑制剂。为了确保预测的可靠性，他们使用了一种严谨的方法：计算机从一组化学物质中学习，并在另一组它从未见过的完全独立的化学物质上进行测试，从而防止系统仅仅是死记硬背答案。
该计算机模型成功识别出了几种具有前景的候选药物，但研究人员并未止步于此。他们想知道这些分子是否真的能嵌入 KIF11 蛋白质中需要结合以发挥作用的特定口袋中。通过使用一种称为“分子对接”的技术，他们模拟了顶尖候选药物与蛋白质结构之间的物理相互作用。这个过程就像是在尝试将一把钥匙放入锁中，以观察形状是否匹配，只不过这一切都是在计算机内完成的。模拟结果显示，所选分子确实可以沉降在蛋白质的正确位置。团队还进行了检查，以确认这些分子是否能够穿过血脑屏障进入大脑，以及它们对人体是否安全。他们发现，排名前列的候选药物具有极高的概率进入大脑，而这是治疗脑肿瘤的关键要求。
在识别出的分子中，有一个脱颖而出，成为了最有希望的一个。这种被称为 CHEMBL392148 的化合物被预测能高效地阻止 KIF11 蛋白质，并且具有极佳的进入大脑的机会。研究人员还仔细检查了该分子及其他分子的化学结构，以确保它们不包含已知具有毒性或不稳定性的部分。虽然其中一个候选药物在某个特定的化学特征上显示出了一点警告信号，但最优秀的那个选择根据计算机模型显示是纯净且安全的。研究还强调了一个潜在的安全问题：所有五种最佳候选药物都显示出一个信号，即它们可能会影响心脏的电系统，这一风险在任何人体使用前都需要在真实的实验室中进行测试。
研究人员强调，这些发现是一个起点，而非最终成品。他们识别出的分子目前仍仅仅是计算机预测。下一步需要在实验室中合成这些化学物质，并在实际的蛋白质和细胞上进行测试，以观察它们的表现是否与计算机预测的一致。这项研究提供了一条清晰且理性的前进路径，提供了一份值得进一步研究的具体化学结构的清单。通过将机器学习与详细的结构分析相结合，该团队将寻找新型脑癌药物的过程缩小到了少数高质量的候选药物，在专注于最有希望的解决方案的同时，节省了时间和资源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。