文献精读:深度学习在药物靶点预测中的应用¶
药物重新定位是一个有吸引力的战略,以发现新的治疗用途批准或研究药物,具有潜在的较短的开发时间和较低的开发成本。各种计算方法已被用于药物重新定位,提高了这种方法的效率和成功率。近年来,深度学习(DL)因其在靶点预测和药物重定位方面的潜力而受到广泛关注。在这里,我们概述了常用的 DL 结构的基本原理及其在靶向预测和药物重新定位中的应用,并讨论了处理当前挑战的可能方法,以帮助实现药物重新定位的预期潜力。
药物重新定位正成为药物发现和开发中一个越来越有吸引力的方向,因为与以目标为中心的新药发现和开发相比,它可能涉及更短的开发时间和更低的开发成本。药物重新定位的成功案例越来越多,这在历史上大多是机会主义和偶然的。例如,西地那非最初是作为一种抗高血压药,主要根据回顾性临床经验改用于勃起功能障碍,而沙利度胺则被意外改用于治疗多发性骨髓瘤红斑和麻风结节性红斑。
近几十年来,相对系统的方法的发展促进了确定特定适应症的合适候选人。值得注意的是,在2019年冠状病毒疾病(2019冠状病毒疾病)大流行期间,几种非抗病毒药物,如来氟米特和巴利替尼已被各种方法重新用作参与抗击2019冠状病毒疾病的新疗法。系统的药物重新定位方法可以分为计算方法和实验方法,这两种方法经常被一起使用。计算方法提供了一个相对快速和节省资源的方式来确定可检验的假设,促进药物重新定位。
药物重新定位的各种计算方法已经建立,包括基于结构的、基于配体的和基于数据的方法。Chen 等人率先使用逆向分子对接,这是一种基于结构的方法,命名为 INVDOCK,用于目标预测,导致了几种升级的基于结构的方法和 Web 服务器的开发,如 TarFisDock,VinaMPI, idTarget,和 iRAISE。这些方法已经成功地用于靶标预测和药物重新定位,例如,Dakshanamurthy 等人发现抗寄生虫药物甲苯咪唑是一种新的抑制血管内皮生长因子受体2(一种抗癌药物靶标)的抑制剂。