bioRxiv · Bioinformatics· Zhu, J., Kong, W., Huang, L., Song, Z. Z., Ying, H., Kurppa, K. J., Miihkinen, M., Zhu, S.-J., Aittokallio, T. ·· 14 天前精选AI 评分73
配对活性学习框架从1200万分子中筛选突变选择性EGFR抑制剂
Paired activity learning supports systematic identification of mutant-selective EGFR inhibitors
AI 导读
研究团队开发计算与实验结合的配对活性学习框架，用于识别对EGFR三突变体（L858R/T790M/C797S）与野生型EGFR具有差异活性的化合物。对1200万分子做序贯筛选后得到16个共识命中，其中5个进入初步生化评价、2个进一步做生化、细胞与结构表征；共晶结构显示最佳化合物在ATP结合口袋内呈两种不同的非共价结合模式。该工作为优化效力与突变选择性提供实验结构模板，结果基于预印本摘要报告。
推荐理由
研究用配对活性回归加SVM筛选1200万分子，为突变选择性EGFR抑制剂发现提供可迁移流程。
来源：bioRxiv · Bioinformatics · biorxiv.org