计算与 AI 药物发现 Journal of Chemical Information and Modeling
图神经网络筛选结合物理打分重排和实验验证,将β受体阻滞剂卡维地洛重新定位为THRβ部分激动剂
- 分层流程先用图神经网络对内部化合物库排序,再通过对接和MM/GBSA重打分,将候选缩小到卡维地洛。
- 在回顾性比较中,该网络模型优于传统机器学习基线方法。
- 生化TR-FRET和细胞实验显示其为部分激动剂,辅激活因子偏好与瑞司美替罗相近,并能降低脂质蓄积、诱导代谢相关基因。
- 分子动力学提示该分子依靠疏水接触和两个关键氢键稳定于结合口袋中。
要点 基于摘要的观点
卡维地洛是个多靶点、特性早已被摸得很清楚的药,所以得问:命中它的究竟是GNN,还是后面的对接和MM/GBSA在起筛选作用?去掉网络做一次消融就能回答。回顾性比较里“优于基线”,若不是按骨架划分数据,说服力有限。部分激动和辅激活因子偏好很有意思,但下一步要看THRα与THRβ的选择性,以及细胞活性是否出现在临床可达的暴露水平。
原论文: Journal of Chemical Information and Modeling ↗ AI-Driven Discovery Pipeline Identifies Carvedilol as a Novel Partial Agonist of THRβ