点击本文中加粗蓝色字体即可一键直达新药情报库免费查阅文章里提到的药物、机构、靶点、适应症的最新研发进展。
近日，中国科学院上海药物研究所的陆晓杰团队与郑明月团队合作在《Journal of Medicinal Chemistry》期刊上发表了一篇题为“通过化学空间互补的DEL筛选策略提升机器学习模型预测能力”的研究文章。该研究结合亲和力筛选和光交联筛选，旨在提高DEL化合物库的化学多样性，并通过与人工智能（AI）的结合，推动药物发现进程。
DEL技术由于具备高通量、操作简便、成本低等优势，已经成为发现创新抑制剂的理想工具。然而，它也面临着如假阳性信号难以消除和高质量化合物库需求等挑战。近年来，人工智能的迅猛发展为药物发现领域带来了新机遇，与DEL技术的结合使其在药物研发中更具潜力。
传统的亲和力筛选可识别高亲和力分子，而光交联筛选能够发现中等亲和力的小分子，这使得两者在筛选过程中能够互为补充。光交联筛选仅需一轮洗脱，因而信号强度不如亲和力筛选高，这给数据分析带来了困难。不过，将这两种方法结合可以更全面地解析靶点结合信息。
本研究综合了AIgn_promotion=LS_SEOGW">BRD4、AIgn_promotion=LS_SEOGW">p300和AIgn_promotion=LS_SEOGW">WDR5三种蛋白的DEL数据，从化学空间互补性、模型训练选择等多方面展开研究，最终成功构建了针对特定蛋白的小分子预测模型，并发现了具有开发潜力的先导化合物。这一成果为探索未充分研究的靶标药物提供了有效路径。
此研究为药物化学优化提供了新思路，使得通过DEL筛选发现的化合物在难以优化时，仍能继续开发为潜在的药物候选者。在AI技术的助力下，DEL技术将能够生产高质量和一致性的数据，尤其是在未完全探索的靶标领域，开启药物发现的新篇章。
免责声明：新药情报内容编辑团队专注于介绍全球生物医药健康研究的最新进展，本文旨在提供信息交流，不代表任何立场或治疗方案推荐。如需专业医疗建议，请咨询正规医疗机构。
