基于小分子結構預測可能作用受體方法研究.pdf

1、小分子直接作用受體的預測在藥物設計、化學生物學等領域有著重要應用價值。傳統(tǒng)實驗測定獲得了不同蛋白質作用受體的大量配體活性數據，被收集在歐洲生物信息學中心ChEMBL數據庫和其它數據庫中，如BindingDB和PubChem。但在計算機輔助藥物設計和研究小分子對生物網絡通路的調控作用等工作中，經常遇到未有實驗報道的小分子和作用受體信息；基于知識數據庫的機器學習方法可用來快速預測小分子作用受體，聚焦研究重點，提高研發(fā)效率。
　　有研究

2、表明銀蓮花素A、毛蘭素、卡瓦胡椒素A/B/C能有效抑制腫瘤細胞生長。對銀蓮花素A、毛蘭素、卡瓦胡椒素 A/B/C進行結構相似性檢索和子結構檢索，篩選出的小分子化合物按照作用受體分為作用受體類，對每個作用受體類的分子數進行統(tǒng)計排序，視分子數量較多的為可能的作用受體。通過對預測的作用受體進行分析發(fā)現，這些預測的可能作用受體大多都是癌癥相關的作用受體。通過結構相似性和子結構檢索篩選統(tǒng)計的方法能較好的預測分子可能的作用受體。
　　根據作用

3、受體已知配體，采用樸素貝葉斯分類方法，建立基于分子指紋的預測模型。該模型應用在DUD(Directory of Useful Decoys)數據集測試結果表明，大多數作用受體的真陽性和真陰性預測準確率大多數要高于90％。PubChem數據庫作為建模背景，DUD數據集各作用受體類的活性分子作為訓練集的活性分子建立樸素貝葉斯分類模型，分類效果優(yōu)于DUD數據集建立的樸素貝葉斯分類模型。對DUD數據集中40個作用受體建立樸素貝葉斯分類模型并保存

4、，對DUD數據集中所有的活性分子進行作用受體預測測試，DUD數據集40個作用受體類中有31作用受體類的預測準確性大于80％，結果表明，DUD數據集中大多數作用受體類的活性分子都有很好的預測效果。
　　以PubChem數據庫建模背景，ChEMBL數據庫中ace類小分子化合物作為訓練集的活性分子建立樸素貝葉斯分類模型能較好的將DUD數據集ace類的活性分子和非活性分子分開。對ChEMBL數據庫中所有分子按照它的作用受體分為作用受體類，