华盛顿大学药物AI虚拟筛选平台：高效筛选数十亿化合物库，登Nature子刊
新闻要点：
- 华盛顿大学研究团队开发了一种名为RosettaVS的高度准确的基于结构的虚拟筛选方法，用于预测对接姿势和结合亲和力。
- RosettaVS在广泛的基准测试中优于其他最先进的方法，并被整合到一个新的开源AI加速虚拟筛选平台中。
- 该平台能够在不到七天内筛选数十亿种化合物库，并成功发现了针对两个不同靶标（KLHDC2和NaV1.7）的命中化合物，其结合亲和力均为个位数微摩尔。
*相关研究发表在《Nature Communications》上。
新闻背景：
- 基于结构的虚拟筛选是药物发现中的关键工具，但对数十亿种化合物库进行筛选存在挑战，包括筛选成功率低和计算成本高昂。
- 研究人员开发了RosettaVS，它结合了改进的物理力场、高速对接协议和AI加速的虚拟筛选平台，以提高筛选效率和准确性。
研究亮点：
- RosettaVS：
- 结合了改进的RosettaGenFF力场，可以更准确地建模蛋白质-配体复合物。
- 开发了两种高速对接模式：VSX和VSH，分别用于快速初步筛选和最终排序。
- OpenVS平台：
- 利用主动学习技术，在对接计算过程中训练目标特定的神经网络，以高效地分类和选择最有希望的化合物。
- 高度可扩展和可并行化，适用于大规模虚拟筛选。
- 筛选结果：
- 在针对KLHDC2和NaV1.7的筛选中，都发现了具有个位数微摩尔结合亲和力的命中化合物。
- 筛选过程在不到七天内完成，证明了该平台的高效性。
- KLHDC2复合物的对接结构通过X射线晶体学验证，与预测结果一致。
新闻价值：
- 该研究提供了一种高效且准确的药物发现工具，能够加速药物研发过程。
- 开源的AI加速虚拟筛选平台可以帮助更多研究人员进行大规模化合物库筛选。
- 该研究成果为药物发现领域提供了新的思路和方法，具有重要的科学意义和应用价值。
未来展望：
- 进一步改进RosettaVS，例如使用GPU加速和生成式AI进行姿势生成。
- 探索更有效的主动学习模型，以优化筛选过程。
- 将该平台应用于更多靶标和疾病领域，以发现更多潜在的药物。
新闻报道建议：
- 突出该研究的创新性，特别是RosettaVS和OpenVS平台的优势。
- 强调该平台的应用价值，例如加速药物研发过程和降低成本。
- 采访研究团队，了解他们对该研究的未来展望。
*联系相关领域的专家，征求他们对该研究的评价。 - 使用图表和图片，使报道更直观易懂。
Views: 0