arXiv:2006.09125

A small molecule drug candidate targeting SARS-CoV-2 main protease

제출 2020-06-17

원문 초록

A new coronavirus identified as SARS-CoV-2 virus has brought the world to a state of crisis, causing a major pandemic, claiming more than 433,000 lives and instigating major financial damage to the global economy. Despite current efforts, developing safe and effective treatments remains a major challenge. Moreover, new strains of the virus are likely to emerge in the future. To prevent future pandemics, several drugs with various mechanisms of action are required. Drug discovery efforts against the virus fall into two main categories: (a) monoclonal antibodies targeting the spike protein of the virus and blocking it from entry; (b) small molecule inhibitors targeting key proteins of the virus, interfering with replication and translation of the virus. In this study, we are presenting a computational investigation of a potential drug candidate that targets SARS-CoV-2 protease, a viral protein critical for replication and translation of the virus.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.21109v1cs.LG공통 태그 Translation, Drug Discovery

Chem2Gen-Bench: 섭동 반응 공간에서의 화학-유전자 번역 벤치마킹

Chem2Gen-Bench: Benchmarking Chemical-to-Genetic Translation in Perturbation Response Space

가상 세포 및 섭동 모델(perturbation model)은 생의학 발견을 위한 세포 반응 예측에 점점 더 많이 활용되고 있으나, 화학적 섭동과 유전적 섭동은 자동으로 상호 교환 가능하지 않다. 기존 평가들은 화학 반응 예측 또는 유전적 섭동 예측을 개별적으로 연구하는 경우가 많아, 표적 매칭된 화학-유전자 번역은 충분히 검증되지 않은 상태로 남아 있다. 우리는 Chem2Gen-Bench를 소개한다. 이는 세포-표적 컨텍스트로 구성된 260,084개의 화학적 섭동 프로파일과 1,099,045개의 유전적 섭동 프로파일로 이루어진 벤치마크로, 쌍별 정렬, 검색, 프로토콜 공변량 연관성, 특징(feature) 공간, 및 파운데이션 모델(foundation-model) 임베딩을 평가한다. 매칭된 컨텍스트 전반에 걸쳐 번역 충실도는 측정 가능하지만 이질적이며, 배경 조정은 쌍별 유사도와 검색 성공률 간의 연관성을 높이는 반면, 쌍별 검정 결과 평가된 설정에서 조정 후 평균 검색 성공률이 낮아지는 것으로 나타났다. 표적 매칭된 K562 감사에서 평가된 파운데이션 모델 임베딩은 유전자 델타 기준선(gene-delta baseline) 대비 일관된 성능 향상을 보이지 않았다. Chem2Gen-Bench는 화학적 섭동과 유전적 섭동이 공유 표적을 중심으로 정렬되는 경우와 표현(representation) 향상이 매칭된 섭동 증거에 의해 뒷받침되는 경우를 검증하기 위한 감사 가능한 프레임워크를 제공한다.

arXiv:2507.03209v2q-bio.QM공통 태그 Drug Discovery공식 코드 · Papers with Code

리피드 나노입자(LNP) 전입 효율 예측을 위한 머신러닝 벤치마킹 프레임워크

A Machine Learning Benchmarking Framework for Lipid Nanoparticle Transfection Efficiency Prediction

효율적인 리피드 나노입자(LNP) 매개 RNA 전달을 위한 새로운 이온화성 리피드(ionizable lipid)의 발견은 RNA 치료제 개발에서 여전히 주요 병목으로 남아 있다. 최근 발전은 리피드 구조로부터 직접 전입(transfection) 효율을 예측할 수 있는 머신러닝(ML) 모델의 잠재력을 보여주며, 이는 고처리량 가상 스크리닝을 가능하게 하고 후보 물질(lead) 선별을 가속한다. 그러나 LNP 전입 예측을 위한 새로운 모델이 계속 등장함에 따라, 엄격하고 표준화된 벤치마킹의 부재는 상당한 위험을 초래하며, 발견(discovery) 목적에서의 신뢰성에 대한 확신을 약화시킬 수 있다. 여기서 우리는 이온화성 리피드 구조에 기반한 전입 예측 모델을 평가하기 위한 견고한 ML 벤치마킹 프레임워크를 제시한다. 이 프레임워크는 전통적인 모델, 순전파 신경망(feedforward neural network), 그리고 최신(state-of-the-art) 그래프 기반 방법에 이르는 광범위한 ML 아키텍처와 결합된 다양한 분자 표현(molecular representation)을 체계적으로 벤치마킹한다. 또한, 제시된 프레임워크는 모델 일반화(generalization) 평가를 지원하며, 표준 회귀(regression) 지표를 넘어 예측 신뢰성을 평가한다. Xu et al.이 최초로 보고한 HeLa 전입 데이터셋에서 파생된 1,100개의 고유 이온화성 리피드 구조로 구성된 큐레이션 데이터셋을 사용하여, 이 프레임워크 내에서 명시적 분자 부분구조(substructure) 인코딩을 활용하는 모델들이 지속적으로 최고의 예측 정확도를 달성하며, 보다 정교한 새로운 모델 개발을 위한 필수 베이스라인으로 기능해야 함을 보여준다. 반면, AGILE, Chemprop, KPGT를 포함한 일부 현재의 그래프 기반 모델들은 비교적으로 낮은 정확도를 보이는 경향이 있다. 제시된 프레임워크는 표준화되고 투명하며 포괄적인 벤치마킹 자원을 제공하여, 새롭게 등장하는 아키텍처의 의미 있는 비교를 가능하게 하고 리피드 기반 RNA 전달에서의 예측 모델 향후 개발을 위한 강력한 베이스라인을 확립한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.