跳到正文
原文
bioRxiv 预印本· Zhu, J., Kong, W., Huang, L., Song, Z. Z., Ying, H., Kurppa, K. J., Miihkinen, M., Zhu, S.-J., Aittokallio, T. ·· 23 天前AI 评分38

配对活性学习框架支持系统性识别突变选择性EGFR抑制剂

Paired activity learning supports systematic identification of mutant-selective EGFR inhibitors

AI 导读

研究者开发了一套计算-实验整合框架,通过配对活性回归模型结合支持向量机分类器,从1200万分子中筛选出16个共识命中化合物,其中2个完成生化、细胞及结构表征。最佳化合物的突变EGFR共晶结构揭示ATP结合口袋内两种不同的非共价结合模式。该框架针对EGFR L858R/T790M/C797S三突变与野生型EGFR的差异活性,为耐药NSCLC抑制剂优化提供结构模板。

来源:bioRxiv 预印本 · biorxiv.org