2020-J.M-AutoGrow4: An open-source genetic algorithm for de novo drug design and lead optimization-CSDN博客

本文链接：https://blog.csdn.net/weixin_42486623/article/details/131287887

AutoGrow4是一个开源的遗传算法程序，专门用于新药的从头设计和先导化合物优化。它能自动生成全新类药分子，且在PARP-1催化域的应用中，展示了优于已有抑制剂的预测结合亲和力。此程序具有更快、更稳定和更模块化的特性，支持多种用户需求，并能生成与已知抑制剂结合模式相似的化合物。

摘要由CSDN通过智能技术生成

2020-Journal of Cheminformatics-AutoGrow4: An open-source genetic algorithm for de novo drug design and lead optimization

🍓 泛读笔记 📍 2020-Journal of Cheminformatics-AutoGrow4:一种用于新药设计和先导物优化的开源遗传算法

💡 Meta Data

Title	2020-Journal of Cheminformatics-AutoGrow4- An open-source genetic algorithm for de novo drug design and lead optimization
Journal	Journal of Cheminformatics
Authors	Jacob O. Spiegel; Jacob D. Durrant
Pub. date	12/2020
DOI	10.1186/s13321-020-00429-4

Paper:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7165399/

Code:https://durrantlab.pitt.edu/autogrow4/

📊 摘要

AutoGrow4是一个开源程序，用于半自动计算机辅助药物发现。它使用遗传算法按需进化预测配体，不限于预先列举的化合物库，可以生成全新类药分子和优化现有配体。AutoGrow4利用最新的计算和化学信息学进展，比以前的版本更快、更稳定、更模块化。它包括新的对接程序兼容性、化学过滤器、多线程选项和选择方法，以满足广泛的用户需求。为了说明从头设计和先导化合物优化的能力，AutoGrow4在聚（ADP-核糖）聚合酶1（PARP-1）的催化域上进行了应用。PARP-1是一种用于识别DNA损伤的良好表征蛋白。与FDA批准的PARP-1抑制剂（阳性对照）相比，由AutoGrow4生成的类药化合物具有更好的预测结合亲和力。即使AutoGrow4以随机小分子作为起始点，它生成的化合物的预测结合模式也与已知抑制剂的结合模式相似。