Aller au contenu principal
Accès ouvert déclaré 2025 article

Identification of nanomolar adenosine A2A receptor ligands using reinforcement learning and structure-based drug design

22Citations signalées, ce qui n’est pas une note de qualité
4Institutions déclarées
3Pays d’affiliation déclarés

Rattachement africain : gb, ae, ro. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Abstract Generative chemical language models (CLMs) have demonstrated success in learning language-based molecular representations for de novo drug design. Here, we integrate structure-based drug design (SBDD) principles with CLMs to go from protein structure to novel small-molecule ligands, without a priori knowledge of ligand chemistry. Using Augmented Hill-Climb, we successfully optimise multiple objectives within a practical timeframe, including protein-ligand complementarity. Resulting de novo molecules contain known or promising adenosine A 2A receptor ligand chemistry that is not available in commercial vendor libraries, accessing commercially novel areas of chemical space. Experimental validation demonstrates a binding hit rate of 88%, with 50% having confirmed functional activity, including three nanomolar ligands and two novel chemotypes. The two strongest binders are co-crystallised with the A 2A receptor, revealing their binding mechanisms that can be used to inform future iterations of structure-based de novo design, closing the AI SBDD loop.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Identification of nanomolar adenosine A2A receptor ligands using reinforcement learning and structure-based drug design
Date Crossref
01/07/2025
Éditeur
Springer Science and Business Media LLC
Type
journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • University of Cambridge Department of Chemistry pays non établi dans la notice
    Université ou école supérieure
  • Granta Design (United Kingdom) pays non établi dans la notice
    Entreprise
  • Khalifa University of Science and Technology pays non établi dans la notice
    Université ou école supérieure
  • Babeș-Bolyai University STAR-UBB Institute pays non établi dans la notice
    Université ou école supérieure
  • Nxera Pharma pays non établi dans la notice
    Institution
  • College of Medicine and Health Sciences pays non établi dans la notice
    Université ou école supérieure
  • Structure Therapeutics pays non établi dans la notice
    Institution

Department of Chemistry — University of Cambridge, Granta Design (United Kingdom) et Khalifa University of Science and Technology, avec 4 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Computational Drug Discovery MethodsChemical Synthesis and AnalysisMachine Learning in Materials Science

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.