文献

J-GLOBAL ID：202002285414939820   整理番号：20A2486495

薬物設計および発見における最近の傾向【JST・京大機械翻訳】

Recent Trends in Drug Design and Discovery

著者 (3件)： Velmurugan Devadasan ( CAS in Crystallography and Biophysics, University of Madras, Guindy Campus, Chennai - 600025, India) ,  Pachaiappan R. ( Department of Biotechnology, SRM Institute of Science and Technology, Kattankulathur - 603203, Kanchipuram District, Tamilnadu, India) ,  Ramakrishnan Chandrasekaran ( Department of Biotechnology, Bhupat and Jyoti Mehta School of Biosciences, Indian Institute of Technology (IIT) Madras, Chennai - 600036, India)
資料名： Current Topics in Medicinal Chemistry  (Current Topics in Medicinal Chemistry)
巻： 20  号： 19  ページ： 1761-1770  発行年： 2020年 
JST資料番号： W2393A  ISSN： 1568-0266  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： 不明 (ARE)  言語： 英語 (EN)

抄録/ポイント： 導入:構造に基づく薬物設計は,対象の標的の選択的阻害剤の同定の幅広い領域である。薬物標的の3次元構造の利用可能性の時間から,主に蛋白質,多くの計算法が,薬物設計プロセスに関連した課題に取り組むために出現した。特に,薬物様性,標的蛋白質の薬物性,特異性,オフターゲット結合などは,新しい化学阻害剤の有効性を決定する重要な因子である。目的:本研究の目的は,疾患病理学における特異的標的蛋白質に関する新規阻害剤の設計分野における薬物設計戦略を改善することであった。構造的および化学的データ解析に適用した最近の統計的機械学習法を,現在の薬物設計分野で詳しく説明した。【方法】生物学的データの大きさが連続的成長を示すので,新しい計算アルゴリズムおよび分析法を,種々の目的によって開発した。それは蛋白質構造予測から薬物毒性予測までの広い領域をカバーする。さらに,計算法は,様々なタイプとサイズの構造データを解析するために利用可能であり,その大きさは,多くの半経験的力場と量子力学ベースの分子モデリング法は,小さな構造データセットを分析するのに証明された精度を示し,一方,機械学習,QSAR,および他の特定のデータ分析方法のような統計ベースの方法は,大規模データ解析のためにロバストである。【結果】本研究において,背景を,関心のある特異的薬物標的に関する新薬リード開発のためにレビューした。両極端な方法の全体的アプローチも,妥当な結果を示すのに用いた。結論:この章では,機械学習および他のデータ分析方法と組み合わせた先進的分子モデリング技術を用いた構造に基づく薬物設計における最近の開発に焦点を当てた。天然物に基づく薬物発見についても議論した。Copyright 2020 Bentham Science Publishers All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： タンパク質 ,  量子論 ,  データ解析 ,  天然材料 ,  *ドラッグデザイン ,  有効性 ,  力の場 ,  ロバスト性 ,  定量的構造活性相関 ,  機械学習
準シソーラス用語： 分子モデリング ,  特異性 ,  計算アルゴリズム ,  標的蛋白質 ,  蛋白質構造予測 , 【Automatic Indexing@JST】

著者キーワード (6件)： 構造に基づくドラッグデザイン ,  SBDD ,  機械学習 ,  QSAR ,  データ解析 ,  データ科学

分類 (2件)： 分子・遺伝情報処理  (JE15040B) ,  薬物の研究法  (GV01020U)

タイトルに関連する用語 (3件)： 薬物設計 ,  発見 ,  傾向