• Trang chủ
• PubMed-Summerizer-Daily
• Drug Research Papers (EN-VI) - 2025-09-23

Drug Research Papers (EN-VI) - 2025-09-23

23/09/2025

Admin

• De novo design of potent inhibitors of clostridial family toxins.
  • EN: This research aimed to design protein minibinders to neutralize Clostridioides difficile toxin B (TcdB) and Paeniclostridium sordellii toxin TcsL, key virulence factors in respective infections. Using deep learning and computational design, they created high-affinity minibinders that prevent toxins from entering cells, protecting them from intoxication. Notably, TcsL minibinders prolonged survival in mice exposed to lethal doses, while TcdB minibinders exhibited stability suitable for oral delivery. These findings demonstrate the potential of computational protein design for developing rapid and effective countermeasures against dangerous bacterial toxins, with potential applications in treating C. difficile infections and toxic shock syndrome.
  • VI: Nghiên cứu này hướng đến việc thiết kế các protein minibinder để vô hiệu hóa độc tố B (TcdB) của Clostridioides difficile và độc tố TcsL của Paeniclostridium sordellii, những yếu tố độc lực chính trong các bệnh nhiễm trùng tương ứng. Bằng cách sử dụng học sâu và thiết kế dựa trên máy tính, họ đã tạo ra các minibinder ái lực cao, ngăn chặn độc tố xâm nhập vào tế bào, bảo vệ chúng khỏi nhiễm độc. Đáng chú ý, các minibinder TcsL kéo dài sự sống ở chuột khi tiếp xúc với liều gây tử vong, trong khi các minibinder TcdB cho thấy sự ổn định phù hợp cho việc dùng đường uống. Những phát hiện này chứng minh tiềm năng của thiết kế protein bằng máy tính trong việc phát triển các biện pháp đối phó nhanh chóng và hiệu quả chống lại các độc tố vi khuẩn nguy hiểm, với các ứng dụng tiềm năng trong điều trị nhiễm trùng C. difficile và hội chứng sốc nhiễm độc.
• Targeting Nav1.5 with DKK678 attenuates NF-κB-driven inflammatory injury in skeletal muscle.
  • EN: This study investigates the role of the voltage-gated sodium channel Nav1.5 in skeletal muscle inflammation during sepsis and evaluates the therapeutic potential of a novel peptide, DKK678. Researchers found that Nav1.5 expression increases during inflammation, activating the NF-κB pathway and promoting inflammatory cytokine production. DKK678, designed to specifically target Nav1.5, effectively reduced inflammation in both in vitro and in vivo models, ameliorating skeletal muscle damage and preserving immune organ integrity. The findings suggest that Nav1.5 is a key inflammatory modulator and that DKK678 holds promise as a therapeutic agent for sepsis-associated myositis and other inflammatory conditions by selectively targeting Nav1.5.
  • VI: Nghiên cứu này điều tra vai trò của kênh natri điện thế Nav1.5 trong tình trạng viêm cơ xương liên quan đến nhiễm trùng huyết và đánh giá tiềm năng điều trị của một peptide mới, DKK678. Các nhà nghiên cứu phát hiện ra rằng biểu hiện Nav1.5 tăng lên trong quá trình viêm, kích hoạt con đường NF-κB và thúc đẩy sản xuất cytokine gây viêm. DKK678, được thiết kế để nhắm mục tiêu cụ thể vào Nav1.5, đã làm giảm viêm hiệu quả trong cả mô hình in vitro và in vivo, cải thiện tổn thương cơ xương và bảo tồn tính toàn vẹn của các cơ quan miễn dịch. Những phát hiện này cho thấy Nav1.5 là một chất điều biến viêm quan trọng và DKK678 hứa hẹn là một tác nhân trị liệu cho viêm cơ do nhiễm trùng huyết và các tình trạng viêm khác bằng cách nhắm mục tiêu chọn lọc vào Nav1.5.
• Machine learning-driven programmed cell death signature for prognosis and drug candidate discovery in diffuse large B-cell lymphoma: Multi-cohort study and experimental validation.
  • EN: This study aimed to develop a prognostic model for diffuse large B-cell lymphoma (DLBCL) based on programmed cell death (PCD) patterns. Using machine learning and multi-cohort RNA-seq data, researchers created a 17-gene PCD Score (PCDS) that accurately stratified DLBCL patients into high- and low-risk groups with significantly different survival rates. High-risk patients showed reduced sensitivity to chemotherapy and distinct pathway alterations. Network pharmacology and experimental validation identified Phloretin and Parthenolide as potential therapeutic agents for high-risk DLBCL, with Parthenolide demonstrating significant antitumor activity in vitro and in vivo.
  • VI: Nghiên cứu này nhằm phát triển một mô hình tiên lượng cho u lympho tế bào B lớn lan tỏa (DLBCL) dựa trên các kiểu chết tế bào theo chương trình (PCD). Bằng cách sử dụng học máy và dữ liệu RNA-seq từ nhiều когорт, các nhà nghiên cứu đã tạo ra Điểm PCD (PCDS) gồm 17 gen, có khả năng phân tầng chính xác bệnh nhân DLBCL thành các nhóm nguy cơ cao và nguy cơ thấp với tỷ lệ sống sót khác biệt đáng kể. Bệnh nhân nguy cơ cao cho thấy giảm độ nhạy cảm với hóa trị và những thay đổi con đường đặc trưng. Dược lý mạng và xác nhận bằng thực nghiệm đã xác định Phloretin và Parthenolide là các tác nhân trị liệu tiềm năng cho DLBCL nguy cơ cao, trong đó Parthenolide thể hiện hoạt tính chống ung thư đáng kể cả in vitro và in vivo.
• Using Machine Learning Methods to Predict Early Treatment Outcomes for Multidrug-Resistant or Rifampicin-Resistant Tuberculosis to Enhance Patient Cure Rates: Development and Validation of Multiple Models.
  • EN: This study aimed to develop predictive models using machine learning (ML) to forecast treatment outcomes at 2 and 6 months for patients with multidrug-resistant/rifampicin-resistant tuberculosis (MDR/RR-TB). The researchers compared logistic regression with several ML models using clinical and demographic data from an internal cohort for training and an external cohort for validation. The artificial neural network model demonstrated the best performance, outperforming logistic regression in predicting culture conversion at both time points. These ML models provide a valuable tool for the early assessment of treatment efficacy, potentially improving patient prognoses and TB control strategies. The findings suggest the implementation of ML algorithms for early and accurate prediction of treatment outcomes in MDR/RR-TB patients.
  • VI: Nghiên cứu này nhằm mục đích phát triển các mô hình dự đoán sử dụng học máy (ML) để dự báo kết quả điều trị sau 2 và 6 tháng cho bệnh nhân mắc bệnh lao kháng đa thuốc/kháng rifampicin (MDR/RR-TB). Các nhà nghiên cứu đã so sánh hồi quy logistic với một số mô hình ML, sử dụng dữ liệu lâm sàng và nhân khẩu học từ một когорта nội bộ để huấn luyện và một когорта bên ngoài để xác thực. Mô hình mạng nơ-ron nhân tạo đã chứng minh hiệu suất tốt nhất, vượt trội hơn hồi quy logistic trong việc dự đoán chuyển đổi nuôi cấy ở cả hai thời điểm. Các mô hình ML này cung cấp một công cụ giá trị để đánh giá sớm hiệu quả điều trị, có khả năng cải thiện tiên lượng bệnh nhân và các chiến lược kiểm soát bệnh lao. Các phát hiện cho thấy việc triển khai các thuật toán ML để dự đoán sớm và chính xác kết quả điều trị ở bệnh nhân MDR/RR-TB.
• Patient-derived organoids predict treatment response in metastatic colorectal cancer.
  • EN: This study investigated the ability of patient-derived organoids (PDOs) to predict treatment response in metastatic colorectal cancer (mCRC) patients. The research team established PDOs from patient biopsies and tested their sensitivity to a panel of drugs, including the patient's prescribed treatment. The study found that PDO drug sensitivity significantly correlated with patient response to treatment, particularly for 5-FU and oxaliplatin regimens, demonstrating high predictive accuracy. Furthermore, PDO response was associated with progression-free and overall survival. These findings suggest that PDOs hold promise as a predictive tool for personalized mCRC treatment selection.
  • VI: Nghiên cứu này điều tra khả năng của các mô hình organoid có nguồn gốc từ bệnh nhân (PDO) trong việc dự đoán đáp ứng điều trị ở bệnh nhân ung thư đại trực tràng di căn (mCRC). Nhóm nghiên cứu đã tạo ra các PDO từ sinh thiết của bệnh nhân và kiểm tra độ nhạy của chúng với một loạt các loại thuốc, bao gồm cả phác đồ điều trị được chỉ định cho bệnh nhân. Nghiên cứu cho thấy độ nhạy thuốc của PDO tương quan đáng kể với đáp ứng của bệnh nhân đối với điều trị, đặc biệt đối với các phác đồ 5-FU và oxaliplatin, cho thấy độ chính xác dự đoán cao. Hơn nữa, đáp ứng của PDO có liên quan đến sự sống còn không tiến triển và sự sống còn toàn bộ. Những phát hiện này cho thấy PDO có triển vọng như một công cụ dự đoán để lựa chọn phương pháp điều trị mCRC cá nhân hóa.
• HyperPhS: A pharmacophore-guided multimodal representation framework for metabolic stability prediction through contrastive hypergraph learning.
  • EN: This research addresses the challenge of predicting metabolic stability of drug candidates by focusing on the impact of pharmacophore groups. The authors propose a novel framework called HyperPhS, which uses a hypergraph representation to extract features from metabolic pharmacophores, incorporating multi-view representation and contrastive learning. By leveraging ChatGPT and attention-driven fusion, HyperPhS achieves high accuracy in predicting metabolic stability on the HLM dataset, demonstrating an AUC of 87.6% and MCC of 62.6%, with an external test AUC of 88.3%. Furthermore, the model provides interpretability through case studies, identifying crucial functional groups. HyperPhS offers an effective and interpretable tool for drug discovery by facilitating compound optimization and the identification of stability-affecting pharmacophores.
  • VI: Nghiên cứu này giải quyết thách thức dự đoán độ ổn định trao đổi chất của các ứng viên thuốc bằng cách tập trung vào tác động của các nhóm dược lực. Các tác giả đề xuất một khung làm việc mới có tên là HyperPhS, sử dụng biểu diễn siêu đồ thị để trích xuất các đặc trưng từ các dược lực trao đổi chất, kết hợp biểu diễn đa chiều và học đối chiếu. Bằng cách tận dụng ChatGPT và hợp nhất dựa trên cơ chế chú ý, HyperPhS đạt được độ chính xác cao trong việc dự đoán độ ổn định trao đổi chất trên bộ dữ liệu HLM, thể hiện AUC là 87,6% và MCC là 62,6%, với AUC kiểm tra bên ngoài là 88,3%. Hơn nữa, mô hình cung cấp khả năng diễn giải thông qua các nghiên cứu điển hình, xác định các nhóm chức năng quan trọng. HyperPhS cung cấp một công cụ hiệu quả và dễ diễn giải cho việc khám phá thuốc bằng cách tạo điều kiện thuận lợi cho việc tối ưu hóa hợp chất và xác định các dược lực ảnh hưởng đến độ ổn định.
• Predicting treatment retention in medication for opioid use disorder: a machine learning approach using NLP and LLM-derived clinical features.
  • EN: This study investigates improving the prediction of 6-month retention in buprenorphine-naloxone (BUP-NAL) therapy by integrating features extracted from clinical notes using Large Language Models (LLMs). The research found that incorporating LLM-derived features significantly enhanced prediction accuracy across various machine learning models, particularly simpler ones like Logistic Regression. Key predictors identified by the LLMs included chronic pain, liver disease, and major depression, highlighting the importance of psychosocial factors. This improved predictive ability can enable personalized risk stratification and advance AI-driven treatment approaches for opioid use disorder, with a developed interactive web tool for real-time clinical application.
  • VI: Nghiên cứu này điều tra việc cải thiện khả năng dự đoán tỷ lệ duy trì điều trị bằng buprenorphine-naloxone (BUP-NAL) trong 6 tháng bằng cách tích hợp các đặc trưng được trích xuất từ các ghi chú lâm sàng sử dụng Mô hình Ngôn ngữ Lớn (LLMs). Nghiên cứu cho thấy việc kết hợp các đặc trưng có nguồn gốc từ LLM giúp tăng cường đáng kể độ chính xác của dự đoán trên nhiều mô hình học máy khác nhau, đặc biệt là các mô hình đơn giản hơn như Hồi quy Logistic. Các yếu tố dự đoán quan trọng được xác định bởi LLM bao gồm đau mãn tính, bệnh gan và trầm cảm nặng, nhấn mạnh tầm quan trọng của các yếu tố tâm lý xã hội. Khả năng dự đoán được cải thiện này có thể cho phép phân tầng rủi ro được cá nhân hóa và thúc đẩy các phương pháp điều trị dựa trên AI cho chứng rối loạn sử dụng opioid, cùng với một công cụ web tương tác được phát triển để ứng dụng lâm sàng trong thời gian thực.
• Virtual Compound Screening for Discovery of Dopamine D1 Receptor Biased Allosteric Modulators.
  • EN: This study aimed to identify novel allosteric modulators of the dopamine D1 receptor (D1R) with biased signaling profiles to improve Parkinson's disease (PD) treatment. Using a virtual screening platform, researchers discovered two compounds that enhanced β-arrestin recruitment while inhibiting G-protein activation, demonstrating functional selectivity. One lead candidate, DUSBI-A3, exhibited high selectivity for D1R over other dopamine receptors in β-arrestin activation assays. This provides a proof-of-concept for developing D1R-selective, biased compounds with potentially fewer side effects than current treatments like L-DOPA, offering a new avenue for PD therapy development.
  • VI: Nghiên cứu này nhằm mục đích xác định các chất điều biến dị lập thể mới của thụ thể dopamine D1 (D1R) với các đặc tính tín hiệu thiên vị nhằm cải thiện điều trị bệnh Parkinson (PD). Sử dụng nền tảng sàng lọc ảo, các nhà nghiên cứu đã phát hiện ra hai hợp chất tăng cường tuyển dụng β-arrestin đồng thời ức chế kích hoạt protein G, chứng minh tính chọn lọc chức năng. Một ứng cử viên hàng đầu, DUSBI-A3, cho thấy tính chọn lọc cao đối với D1R so với các thụ thể dopamine khác trong các xét nghiệm kích hoạt β-arrestin. Điều này cung cấp bằng chứng cho việc phát triển các hợp chất thiên vị, chọn lọc D1R với khả năng ít tác dụng phụ hơn so với các phương pháp điều trị hiện tại như L-DOPA, mở ra một hướng đi mới cho sự phát triển của liệu pháp PD.
• Practically Significant Method Comparison Protocols for Machine Learning in Small Molecule Drug Discovery.
  • EN: This research focuses on improving the reliability of Machine Learning (ML) methods used to predict molecular properties in drug discovery, which can replace expensive experiments. The study highlights the importance of statistically rigorous method comparison protocols and domain-appropriate performance metrics when evaluating new ML approaches. It proposes specific guidelines for comparing methods used in small molecule property modeling, aiming to promote replicable and robust benchmarking. These guidelines, with open-source examples, facilitate the development of more impactful and reliable ML techniques for drug discovery.
  • VI: Nghiên cứu này tập trung vào việc cải thiện độ tin cậy của các phương pháp Học Máy (ML) được sử dụng để dự đoán các thuộc tính phân tử trong quá trình khám phá thuốc, có thể thay thế các thí nghiệm tốn kém. Nghiên cứu nhấn mạnh tầm quan trọng của các giao thức so sánh phương pháp được thực hiện chặt chẽ về mặt thống kê và các chỉ số hiệu suất phù hợp với lĩnh vực khi đánh giá các phương pháp ML mới. Nghiên cứu đề xuất các hướng dẫn cụ thể để so sánh các phương pháp được sử dụng trong mô hình hóa thuộc tính của các phân tử nhỏ, nhằm thúc đẩy việc chuẩn hóa lặp lại và mạnh mẽ. Các hướng dẫn này, kèm theo các ví dụ mã nguồn mở, tạo điều kiện cho việc phát triển các kỹ thuật ML có tác động và độ tin cậy cao hơn để khám phá thuốc.
• KGG: Knowledge-Guided Graph Self-Supervised Learning to Enhance Molecular Property Predictions.
  • EN: This research introduces a Knowledge-Guided Graph (KGG) framework to improve molecular property prediction using Graph Neural Networks. KGG addresses the challenges of data scarcity and limited feature representation by pretraining models with orbital-level features using self-supervised learning and incorporating novel atomic hybridization and bond type representations. The method demonstrates superior performance compared to existing approaches on diverse molecular property datasets, while requiring significantly less pretraining data. This data efficiency and enhanced chemical knowledge integration makes KGG a robust and versatile approach for various GNN architectures, particularly in low-data scenarios.
  • VI: Nghiên cứu này giới thiệu một khung Knowledge-Guided Graph (KGG) để cải thiện việc dự đoán tính chất phân tử bằng cách sử dụng Mạng Nơ-ron Đồ thị (Graph Neural Networks). KGG giải quyết các thách thức về sự khan hiếm dữ liệu và biểu diễn đặc trưng hạn chế bằng cách huấn luyện trước các mô hình với các đặc trưng mức quỹ đạo sử dụng học tự giám sát và kết hợp các biểu diễn lai hóa nguyên tử và loại liên kết mới. Phương pháp này thể hiện hiệu suất vượt trội so với các phương pháp hiện có trên nhiều bộ dữ liệu tính chất phân tử khác nhau, đồng thời đòi hỏi ít dữ liệu huấn luyện trước hơn đáng kể. Hiệu quả dữ liệu và khả năng tích hợp kiến thức hóa học nâng cao này làm cho KGG trở thành một phương pháp mạnh mẽ và linh hoạt cho các kiến trúc GNN khác nhau, đặc biệt là trong các tình huống dữ liệu thấp.
• Accelerating Prediction of Antiviral Peptides Using Genetic Algorithm-Based Weighted Multiperspective Descriptors with Self-Normalized Deep Networks.
  • EN: This research introduces TargetAVP-DeepCaps, a novel deep learning model for accurately predicting antiviral peptides (AVPs). The model utilizes multiple innovative feature representation strategies, including contextual embeddings from ProtGPT2, sequence-to-image transformations, and feature selection techniques, to capture comprehensive peptide information. TargetAVP-DeepCaps achieved a high predictive accuracy of 97.36% and an AUC of 0.98, significantly outperforming existing methods. The model's superior performance and generalization ability offer a valuable tool for understanding AVP mechanisms and accelerating the development of peptide-based antiviral drugs. This holds significant promise for future drug discovery efforts and combating viral diseases.
  • VI: Nghiên cứu này giới thiệu TargetAVP-DeepCaps, một mô hình học sâu mới để dự đoán chính xác các peptide kháng virus (AVP). Mô hình sử dụng nhiều chiến lược biểu diễn đặc trưng sáng tạo, bao gồm nhúng ngữ cảnh từ ProtGPT2, chuyển đổi chuỗi thành ảnh và các kỹ thuật lựa chọn đặc trưng, để nắm bắt thông tin peptide toàn diện. TargetAVP-DeepCaps đạt được độ chính xác dự đoán cao 97,36% và AUC là 0,98, vượt trội hơn đáng kể so với các phương pháp hiện có. Hiệu suất vượt trội và khả năng khái quát hóa của mô hình mang lại một công cụ giá trị để hiểu cơ chế AVP và đẩy nhanh quá trình phát triển các loại thuốc kháng virus dựa trên peptide. Điều này hứa hẹn tiềm năng to lớn cho các nỗ lực khám phá thuốc trong tương lai và chống lại các bệnh do virus.
• In Search of Beautiful Molecules: A Perspective on Generative Modeling for Drug Design.
  • EN: This research argues that the true potential of generative AI in drug discovery (GADD) lies in generating "beautiful" molecules – those optimized for therapeutic objectives and exceeding traditional methods. The study highlights five critical factors for successful GADD application: synthesizability, favorable ADMET properties, target-specific binding, appropriate multiparameter optimization, and expert human feedback. It emphasizes that defining molecular "beauty" is context-dependent and requires experienced drug hunters' nuanced judgment. Reinforcement learning with human feedback (RLHF) is proposed as a key method for guiding GenAI towards therapeutically relevant molecules, similar to its success in training LLMs. Future progress relies on improved property prediction models and explainable systems to assist drug hunters.
  • VI: Nghiên cứu này lập luận rằng tiềm năng thực sự của AI tạo sinh trong khám phá thuốc (GADD) nằm ở việc tạo ra những phân tử "đẹp" - những phân tử được tối ưu hóa cho các mục tiêu điều trị và vượt trội hơn các phương pháp truyền thống. Nghiên cứu nhấn mạnh năm yếu tố quan trọng để ứng dụng GADD thành công: khả năng tổng hợp, các đặc tính ADMET thuận lợi, liên kết đặc hiệu mục tiêu, tối ưu hóa đa tham số phù hợp và phản hồi từ các chuyên gia. Nghiên cứu nhấn mạnh rằng việc định nghĩa "vẻ đẹp" của phân tử phụ thuộc vào bối cảnh và đòi hỏi sự đánh giá tinh tế của các nhà khoa học có kinh nghiệm trong lĩnh vực khám phá thuốc. Học tăng cường với phản hồi từ con người (RLHF) được đề xuất như một phương pháp chính để hướng dẫn GenAI đến các phân tử có liên quan đến điều trị, tương tự như thành công của nó trong việc đào tạo LLM. Tiến bộ trong tương lai phụ thuộc vào các mô hình dự đoán thuộc tính được cải thiện và các hệ thống có khả năng giải thích để hỗ trợ các nhà khoa học khám phá thuốc.
• Prediction of Activity and Selectivity Profiles of Sigma Receptor Ligands Using Machine Learning Approaches.
  • EN: This research aimed to develop machine learning models to predict the activity and selectivity of ligands for sigma-1 (S1R) and sigma-2 (S2R) receptors, which are important therapeutic targets. Three different machine learning approaches (classification, regression, and multiclassification) were explored using diverse molecular descriptors and algorithms. The study found that a multiclassification model using extra trees and Mordred descriptors demonstrated the best predictive performance in identifying selective ligands for S1R and S2R. This provides a valuable tool for designing new drugs that can target these receptors with greater precision, potentially leading to improved treatments for neurological disorders and cancer.
  • VI: Nghiên cứu này nhằm mục đích phát triển các mô hình học máy để dự đoán hoạt tính và tính chọn lọc của các phối tử cho thụ thể sigma-1 (S1R) và sigma-2 (S2R), là những mục tiêu trị liệu quan trọng. Ba phương pháp học máy khác nhau (phân loại, hồi quy và đa phân loại) đã được khám phá bằng cách sử dụng nhiều mô tả phân tử và thuật toán khác nhau. Nghiên cứu phát hiện ra rằng mô hình đa phân loại sử dụng cây ngoại hạng (extra trees) và các mô tả Mordred thể hiện hiệu suất dự đoán tốt nhất trong việc xác định các phối tử chọn lọc cho S1R và S2R. Điều này cung cấp một công cụ giá trị để thiết kế các loại thuốc mới có thể nhắm mục tiêu các thụ thể này với độ chính xác cao hơn, có khả năng dẫn đến các phương pháp điều trị cải thiện cho các rối loạn thần kinh và ung thư.
• Water-Based Pharmacophore Modeling in Kinase Inhibitor Design: A Case Study on Fyn and Lyn Protein Kinases.
  • EN: This study investigates the use of water-based pharmacophore modeling to discover inhibitors for Fyn and Lyn kinases, less-explored targets in cancer drug discovery. Molecular dynamics simulations generated water-derived pharmacophores, which were used to screen compound libraries, leading to the identification of two active inhibitors. While the pharmacophores effectively captured key interactions with conserved regions of the ATP binding site, they were less successful in modeling interactions with more flexible regions. The research highlights the potential of water-based pharmacophores for identifying novel compounds but also emphasizes the need to incorporate ligand information to account for protein flexibility.
  • VI: Nghiên cứu này khám phá việc sử dụng mô hình dược lực học dựa trên nước (water-based pharmacophore modeling) để phát hiện các chất ức chế kinase Fyn và Lyn, những mục tiêu ít được nghiên cứu trong phát triển thuốc điều trị ung thư. Mô phỏng động lực học phân tử đã tạo ra các dược lực học có nguồn gốc từ nước, được sử dụng để sàng lọc các thư viện hợp chất, dẫn đến việc xác định hai chất ức chế có hoạt tính. Mặc dù các dược lực học này nắm bắt hiệu quả các tương tác quan trọng với các vùng bảo tồn của vị trí liên kết ATP, nhưng chúng ít thành công hơn trong việc mô hình hóa các tương tác với các vùng linh hoạt hơn. Nghiên cứu làm nổi bật tiềm năng của dược lực học dựa trên nước trong việc xác định các hợp chất mới, đồng thời nhấn mạnh sự cần thiết phải kết hợp thông tin về phối tử để giải thích sự linh hoạt của protein.
• From AI-Driven Sequence Generation to Molecular Simulation: A Comprehensive Framework for Antimicrobial Peptide Discovery.
  • EN: This study introduces a computational framework combining deep learning (GAN and PGAT-ABPp) and molecular dynamics simulations to design and screen novel antimicrobial peptides (AMPs). The framework generated 50 candidate sequences, ultimately identifying two peptides that demonstrated antibacterial activity against both Gram-negative (E. coli) and Gram-positive (S. aureus) bacteria in vitro. Molecular simulations suggest these peptides disrupt bacterial membranes by forming water pores. This approach offers a cost-effective and broadly applicable strategy for discovering new AMPs, potentially addressing the growing issue of antibiotic resistance and expanding the pool of candidates for clinical trials.
  • VI: Nghiên cứu này giới thiệu một khung tính toán kết hợp học sâu (GAN và PGAT-ABPp) và mô phỏng động lực học phân tử để thiết kế và sàng lọc các peptide kháng khuẩn (AMP) mới. Khung này đã tạo ra 50 chuỗi ứng viên, cuối cùng xác định được hai peptide có hoạt tính kháng khuẩn chống lại cả vi khuẩn Gram âm (E. coli) và Gram dương (S. aureus) trong ống nghiệm. Mô phỏng phân tử cho thấy các peptide này phá vỡ màng tế bào vi khuẩn bằng cách hình thành các lỗ nước. Phương pháp này cung cấp một chiến lược hiệu quả về chi phí và có khả năng ứng dụng rộng rãi để khám phá các AMP mới, có khả năng giải quyết vấn đề kháng kháng sinh ngày càng tăng và mở rộng nhóm ứng viên cho các thử nghiệm lâm sàng.
• Decoding BCL6 Inhibitors: Computational Insights into the Impact of Water Networks on Potency.
  • EN: This research investigates the role of water networks in protein-ligand binding, specifically focusing on BCL6 inhibitors. The study uses Grand Canonical Monte Carlo (GCMC) simulations and alchemical free energy calculations to retrospectively analyze a series of inhibitors and their effect on water displacement. The results successfully rationalize the structure-activity relationship by quantifying the energetic contributions of water network changes and new protein interactions. This work demonstrates the potential of computational methods to accurately model water networks and guide drug discovery by predicting the impact of ligand modifications on both compound activity and water molecule stability within the binding site.
  • VI: Nghiên cứu này điều tra vai trò của mạng lưới nước trong liên kết protein-ligand, đặc biệt tập trung vào các chất ức chế BCL6. Nghiên cứu sử dụng mô phỏng Grand Canonical Monte Carlo (GCMC) và tính toán năng lượng tự do hóa học để phân tích hồi cứu một loạt các chất ức chế và ảnh hưởng của chúng đối với sự dịch chuyển nước. Kết quả đã hợp lý hóa thành công mối quan hệ cấu trúc-hoạt tính bằng cách định lượng sự đóng góp năng lượng của những thay đổi trong mạng lưới nước và các tương tác mới với protein. Công trình này chứng minh tiềm năng của các phương pháp tính toán trong việc mô hình hóa chính xác mạng lưới nước và định hướng khám phá thuốc bằng cách dự đoán tác động của các sửa đổi phối tử đối với cả hoạt động của hợp chất và sự ổn định của các phân tử nước trong vị trí liên kết.
• Distance-Based Logistic Matrix Factorization.
  • EN: This research explores an alternative to the traditional dot product approach in logistic matrix factorization, proposing the use of distance as a measure of similarity between latent factors. By leveraging distance, which allows for nonlinear decision boundaries and adheres to triangle inequalities, the model demonstrates increased expressive power and modeling capacity. The distance-based model, implemented in Euclidean and hyperbolic space, significantly outperforms existing logistic matrix factorization methods across three biological datasets. The findings show improved generalization, optimal performance with lower dimensionality, and enhanced data clustering in the latent space, suggesting potential applications in various machine learning tasks.
  • VI: Nghiên cứu này khám phá một phương pháp thay thế cho cách tiếp cận tích vô hướng truyền thống trong phân tích ma trận logistic, đề xuất sử dụng khoảng cách để đo lường sự tương đồng giữa các nhân tố tiềm ẩn. Bằng cách tận dụng khoảng cách, cho phép các ranh giới quyết định phi tuyến tính và tuân thủ bất đẳng thức tam giác, mô hình thể hiện khả năng biểu đạt và khả năng mô hình hóa tăng lên. Mô hình dựa trên khoảng cách, được triển khai trong không gian Euclid và hyperbolic, vượt trội đáng kể so với các phương pháp phân tích ma trận logistic hiện có trên ba bộ dữ liệu sinh học. Kết quả cho thấy khả năng tổng quát hóa được cải thiện, hiệu suất tối ưu với số chiều thấp hơn và khả năng phân cụm dữ liệu được nâng cao trong không gian tiềm ẩn, gợi ý các ứng dụng tiềm năng trong nhiều nhiệm vụ học máy khác nhau.