亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Transfer Learning Enhanced Graph Neural Network for Aldehyde Oxidase Metabolism Prediction and Its Experimental Application

新陈代谢 药物代谢 醛氧化酶 代谢网络 代谢途径 计算机科学 生物化学 异型生物质的 机器学习 计算生物学 化学 生物 酶 黄嘌呤氧化酶
作者
Jiacheng Xiong,Rongrong Cui,Zhaojun Li,Wei Zhang,Runze Zhang,Zunyun Fu,Xiaohong Liu,Zhenghao Li,Kaixian Chen,Mingyue Zheng
出处
期刊: [Cold Spring Harbor Laboratory]
标识
DOI:10.1101/2023.06.05.543711
摘要

Abstract Aldehyde oxidase (AOX) is a molybdoenzyme that is primarily expressed in the liver and is involved in the metabolism of drugs and other xenobiotics. AOX-mediated metabolism can result in unexpected outcomes, such as the production of toxic metabolites and high metabolic clearance, which can lead to the clinical failure of novel therapeutic agents. Computational models can assist medicinal chemists in rapidly evaluating the AOX metabolic risk of compounds during the early phases of drug discovery and provide valuable clues for manipulating AOX-mediated metabolism liability. In this study, we developed a novel graph neural network called AOMP for predicting AOX-mediated metabolism. AOMP integrated the tasks of metabolic substrate/non-substrate classification and metabolic site prediction, while utilizing transfer learning from 13C nuclear magnetic resonance data to enhance its performance on both tasks. AOMP significantly outperformed the benchmark methods in both cross-validation and external testing. Using AOMP, we systematically assessed the AOX-mediated metabolism of common fragments in kinase inhibitors and successfully identified four new scaffolds with AOX metabolism liability, which were validated through in vitro experiments. Furthermore, for the convenience of the community, we established the first online service for AOX metabolism prediction based on AOMP, which is freely available at https://aomp.alphama.com.cn .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
风落完成签到 ,获得积分10
2秒前
前方的菜鸟完成签到 ,获得积分10
3秒前
molihuakai的应助被是绿子吖采纳,获得10
3秒前
11秒前
amiee发布了新的文献求助10
14秒前
乐观寻芹完成签到,获得积分10
22秒前
27秒前
清爽的孤丝完成签到,获得积分10
30秒前
32秒前
儒雅的新儿完成签到,获得积分10
43秒前
星野的应助被吴金菊采纳,获得10
44秒前
汉堡包的应助被萧雨墨采纳,获得10
48秒前
50秒前
海洋球完成签到,获得积分10
50秒前
56秒前
Hyp完成签到 ,获得积分10
57秒前
58秒前
59秒前
萧雨墨发布了新的文献求助10
1分钟前
yuyu完成签到,获得积分10
1分钟前
Eric的应助被Bugs采纳,获得10
1分钟前
乐乐的应助被Celia采纳,获得10
1分钟前
fantasy的应助被科研通管家采纳,获得10
1分钟前
fantasy的应助被科研通管家采纳,获得10
1分钟前
1分钟前
Maestro_S的应助被科研通管家采纳,获得10
1分钟前
fantasy的应助被科研通管家采纳,获得10
1分钟前
叶云夕完成签到,获得积分10
1分钟前
尽落完成签到 ,获得积分10
1分钟前
萧雨墨发布了新的文献求助10
1分钟前
奋斗不二完成签到,获得积分10
1分钟前
王露完成签到 ,获得积分10
1分钟前
星辰大海的应助被dart1023采纳,获得10
1分钟前
刘研完成签到,获得积分10
1分钟前
刘研发布了新的文献求助10
1分钟前
1分钟前
一杯茶具完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
luyiyi发布了新的文献求助10
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 2000
Sex, Aging, and Death in a Medieval Medical Compendium: Trinity College Cambridge MS R.14.52, Its Texts, Language, and Scribe 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
基于界面调控的高效湿气发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8190075
求助须知:如何正确求助?哪些是违规求助? 9577208
关于积分的说明 21851965
捐赠科研通 7788198
什么是DOI,文献DOI怎么找? 3436234
关于科研通互助平台的介绍 2559936
邀请新用户注册赠送积分活动 2482810