Los puntos clave no están disponibles para este artículo en este momento.
El cribado de alto rendimiento (HTS) se utiliza rutinariamente para identificar pequeñas moléculas bioactivas. Esto requiere compuestos físicos, lo que limita la cobertura del espacio químico accesible. Los enfoques computacionales combinados con vastas bibliotecas químicas bajo demanda pueden acceder a un espacio químico mucho mayor, siempre que la precisión predictiva sea suficiente para identificar moléculas útiles. A través de la campaña virtual de HTS más grande y diversa reportada hasta la fecha, que comprende 318 proyectos individuales, demostramos que nuestra red neuronal convolucional AtomNet® encuentra con éxito nuevos hits en todas las principales áreas terapéuticas y clases de proteínas. Abordamos las limitaciones históricas del cribado computacional al demostrar el éxito para proteínas objetivo sin uniones conocidas, estructuras cristalinas de rayos X de alta calidad, o la selección manual de compuestos. Mostramos que las moléculas seleccionadas por el modelo AtomNet® son esqueletos similares a fármacos novedosos en lugar de modificaciones menores de compuestos bioactivos conocidos. Nuestros resultados empíricos sugieren que los métodos computacionales pueden reemplazar sustancialmente al HTS como el primer paso en el descubrimiento de fármacos de pequeñas moléculas.
Wallach et al. (Mar,) estudiaron esta cuestión.