मॉलिकुलर डॉकिंग स्कोरिंग से मल्टीपल एनर्जी ऑक्सिलियरी टर्म्स को एकीकृत करके डॉकिंग-आधारित वर्चुअल स्क्रीनिंग की क्षमता में सुधार करना

मॉलिकुलर डॉकिंग पर आधारित वर्चुअल स्क्रीनिंग (VS) एक प्रभावी विधि है जिसका उपयोग दवा खोज में नए हिट यौगिकों को पुनः प्राप्त करने के लिए किया जाता है। हालांकि, वर्तमान डॉकिंग स्कोरिंग फ़ंक्शन (SF) की सटीकता अक्सर अपर्याप्त होती है। इस अध्ययन में, SF की स्क्रीनिंग शक्ति में सुधार के लिए, EAT-Score नामक एक नई विधि का प्रस्ताव किया गया, जो मॉलिकुलर डॉकिंग स्कोरिंग द्वारा प्रदान किए गए ऊर्जा ऑक्सिलियरी टर्म्स (EAT) का सीधे उपयोग करती है, जो eXtreme Gradient Boosting (XGBoost) के माध्यम से किया जाता है। यहाँ, EAT विशेष रूप से Molecular Operating Environment (MOE) स्कोरिंग के आउटपुट के लिए संदर्भित करता है, जिसमें पांच विभिन्न पारंपरिक SFs के ऊर्जा स्कोर और प्रोटीन-लिगेंड इंटरएक्शन फिंगरप्रिंट (PLIF) टर्म्स शामिल हैं। सक्रियों को डेकोइज़ से अलग करने के लिए EAT-Score की प्रदर्शन को विभिन्न प्रदर्शन मैट्रिक्स का उपयोग करके DUD-E विविध उपसमुच्चय पर कड़ाई से मान्यता प्राप्त की गई। परिणामों ने दिखाया कि EAT-Score VS में पारंपरिक SFs की तुलना में बहुत बेहतर प्रदर्शन करता है, जिसमें इसके AUC मानों में लगभग 0.3 का सुधार दर्शाता है। इस बीच, EAT-Score अन्य अत्याधुनिक VS विधियों जैसे कि कुछ मशीन लर्निंग (ML)-आधारित SFs और डॉकिंग प्रोग्राम में कार्यान्वित पारंपरिक SFs की तुलना में AUC, LogAUC या BEDROC के संदर्भ में तुलनीय या भी बेहतर भविष्यवाणी प्रदर्शन प्राप्त कर सकता है। इसके अतिरिक्त, EAT-Score मॉडल प्रोटीन-लिगेंड जटिलों से महत्वपूर्ण बाइंडिंग पैटर्न जानकारी को Shapley ऐडिटिव स्पष्टीकरण (SHAP) विश्लेषण के माध्यम से कैप्चर कर सकता है, जो किसी निश्चित लक्ष्य के लिए लिगेंड बाइंडिंग तंत्र को व्याख्या करने में बहुत सहायक हो सकता है और इस प्रकार दवा डिज़ाइन को मार्गदर्शन कर सकता है।