| Маркер записи | n 22 3 4500 |
| Контрольный номер | uchm24_to93_no3_ss0_ad1 |
| Дата корректировки | 13:00:52 29 апреля 2024 г. |
| Кодируемые данные | 240412s2024||||RU|||||||||||#||||# rus0| |
| Системный контрольный номер | RUMARS-uchm24_to93_no3_ss0_ad1 |
| AR-MARS | |
| Служба первич. каталог. |
Научная библиотека Чувашского государственного университета МАРС |
| Код языка каталог. | rus |
| Код языка издания |
rus rus |
| Индекс УДК | 661.12 |
| Индекс ББК |
35.66 35.66 |
|
Таблицы для массовых библиотек Таблицы для массовых библиотек |
|
|
Иваненков, Я. А. кандидат биологических наук; ведущий научный сотрудник; руководитель лаборатории Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации; Всероссийский научно-исследовательский институт автоматики имени Н. Л. Духова 070 |
|
|
AlphaFord в арсенале современного медицинского химика Я. А. Иваненков, С. А. Евтеев, А. С. Малышев [и др.] |
|
| Иллюстрации/ тип воспроизводства | 20 рис., 5 табл. |
| Текст | |
| непосредственный | |
| Библиография | Библиогр.: с. [33-36] (154 назв. ) |
| Аннотация | Создание новых малых лекарственных молекул - важная и сложная междисциплинарная проблема. На ранних этапах ее решения используют методы хемоинформатики и биоинформатики, что позволяет сократить затраты на поиск соединения-лидера. В арсенале медицинского химика методы моделирования стыковки и молекулярной динамики занимают особое место, так как позволяют прогнозировать возможный механизм связывания потенциального лиганда с белковой мишенью. Однако для моделирования стыковки необходимо располагать пространственной структурой изучаемой мишени. В настоящее время доступны базы данных трехмерных структур, но многие белковые молекулы еще не описаны, поэтому возникает потребность в моделировании их строения. Разработано несколько компьютерных подходов, позволяющих решать эту задачу. Алгоритм AlphaFold, работающий на базе методов машинного обучения, рассматривается научным сообществом в качестве наиболее эффективного для прогнозирования трехмерных структур молекул белков. Однако границы его применения в области медицинской химии, в частности для виртуального скрининга, остаются неясными. В данном обзоре кратко описаны методы, позволяющие прогнозировать трехмерные структуры белков, а также рассмотрены примеры использования алгоритма AlphaFold с целью разработки и рационального отбора потенциальных лигандов на стадию биологического тестирования. Особое внимание уделено публикациям, в которых приведены результаты экспериментальной валидации подхода. На основании проведенного анализа сформулированы основные проблемы в обозначенной области и возможные пути их решения. |
|
Химическая технология AR-MARS Фармацевтические производства AR-MARS |
|
| Ключевые слова |
AlphaFold лекарства малые лекарственные молекулы машинное обучение медицинская химия молекулярный докинг нейронные сети |
|
Евтеев, С. А. ведущий научный сотрудник Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации; Всероссийский научно-исследовательский институт автоматики имени Н. Л. Духова 070 Малышев, А. С. научный сотрудник Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации; Всероссийский научно-исследовательский институт автоматики имени Н. Л. Духова 070 Терентьев, В. А. научный сотрудник Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации; Всероссийский научно-исследовательский институт автоматики имени Н. Л. Духова 070 Безруков, Д. С. кандидат физико-математических наук; доцент Химический факультет Московского государственного университета имени М. В. Ломоносова 070 Ерещенко, А. В. научный сотрудник Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации; Всероссийский научно-исследовательский институт автоматики имени Н. Л. Духова 070 Корженевская, А. А. младший научный сотрудник Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации 070 Загрибельный, Б. А. аспирант Химический факультет Московского государственного университета имени М. В. Ломоносова 070 Шегай, П. В. кандидат медицинских наук; заместитель генерального директора по науке; руководитель центра Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации 070 Каприн, А. Д. академик; доктор медицинских наук; профессор; генеральный директор; заведующий кафедрой Московский научно-исследовательский онкологический институт имени П. А. Герцена - филиал Национального медицинского исследовательского центра радиологии Министерства здравоохранения Российской Федерации; Российский университет дружбы народов 070 |
|
| ISSN | 0042-1308 |
| Название источника | Успехи химии |
| Место и дата издания | 2024 |
| Прочая информация | Т. 93, № 3. - С. [5-36] |
|
RU 42813093 20240412 RCR |
|
|
RU 42813093 20240412 |
|
|
RU AR-MARS 20240412 RCR |
|
|
RU AR-MARS 20240412 |
|
| Тип документа | b |
|
code year to no ss ad |
|
|
uchm 2024 93 3 0 1 |
|
| 244 | |
|
Ivanenkov, Ya. A. Evteev, S. A. Malyshev, A. S. Terentiev, V. A. Bezrukov, D. S. Ereshchenko, A. V. Korzhenevskaya, A. A. Zagribelnyy, B. A. Shegai, P. V. Kaprin, A. D. |
