CANDO and the infinite drug discovery frontier.
CANDO and the infinite drug discovery frontier.
复制标题
DOI：
10.1016/j.drudis.2014.06.018
复制
发表时间：
2014-09
影响因子：
7.4
通讯作者：
Samudrala, Ram
中科院分区：
文献类型：
--
作者：
Minie, Mark;Chopra, Gaurav;Sethi, Geetika;Horst, Jeremy;White, George;Roy, Ambrish;Hatti, Kaushik;Samudrala, Ram
新药机会计算分析(CANDO)平台(http://protinfo.org/cando))使用化合物-蛋白质组相互作用特征的相似性来推断化合物/药物行为的同源性。我们基于基础科学方法，为3733种人类可食用化合物构建了相互作用特征，涵盖48,278种蛋白质结构，映射到2030种指示，以预测和分析我们和其他人开发的蛋白质结构、功能和相互作用。我们标志性的比较和排名方法为1439个适应症提供了12-25%的基准准确率，其中至少有两种批准的化合物。我们前瞻性地验证了9项研究中的49/82项“高价值”预测，这些研究涵盖了7个适应症，具有与现有药物相当或更好的活性，这些药物作为新的重新调整用途的疗法。我们的方法可以推广到FDA批准的化合物以外的化合物，也可以考虑蛋白质结构的突变，以实现个性化。我们的平台为复杂的原子、分子和生理系统提供了一个整体的多尺度建模框架，在医学和工程中具有更广泛的应用。
The Computational Analysis of Novel Drug Opportunities (CANDO) platform (http://protinfo.org/cando) uses similarity of compound–proteome interaction signatures to infer homology of compound/drug behavior. We constructed interaction signatures for 3733 human ingestible compounds covering 48,278 protein structures mapping to 2030 indications based on basic science methodologies to predict and analyze protein structure, function, and interactions developed by us and others. Our signature comparison and ranking approach yielded benchmarking accuracies of 12–25% for 1439 indications with at least two approved compounds. We prospectively validated 49/82 ‘high value’ predictions from nine studies covering seven indications, with comparable or better activity to existing drugs, which serve as novel repurposed therapeutics. Our approach may be generalized to compounds beyond those approved by the FDA, and can also consider mutations in protein structures to enable personalization. Our platform provides a holistic multiscale modeling framework of complex atomic, molecular, and physiological systems with broader applications in medicine and engineering.
登录
查看更多内容
影响因子：
2.7
作者：
Jenwitheesuk E;Samudrala R
通讯作者：
Samudrala R
影响因子：
7.4
作者：
Ghaemmaghami, Amir M.;Hancock, Matthew J.;Harrington, Helen;Kaji, Hirokazu;Khademhosseini, Ali
通讯作者：
Khademhosseini, Ali
影响因子：
11.9
作者：
Hur M;Campbell AA;Almeida-de-Macedo M;Li L;Ransom N;Jose A;Crispin M;Nikolau BJ;Wurtele ES
通讯作者：
Wurtele ES
影响因子：
3
作者：
Horst OV;Horst JA;Samudrala R;Dale BA
通讯作者：
Dale BA
影响因子：
14.9
作者：
Fernández-Suárez XM;Galperin MY
通讯作者：
Galperin MY