Abstract G-protein coupled receptors (GPCRs), crucial in various diseases, are targeted of over 40% of approved drugs. However, the reliable acquisition of experimental GPCRs structures is hindered by their lipid-embedded conformations. Traditional protein–ligand interaction models falter in GPCR–drug interactions, caused by limited and low-quality structures. Generalized models, trained on soluble protein–ligand pairs, are also inadequate. To address these issues, we developed two models, DeepGPCR_BC for binary classification and DeepGPCR_RG for affinity prediction. These models use non-structural GPCR–ligand interaction data, leveraging graph convolutional networks and mol2vec techniques to represent binding pockets and ligands as graphs. This approach significantly speeds up predictions while preserving critical physical–chemical and spatial information. In independent tests, DeepGPCR_BC surpassed Autodock Vina and Schrödinger Dock with an area under the curve of 0.72, accuracy of 0.68 and true positive rate of 0.73, whereas DeepGPCR_RG demonstrated a Pearson correlation of 0.39 and root mean squared error of 1.34. We applied these models to screen drug candidates for GPR35 (Q9HC97), yielding promising results with three (F545-1970, K297-0698, S948-0241) out of eight candidates. Furthermore, we also successfully obtained six active inhibitors for GLP-1R. Our GPCR-specific models pave the way for efficient and accurate large-scale virtual screening, potentially revolutionizing drug discovery in the GPCR field.

Abstract G-protein coupled receptors (GPCRs), crucial in various diseases, are targeted of over 40% of approved drugs. However, the reliable acquisition of experimental GPCRs structures is hindered by their lipid-embedded conformations. Traditional protein-ligand interaction models falter in GPCR-drug interactions, caused by limited and low-quality structures. Generalized models, trained on soluble protein-ligand pairs, are also inadequate. To address these issues, we developed two models, DeepGPCR_BC for binary classification and DeepGPCR_RG for affinity prediction. These models use non-structural GPCR-ligand interaction data, leveraging graph convolutional networks (GCN) and mol2vec techniques to represent binding pockets and ligands as graphs. This approach significantly speeds up predictions while preserving critical physical-chemical and spatial information. In independent tests, DeepGPCR_BC surpassed Autodock Vina and Schrödinger Dock with an AUC of 0.72, accuracy of 0.68, and TPR of 0.73, whereas DeepGPCR_RG demonstrated a Pearson correlation of 0.39 and RMSE of 1.34. We applied these models to screen drug candidates for GPR35 (Q9HC97), yielding promising results with 3 (F545-1970, K297-0698, S948-0241) out of 8 candidates. Furthermore, we also successfully obtained 6 active inhibitors for GLP-1R. Our GPCR-specific models pave the way for efficient and accurate large-scale virtual screening, potentially revolutionizing drug discovery in the GPCR field.

Background: Psychological stress and poor sleep quality are interrelated and disproportionately affect adults who have multiple risk factors of cardiovascular disease (CVD). Sleep hygiene practices, such as maintaining an optimal household environment and engaging in healthy bedtime behaviors, are essential to sleep health. These practices may also impact psychological stress; however, their relationships remain under-studied. This study aimed to examine the associations among sleep hygiene practices, sleep quality, and psychological stress in adults with multiple CVD risk factors. Methods: Adults diagnosed with hypertension and type 2 diabetes completed an online survey (N = 300). Psychological stress and sleep quality were assessed using the Perceived Stress Scale 4 and the Pittsburgh Sleep Quality Index, respectively. A sleep hygiene instrument was used to examine 8 individual factors focusing on negative household environment (safety, physical comfort, temperature, and light) and poor in-bed behaviors (watching TV, playing video games, using screens, and eating). Multiple regression was employed to examine the association of each sleep hygiene factor with sleep quality and psychological stress. Subsequently, mediation analyses were conducted to examine the mediating role of sleep in the association between the composite sleep hygiene score and psychological stress. Results: Of the sample, 78% reported poor sleep quality and 44% reported high psychological stress. Individual sleep hygiene factors (e.g., unsafe household and eating at bedtime), as well as the composite sleep hygiene score, were significantly associated with poorer sleep quality and higher psychological stress. Sleep quality partially mediated the association between the composite sleep hygiene score and psychological stress (Indirect effect: 0.183; 95% bootstrap confidence interval: 0.057-0.339). Conclusions: The findings showed strong links between sleep hygiene practices, sleep quality, and psychological stress. Although causality cannot be inferred, current evidence suggests that promoting sleep hygiene education and implementing strategies to enhance sleep quality may alleviate psychological burdens in adults with multiple CVD risk factors.

Background There is limited and inconsistent evidence on the association between electroencephalography (EEG) measured sleep and depressive symptoms among community-dwelling older adults. This study aimed to investigate the cross-sectional association between EEG-measured sleep and depressive symptoms. Methods Using baseline data from a randomized clinical trial, we included 66 sedentary community-dwelling older adults with sleep complaints (≥ 1 self-reported insomnia symptom). Sleep was measured using an in-home sleep EEG (Sleep Profiler™) for 2 nights and the Geriatric Depression Scale (GDS-15) was used to measure depressive symptoms. Multiple linear regression analyses were conducted with each sleep parameter as the primary predictor and GDS score as the outcome, adjusting for age, sex, race, education, marital status, chronic conditions, and Montreal Cognitive Assessment (MoCA) score. Results Several sleep variables were associated with depressive symptoms (GDS score), including a higher percentage of sleep stage N1 (B = 0.11, 95% confidence interval [CI]: 0.02 – 0.20) and N2 (B = 0.04, 95% CI: 0.00 – 0.08), a lower percentage of N3 sleep (B = −0.04, 95% CI: −0.08 to −0.01), greater wake after sleep onset (B = 0.01, 95% CI: 0.00 – 0.02), and a greater number of awakenings ≥90s/hour (B = 0.87, 95% CI: 0.21-1.53). Conclusions Our study reveals that among sedentary community-dwelling older adults with sleep complaints, more lighter sleep (stage N1, N2), less deep (N3) sleep, and increased awakenings are associated with more depressive symptoms. Sleep interventions aimed at enhancing sleep architecture may also help alleviate depressive symptoms in this population.