B7-0 or B7-2 (CD86) is a T cell costimulatory molecule that binds the same receptors (CD28 and CTLA-4) as B7-1 (CD80), but shares with it only approximately 25% sequence identity and is expressed earlier during an immune response. Here we show that human CD86 maintains similar (within approximately 2- to 3-fold) overall receptor binding and T cell costimulatory properties as CD80. However, CD80 and CD86 did not bind equivalently to CTLA-4: CD80 bound Y100A, a form of CTLA4lg with a mutation in the CDR3-like region, > 200-fold better than did CD86; inhibition of CD80-mediated cellular responses required approximately 100-fold lower CTLA4lg concentrations; and CD80-CTLA4lg complexes dissociated 5- to 8-fold more slowly, Thus, CD80 and CD86 utilize different binding determinants and have different kinetics of binding to CD28 and CTLA-4.

The prominent role of the CD40 receptor in B cell responses led us to investigate the role of the gp39-CD40 interaction in a group of primary immunodeficient patients with defective antibody production. Here we report that patients with hyper-IgM syndrome (HIM) have a defective gp39-CD40 interaction. B cells from HIM patients express functional CD40, but their T cells do not bind CD40-Ig. These patients expressed normal levels of gp39 mRNA, but these mRNAs encode defective gp39 proteins owing to mutations in the extracellular domain of gp39. Soluble recombinant forms of gp39 containing these mutations were unable to bind CD40 and drive normal B cell proliferation. The gene encoding gp39 was mapped to Xq26, the X chromosome region where the gene responsible for HIM had previously been mapped. These data suggest that a defect in gp39 is the basis of X-linked HIM.

Current success in organ transplantation is dependent upon the use of calcineurin-inhibitor-based im-munosuppressive regimens. Unfortunately, current immunotherapy targets molecules with ubiquitous ex-pression resulting in devastating non-immune side effects. T-cell costimulation has been identified as a new potential immunosuppressive target. The best characterized pathway includes CD28, its homologue CTLA4 and their ligands CD80 and CD86. While an im-munoglobulin fusion protein construct of CTLA4 sup-pressed rejection in rodents, it lacked efficacy in primate transplant models. In an attempt to increase the biologic potency of the parent molecule a novel, modified version of CTLA4-Ig, LEA29Y (belatacept), was constructed. Two amino acid substitutions (L104E and A29Y) gave rise to slower dissociation rates for both CD86 and CD80. The increased avidity resulted in a 10fold increase in potency in vitro and significant prolongation of renal allograft survival in a pre-clinical primate model. The use of immunoselective biologics may provide effective maintenance immunosuppression while avoiding the collateral toxicities associated with conventional immunsuppressants.

We identify a B7 family molecule, B7-H4, by protein sequence analysis and comparative molecular modeling. While B7-H4 mRNA is widely distributed in mouse and human peripheral tissues, cell surface expression of B7-H4 protein is limited and shows an inducible pattern on hematopoietic cells. Putative receptor of B7-H4 can be upregulated on activated T cells. By arresting cell cycle, B7-H4 ligation of T cells has a profound inhibitory effect on the growth, cytokine secretion, and development of cytotoxicity. Administration of B7-H4Ig into mice impairs antigen-specific T cell responses whereas blockade of endogenous B7-H4 by specific monoclonal antibody promotes T cell responses. B7-H4 thus may participate in negative regulation of cell-mediated immunity in peripheral tissues.

Similarity is a subjective and multifaceted concept, regardless of whether compounds or any other objects are considered. Despite its intrinsically subjective nature, attempts to quantify the similarity of compounds have a long history in chemical informatics and drug discovery. Many computational methods employ similarity measures to identify new compounds for pharmaceutical research. However, chemoinformaticians and medicinal chemists typically perceive similarity in different ways. Similarity methods and numerical readouts of similarity calculations are probably among the most misunderstood computational approaches in medicinal chemistry. Herein, we evaluate different similarity concepts, highlight key aspects of molecular similarity analysis, and address some potential misunderstandings. In addition, a number of practical aspects concerning similarity calculations are discussed.

Abstract Difficulties in interpreting machine learning (ML) models and their predictions limit the practical applicability of and confidence in ML in pharmaceutical research. There is a need for agnostic approaches aiding in the interpretation of ML models regardless of their complexity that is also applicable to deep neural network (DNN) architectures and model ensembles. To these ends, the SHapley Additive exPlanations (SHAP) methodology has recently been introduced. The SHAP approach enables the identification and prioritization of features that determine compound classification and activity prediction using any ML model. Herein, we further extend the evaluation of the SHAP methodology by investigating a variant for exact calculation of Shapley values for decision tree methods and systematically compare this variant in compound activity and potency value predictions with the model-independent SHAP method. Moreover, new applications of the SHAP analysis approach are presented including interpretation of DNN models for the generation of multi-target activity profiles and ensemble regression models for potency prediction.

Abstract A major challenge in computational chemistry is the generation of novel molecular structures with desirable pharmacological and physiochemical properties. In this work, we investigate the potential use of autoencoder, a deep learning methodology, for de novo molecular design. Various generative autoencoders were used to map molecule structures into a continuous latent space and vice versa and their performance as structure generator was assessed. Our results show that the latent space preserves chemical similarity principle and thus can be used for the generation of analogue structures. Furthermore, the latent space created by autoencoders were searched systematically to generate novel compounds with predicted activity against dopamine receptor type 2 and compounds similar to known active compounds not included in the trainings set were identified.

ADVERTISEMENT RETURN TO ISSUEPREVPerspectiveNEXTExploring Activity Cliffs in Medicinal ChemistryMiniperspectiveDagmar Stumpfe and Jürgen Bajorath*View Author Information Department of Life Science Informatics, B-IT, LIMES Program Unit Chemical Biology and Medicinal Chemistry, Rheinische Friedrich-Wilhelms-Universität, Dahlmannstrasse 2, D-53113 Bonn, Germany*Phone: +49-228-2699-306. Fax: +49-228-2699-341. E-mail: [email protected]Cite this: J. Med. Chem. 2012, 55, 7, 2932–2942Publication Date (Web):January 11, 2012Publication History Received19 December 2011Published online27 January 2012Published inissue 12 April 2012https://pubs.acs.org/doi/10.1021/jm201706bhttps://doi.org/10.1021/jm201706breview-articleACS PublicationsCopyright © 2012 American Chemical SocietyRequest reuse permissionsArticle Views7119Altmetric-Citations273LEARN ABOUT THESE METRICSArticle Views are the COUNTER-compliant sum of full text article downloads since November 2008 (both PDF and HTML) across all institutions and individuals. These metrics are regularly updated to reflect usage leading up to the last few days.Citations are the number of other articles citing this article, calculated by Crossref and updated daily. Find more information about Crossref citation counts.The Altmetric Attention Score is a quantitative measure of the attention that a research article has received online. Clicking on the donut icon will load a page at altmetric.com with additional details about the score and the social media presence for the given article. Find more information on the Altmetric Attention Score and how the score is calculated. Share Add toView InAdd Full Text with ReferenceAdd Description ExportRISCitationCitation and abstractCitation and referencesMore Options Share onFacebookTwitterWechatLinked InRedditEmail Other access optionsGet e-Alertsclose SUBJECTS:Chemical structure,Inhibitors,Medicinal chemistry,Selectivity,Structure activity relationship Get e-Alerts

In qualitative or quantitative studies of structure-activity relationships (SARs), machine learning (ML) models are trained to recognize structural patterns that differentiate between active and inactive compounds. Understanding model decisions is challenging but of critical importance to guide compound design. Moreover, the interpretation of ML results provides an additional level of model validation based on expert knowledge. A number of complex ML approaches, especially deep learning (DL) architectures, have distinctive black-box character. Herein, a locally interpretable explanatory method termed Shapley additive explanations (SHAP) is introduced for rationalizing activity predictions of any ML algorithm, regardless of its complexity. Models resulting from random forest (RF), nonlinear support vector machine (SVM), and deep neural network (DNN) learning are interpreted, and structural patterns determining the predicted probability of activity are identified and mapped onto test compounds. The results indicate that SHAP has high potential for rationalizing predictions of complex ML models.

Scaffold hopping refers to the computer-aided search for active compounds containing different core structures, which is a topic of high interest in medicinal chemistry. Herein foundations and caveats of scaffold hopping approaches are discussed and recent methodological developments analyzed. Despite the conceptual prevalence of pharmacophore methods for scaffold hopping, a variety of computational approaches have been successfully applied. In recent years, scaffold hopping calculations are increasingly carried out at the level of scaffolds rather than compounds, and scaffold queries increasingly abstract from chemical structures. In addition, relationships between compounds, scaffolds, and biological activities are beginning to be globally explored, beyond individual applications. Going forward, computational scaffold hopping is thought to benefit from the consideration of new scaffold concepts and the development of methods capable of guiding search calculations toward scaffolds that are likely to represent potent compounds.