Although the NaV1.7 sodium channel is a promising drug target for pain, traditional screening strategies for discovery of NaV1.7 inhibitors are very painstaking and time-consuming. Herein, we aimed to build machine learning models for screening and design of potent and effective NaV1.7 sodium channel inhibitors. We customized the imbalanced data set from ChEMBL and BindingDB to train and filter the best classification model. Then, the whole-cell voltage-clamp was employed to validate the inhibitors. We assembled a molecular group optimization method by combining the Grammar Variational Autoencoder, classification model, and simulated annealing. We found that the RF-CDK model (random forest + CDK fingerprint) performs best in the imbalanced data set. Of the three compounds that may have inhibitory effects, nortriptyline has been experimentally verified. In the molecule optimization process, 40 molecules located in the applicability domain of RF-CDK were used as a starting point, among which 34 molecules evolved to molecules with greater molecular scores (MS). The molecule with the highest MS was derived from CHEMBL2325245. The model and method we developed for NaV1.7 inhibitors are also applicable to other targets.

Globally, liver hepatocellular carcinoma (LIHC) has a high mortality and recurrence rate, leading to poor prognosis. The recurrence of LIHC is closely related to two aspects: degree of immune infiltration and content of tumor stem cells. Hence, this study aimed to used RNA-seq and clinical data of LIHC from The Cancer Genome Atlas, Estimation of Stromal and Immune cells in Malignant Tumours, mRNA stemness index score, and weighted gene correlation network analysis methods to find genes significantly linked to the aforementioned two aspects. Key genes and clinical factors were used as input. Lasso regression and multivariate Cox regression were conducted to build an effective prognostic model for patients with liver cancer. Finally, four key genes (KLHL30, PLN, LYVE1, and TIMD4) and four clinical factors (Asian, age, grade, and bilirubin) were included in the prognostic model, namely Immunity and Cancer-stem-cell Related Prognosis (ICRP) score. The ICRP score achieved a great performance in test set. The area under the curve value of the ICRP score in test set for 1, 3, and 5 years was 0.708, 0.723, and 0.765, respectively, which was better than that of other prognostic prediction methods for LIHC. The C-index evaluation method also reached the same conclusion.

Abstract Na v 1.5 sodium channels contribute to the generation of the rapid upstroke of the myocardial action potential and thereby play a central role in the excitability of myocardial cells. At present, the patch clamp method is the gold standard for ion channel inhibitor screening. However, this method has disadvantages such as high technical difficulty, high cost and low speed. In this study, novel machine learning models to screen chemical blockers were developed to overcome the above shortage. The data from the ChEMBL Database were employed to establish the machine learning models. Firstly, six molecular fingerprints together with five machine learning algorithms were used to develop 30 classification models to predict effective inhibitors. A validation and a test set were used to evaluate the performance of the models. Subsequently, the privileged substructures tightly associated with the inhibition of the Na v 1.5 ion channel were extracted using the bioalerts Python package. In the validation set, the RF‐Graph model performed best. Similarly, RF‐Graph produced the best result in the test set in which the Prediction Accuracy (Q) was 0.9309 and Matthew's correlation coefficient was 0.8627, further indicating the model had high classification ability. The results of the privileged substructures indicated Sulfa structures and fragments with large Steric hindrance tend to block Na v 1.5. In the unsupervised learning task of identifying sulfa drugs, MACCS and Graph fingerprints had good results. In summary, effective machine learning models have been constructed which help to screen potential inhibitors of the Na v 1.5 ion channel and key privileged substructures with high affinity were also extracted.

Abstract Immune infiltration of ovarian cancer (OV) is a critical factor in determining patient's prognosis. Using data from TCGA and GTEx database combined with WGCNA and ESTIMATE methods, 46 genes related to OV occurrence and immune infiltration were identified. Lasso and multivariate Cox regression were applied to define a prognostic score (IGCI score) based on 3 immune genes and 3 types of clinical information. The IGCI score has been verified by K‐M curves, ROC curves and C‐index on test set. In test set, IGCI score (C‐index = 0.630) is significantly better than AJCC stage (C‐index = 0.541, p < 0.05) and CIN25 (C‐index = 0.571, p < 0.05). In addition, we identified key mutations to analyse prognosis of patients and the process related to immunity. Chi‐squared tests revealed that 6 mutations are significantly ( p < 0.05) related to immune infiltration: BRCA1, ZNF462, VWF, RBAK, RB1 and ADGRV1. According to mutation survival analysis, we found 5 key mutations significantly related to patient prognosis ( p < 0.05): CSMD3, FLG2, HMCN1, TOP2A and TRRAP. RB1 and CSMD3 mutations had small p‐value ( p < 0.1) in both chi‐squared tests and survival analysis. The drug sensitivity analysis of key mutation showed when RB1 mutation occurs, the efficacy of six anti‐tumour drugs has changed significantly ( p < 0.05).

Abstract: The GABAA receptor mainly mediates inhibitory signal transmission in mammalian central nervous systems and is the key target of sedative-hypnotics. However, the long-term use of sedative-hypnotics often leads to drug resistance, necessitating the development of novel sedative-hypnotics. This development can be achieved with novel scaffolds designed via the computer-aided drug design methods to obtain significant advantages. In this study, robust virtual screening models were established by identifying effective positive allosteric modulators of the GABAA receptor from ChEMBL and BindingDB databases. These compounds combined with randomly extracted negative compounds were firstly applied for a 10-fold cross validation and grid search to establish machine learning models which were subsequently evaluated in an independent test set. In this step, 4 machine learning methods and 6 fingerprints were used to establish 24 models. In the test set, the CDK_LR model performed the best (MCC = 0.751) and was used for subsequent virtual screening. Two effective molecular docking models were also established based on conformation 6D6T and 6D6U, wherein the root mean square deviation (RMSD) values of redocking experiments were 1.141 and 1.505 Å (1 Å = 0.1 nm), respectively. During the virtual screening, 41112 compounds from a commercial database were scanned by machine learning, molecular docking, and molecular mechanics-generalized Born surface area models. After the screening, 16 hits were obtained, 4 of which were structurally novel positive hits verified by whole-cell patch-clamp electrophysiology experiments. The compound GPR120 was verified experimentally at both the cell and animal levels. In cortical neurons recombinantly expressing α1β2γ2-type receptors, at 10 and 50 µmol∙L-1, GPR120 could potentiate GABA EC3-10 current by 71.5% and 163.8%, respectively. Total decomposition contribution analysis and point mutation experiment showed that the key binding site between GPR120 and the GABAA receptor is H102, similar to that of the positive drug Diazepam. To further verify GPR120 function at the animal level, locomotor activity and loss of righting reflex (LORR) tests were performed. GPR120 inhibited the locomotor activity of mice, which recovered after 6 h, indicating that GPR120 is a moderate sedative. In the pentobarbital sodium-induced righting reflex hour test, GPR120 (20 mg∙kg-1) significantly shortened the time to start LORR and prolonged its duration compared with the saline control group. In summary, using integrated virtual screening methods, GPR120 was identified as a moderate sedative with a novel scaffold.

Abstract Epilepsy is the second largest disease after headache in the neurology department of the hospital. Previous studies have shown that Xiao Chai Hu Tang (XCHT) has a certain therapeutic effect on epilepsy. We used the gene expression array data of epilepsy patients, and the relevant data of the Chinese medicine components in the TCMSP database and DrugBank database, combined with bioinformatics analysis methods, to construct herbs-compounds-targets (HCT) network and protein-protein interaction (PPI) core network of XCHT. The result suggests that Caveolin 1 (CAV1) may be a key target in the treatment of epilepsy, and β-carotene may have potential antiepileptic activity. In addition, the PPI core function network is enriched in the process of transcription factor regulation, and the related protein is located on the nuclear chromosome and closely related to the immune process, which provides a reference for other researchers.

Aging, a risk factor for many diseases, is largely attributable to cell senescence and impaired mitochondrial function. Here, we used connectivity map (CMAP) to predict the anti-aging effects of drugs based on age-related transcriptomic signatures. We found the kinase inhibitor GW8510 can extend lifespan of yeast, and C57BL/6J or ICR mice by 92.18%, 31.9%, and 142.9%, respectively. Mechanistically, GW8510 can ameliorate cellular senescence by enhancing mitochondrial function, decreasing SA-β-gal staining, p21 and SASP marker expression, and rescues age-related histomorphological changes in mouse hippocampus, heart, kidney and liver. The GW8510 mode of action depends on STE20 (yeast PAK1 homolog), and binds to PAK1 with Kd of 0.82 μM. The crystal structure shows that GW8510 binds to the PAK1 ATP binding pocket. Furthermore, inhibition of PAKs can delay the effects of aging in mice. This work provides a valuable resource for mechanistic aging studies and suggests strong clinical potential for GW8510.