innosferaНаука и инновацииScience and Innovations1818-98572412-9372Издательский дом «Белорусская наука»innosfera-230Research ArticleИСКУССТВЕННЫЙ ИНТЕЛЛЕКТНейронная сеть для предсказания потенциальных ингибиторов проникновения ВИЧ-1Neural network for predicting potential inhibitors of HIV-1АндриановА.AndrianovA.

главный научный сотрудник, доктор химических наук

НиколаевГ.NikalayeuR.

научный сотрудник 

ШульдовН.ShuldauM.

магистрант 

БоськоИ.BoskoI.

младший научный сотрудник 

ТузиковА.TuzikovA.

генеральный директор, член-корреспондент

Институт биоорганической химии НАН БеларусиBelarusОбъединенный институт проблем информатики НАН БеларусиBelarusБелорусский государственный университетаBelarus202122122022052834Copyright © Издательский дом «Белорусская наука», 20222022Издательский дом «Белорусская наука»Издательский дом «Белорусская наука»https://innosfera.belnauka.by/jour/about/submissions#copyrightNoticehttps://innosfera.belnauka.by/jour/article/view/230

Разработан и применен генеративный состязательный автоэнкодер для рационального дизайна потенциальных ингибиторов проникновения ВИЧ-1, способных блокировать участок белка gp120 оболочки вируса, критически важный для его связывания с клеткой-мишенью. Показаны перспективы создания новых противовирусных препаратов, ингибирующих ранние стадии развития ВИЧ-1-инфекции

There has been developed and used the generative adversarial autoencoder for rational design of potential inhibitors of HIV-1 entry capable of blocking the region of the gp120 protein of the viral shell which is critical for its binding to the target cell.

ReferencesApplications of machine learning in drug discovery and development / J. Vamathevan [et al.] // Nat. Rev. Drug Discov. 2019. Vol. 18(6). P. 463–477.Applications of machine learning in drug discovery and development / J. Vamathevan [et al.] // Nat. Rev. Drug Discov. 2019. Vol. 18(6). P. 463–477.Advances and perspectives in applying deep learning for drug design and discovery / C. F. Lipinski [et al.] // Front. Robot. AI. 2019. Vol. 6. P. 108.Advances and perspectives in applying deep learning for drug design and discovery / C. F. Lipinski [et al.] // Front. Robot. AI. 2019. Vol. 6. P. 108.Jaeger, S. Mol2vec: unsupervised machine learning approach with chemical intuition / S. Jaeger, S. Fulle, S. Turk // J. Chem. Inf. Model. 2018. Vol. 58 (1). P. 27–35.Jaeger, S. Mol2vec: unsupervised machine learning approach with chemical intuition / S. Jaeger, S. Fulle, S. Turk // J. Chem. Inf. Model. 2018. Vol. 58 (1). P. 27–35.A Machine learning-based method to improve docking scoring functions and its application to drug repurposing / S. L. Kinnings [et al.] // J. Chem. Inf. Model. 2011. Vol. 51 (2). P. 408–419.A Machine learning-based method to improve docking scoring functions and its application to drug repurposing / S. L. Kinnings [et al.] // J. Chem. Inf. Model. 2011. Vol. 51 (2). P. 408–419.Protein structure prediction using multiple deep neural networks in the 13th Critical Assessment of Protein Structure Prediction (CASP13) / A.W. Senior [et al.] // Proteins. 2019. Vol. 87(12). P. 1141–1148.Protein structure prediction using multiple deep neural networks in the 13th Critical Assessment of Protein Structure Prediction (CASP13) / A.W. Senior [et al.] // Proteins. 2019. Vol. 87(12). P. 1141–1148.

The authors declare that there are no conflicts of interest present.