细胞因子信号抑制蛋白（suppressors of cytokinesignaling,SOCS）是由3个研究小组分别采用不同的方法发现的,也称为细胞因子信号转导抑制因子。它主要通过抑制JAK/STAT通路对细胞因子进行负反馈调节,被称为细胞的“分子刹车”。SOCS家...细胞因子信号抑制蛋白（suppressors of cytokinesignaling,SOCS）是由3个研究小组分别采用不同的方法发现的,也称为细胞因子信号转导抑制因子。它主要通过抑制JAK/STAT通路对细胞因子进行负反馈调节,被称为细胞的“分子刹车”。SOCS家族包括SOCS-1、SOCS-2、SOCS-3、CIS（cytokine—inducible SH2-containing protein）以及SOCS-4-SOCS-7。展开更多
信号转导和转录激活因子3(signal transducer and activator of transcription 3,STAT3)是一种细胞内信号转导因子,在细胞的生长、分化、凋亡和免疫应答等方面发挥重要作用。辅助性T细胞17(T helper cell 17,Th17)的异常活化与多种自身...信号转导和转录激活因子3(signal transducer and activator of transcription 3,STAT3)是一种细胞内信号转导因子,在细胞的生长、分化、凋亡和免疫应答等方面发挥重要作用。辅助性T细胞17(T helper cell 17,Th17)的异常活化与多种自身免疫性疾病的发生和发展密切相关。STAT3通过诱导Th17细胞过度增殖、异常分化并影响淋巴细胞浸润外分泌腺等机制参与干燥综合征(Sjogren syndrome)的疾病进展,因此阻断STAT3信号转导通路是治疗干燥综合征的潜在药物治疗靶点。本文综述了STAT3通过调节Th17细胞参与干燥综合征发病及进展的研究,并聚焦于STAT3信号通路抑制剂的最新研究进展,为该靶点在干燥综合征的治疗药物相关研究提供依据。展开更多
信号转导子和转录激活因子3(signal transducer and activator of transcription3,STAT3)在多种癌干细胞中存在异常表达,其与细胞的癌变具有强相关性。因此,设计和研究新的STAT3抑制剂是攻克癌症的重要且有效策略。本文基于循环神经网络...信号转导子和转录激活因子3(signal transducer and activator of transcription3,STAT3)在多种癌干细胞中存在异常表达,其与细胞的癌变具有强相关性。因此,设计和研究新的STAT3抑制剂是攻克癌症的重要且有效策略。本文基于循环神经网络(recurrent neural network,RNN)算法,提出一种全新STAT3抑制剂的设计方法,并且通过分子模拟研究对该方法进行效果评价。本文的研究路线如下:使用RNN算法构建STAT3抑制剂生成模型,使其能生成全新抑制剂;基于机器学习算法,建立STAT3抑制剂的分子分类预测模型;对分类为STAT3抑制剂的分子进行基于分子对接的层级虚拟筛选,选出最终在高精度筛选(extra precision,XP)中得分最高的3个分子作为潜在抑制剂进行下一步研究;对潜在抑制剂进行结合自由能计算以及吸收、分配、代谢、排泄和毒性(absorption distribution metabolism excretion toxicity,ADMET)的预测并在后续利用独立梯度模型(independent gradient model,IGM)分析,进一步探究其成药性。本文的研究结果表明,利用上述方法可以有效生成出有良好成药性的全新STAT3潜在抑制剂,为后续STAT3药物研发提供经验和参考。展开更多
文摘细胞因子信号抑制蛋白（suppressors of cytokinesignaling,SOCS）是由3个研究小组分别采用不同的方法发现的,也称为细胞因子信号转导抑制因子。它主要通过抑制JAK/STAT通路对细胞因子进行负反馈调节,被称为细胞的“分子刹车”。SOCS家族包括SOCS-1、SOCS-2、SOCS-3、CIS（cytokine—inducible SH2-containing protein）以及SOCS-4-SOCS-7。
文摘信号转导子和转录激活因子3(signal transducer and activator of transcription3,STAT3)在多种癌干细胞中存在异常表达,其与细胞的癌变具有强相关性。因此,设计和研究新的STAT3抑制剂是攻克癌症的重要且有效策略。本文基于循环神经网络(recurrent neural network,RNN)算法,提出一种全新STAT3抑制剂的设计方法,并且通过分子模拟研究对该方法进行效果评价。本文的研究路线如下:使用RNN算法构建STAT3抑制剂生成模型,使其能生成全新抑制剂;基于机器学习算法,建立STAT3抑制剂的分子分类预测模型;对分类为STAT3抑制剂的分子进行基于分子对接的层级虚拟筛选,选出最终在高精度筛选(extra precision,XP)中得分最高的3个分子作为潜在抑制剂进行下一步研究;对潜在抑制剂进行结合自由能计算以及吸收、分配、代谢、排泄和毒性(absorption distribution metabolism excretion toxicity,ADMET)的预测并在后续利用独立梯度模型(independent gradient model,IGM)分析,进一步探究其成药性。本文的研究结果表明,利用上述方法可以有效生成出有良好成药性的全新STAT3潜在抑制剂,为后续STAT3药物研发提供经验和参考。
