Forskare från North Carolina State University och Collaborations Pharmaceuticals har skapat en gratis att använda databas med 14, 000 kända makrolaktoner - stora molekyler som används vid läkemedelsutveckling - som innehåller information om de molekylära egenskaperna, kemisk mångfald och biologiska aktiviteter av denna strukturella klass. Databasen, kallas MacrolactoneDB, fyller en kunskapslucka om dessa molekyler och skulle kunna fungera som ett användbart verktyg för framtida läkemedelsupptäckt.

Makrolaktoner är molekyler med minst 12 atomer som utgör deras ringliknande struktur. Bland många användbara egenskaper, makrolaktoners förmåga att binda till svåra proteinmål gör dem lämpliga för antivirala, antibiotikum, svampdödande och antiparasitära läkemedel. Dock, deras storlek och komplicerade struktur gör dem svåra att syntetisera.

"Makrolaktoner är titaniska molekyler - deras storlek utgör utmaningar för forskare som kanske vill arbeta med dem, säger Sean Ekins, VD för Collaborations Pharmaceuticals, medlem av NC State's Comparative Medicine Institute, entreprenör vid UNC-Chapel Hill's Eshelman School of Pharmacy och motsvarande författare till forskningen. "Vi ville ta itu med det problemet genom att skapa en allmänt tillgänglig databas över dessa molekyler och deras egenskaper."

NC State doktorand och första författare till uppsatsen Phyo Phyo Zin bröt 13 offentliga databaser för 14, 000 kända makrolaktoner, kompilera dem till MacrolactoneDB. Endast 20 % av de makrolaktonföreningar hon kurerade hade biologiska data associerade med dem.

zink, Ekins, och NC State docent i kemi Gavin Williams genomförde keminformatiska analyser av makrolaktonernas molekylära egenskaper och utvecklade 91 deskriptorer för att bättre karakterisera molekylerna. Forskarna tittade sedan på tre mål av intresse för några av makrolaktonerna - specifikt malaria, hepatit C- och T-celler - och använde maskininlärningstekniker för att förstå struktur-aktivitetsförhållandet mellan makrolaktonerna och dessa mål.

"Vi vet att makrolaktonläkemedel är effektiva, men det finns mycket vi inte vet om vad som gör en bra, " säger Williams. "Det är därför vi satte oss för att göra den här forskningen. Vi fann att det är möjligt att använda maskininlärning med dessa molekyler, och att förbättra vår analys och beskrivning av makrolaktoner kommer att förbättra prediktionsmodeller framöver."

"Alla som är intresserade av dessa molekyler eller av läkemedelsutveckling som använder makrolaktoner har nu en användarvänlig databas där allt är tillgängligt och på en plats, " Ekins säger. "Forskare kan ställa frågor om vad som gör en viss makrolaktonmolekyl väl lämpad för en viss biologisk tillämpning.

"Förhoppningsvis kommer MacrolactoneDB att hjälpa oss att förstå denna mångsidiga klass av molekyler, och gå vidare med att skapa nya."