KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-25
Identifizierung eines von Naturstoffen abgeleiteten NaV1.5-Natriumkanalmodulators durch integriertes maschinelles Lernen und molekulare Modellierung
Originaltitel: Identification of a natural product derived NaV1.5 sodium channel modulator through integrated machine learning and molecular modeling
Bestehende Natriumkanalblocker bergen proarrhythmische Risiken, weshalb für Vorhofflimmern sicherere NaV1.5-Modulatoren benötigt werden. Das Team trainierte LightGBM-, XGBoost- und Random-Forest-Modelle mit 1,512 bekannten NaV1.5-Inhibitoren und screente 100,404 Naturstoffe aus COCONUT. Das beste Modell (LightGBM, MCC 0.66) führte zu Piperaduncin C, das ein günstiges Docking, stabile Simulationen und eine vorhergesagte Bindungsenergie zeigte, die besser ist als die von Chinidin; eine experimentelle Validierung steht jedoch noch aus.