نمذجة الدواء للأهداف ذات مكتبات الترابط الواسعة: دراسة حالة حول SARS-CoV-2 Mpro

ملخص

تقدم هذه المقالة بروتوكولا لبناء نموذج فارماكوفور إجماعي من خلال دمج السمات الجزيئية من روابط متعددة. هذه الطريقة قابلة للتطبيق على جهود اكتشاف الأدوية التي تستهدف أي هدف بيولوجي بمطابقات معروفة مرتبطة بالرابطة ، مما يتيح تحديد ميزات التفاعل الرئيسية للفحص الافتراضي والتصميم العقلاني للأدوية.

الملخص

يحدد الدستور الدوائي الترتيب المكاني للسمات الجزيئية المطلوبة للتفاعلات المثلى بين المركب وهدفه البيولوجي. يمكن اشتقاق هذه النماذج من خلال تحليل التفاعلات بين الجزيئات بين الهدف ومجموعة من الروابط المعروفة في مطابقاتها الملزمة. يدمج دستور الأدوية الإجماعي السمات المشتركة من روابط متعددة ، مما يقلل من تحيز النموذج ويعزز القوة التنبؤية. ومع ذلك ، فإن توليد دستور الأدوية الإجماعي القوي من مجموعة رابطة كبيرة ومتنوعة كيميائيا يمثل تحديات تقنية.

هنا ، نقدم بروتوكولا لبناء الأدوية التوافقية باستخدام ConPhar ، وهي أداة معلوماتية مفتوحة المصدر مصممة لتحديد وتجميع الميزات الدوائية عبر مجمعات متعددة مرتبطة بالرابط. يتضمن البروتوكول إنشاء النموذج وتحسينه وتطبيقه على الفحص الافتراضي للمكتبات الجزيئية الكبيرة جدا. كدراسة حالة ، طبقنا الطريقة على البروتياز الرئيسي SARS-CoV-2 (Mpro) ، باستخدام مائة مثبط غير تساهمي متبلور مع الهدف. استحوذ نموذج الدواء الناتج على ميزات التفاعل الرئيسية في المنطقة التحفيزية ل Mpro ومكن من تحديد روابط محتملة جديدة.

هذه الإستراتيجية قابلة للتطبيق على نطاق واسع على أي هدف بيولوجي تتوفر له مطابقات مرتبطة بالرابط. إنه ذو قيمة خاصة للأهداف ذات مجموعات بيانات الترابط الواسعة ويدعم اكتشاف الأدوية العقلاني من خلال تبسيط تحديد المرشحين الجدد مع ملفات تعريف التفاعل المطلوبة.

المقدمة

نمذجة الدوائية هي تقنية أساسية في تصميم الأدوية بمساعدة الكمبيوتر ، مما يتيح تحديد السمات الجزيئية الأساسية المسؤولة عن النشاط البيولوجي^1،2. يحدد الصيدلة الترتيب المكاني للميزات ، مثل المتبرعين بالرابطة الهيدروجينية ، والمتقبلات ، والحلقات العطرية ، والمناطق الكارهة للماء ، المطلوبة للتفاعل الجزيئي بين الترابط والهدف البيولوجي³. عندما تتوفر مجمعات متعددة مستهدفة الترابط ، إما من علم البلورات التجريبي أو النمذجة الجزيئية ، يمكن دمج أنماط التفاعل المشترك في نماذج الصيدلة الإجماعية ، مما يزيد من متانة النموذج ويعزز دقة الفحص الافتراضي^4،5.

على الرغم من فائدة الأدوية بالإجماع ، إلا أن توليدها لا يزال يمثل تحديا تقنيا ، خاصة عندما تكون الروابط متنوعة من الناحية الهيكلية. تتوفر العديد من أدوات البرامج لتوليد الأدوية من الروابط الفردية ولكن هناك نقص في الإجراءات الموحدة لدمج مجموعات ميزات متعددة في نموذج متماسك^6،7. علاوة على ذلك ، تقدم بعض الأنظمة الأساسية مهام سير عمل شاملة تدعم تجميع الميزات والتصفية والتصدير بتنسيقات متوافقة مع أدوات الفحص والتصور⁸. وقد قيدت هذه القيود الاعتماد الواسع النطاق للأدوية التوافقية في جهود اكتشاف الأدوية على نطاق واسع.

لمعالجة هذه الفجوة ، تم تطوير ConPhar كأداة جديدة مفتوحة المصدر مصممة خصيصا للاستخراج المنهجي والتجميع والنمذجة الإجماعية للميزات الدوائية من مجموعات واسعة من المجمعات المستهدفة للرابط المحاذاة مسبقا. على عكس البرامج الحالية ، يوفر ConPhar ضبطا مرنا للمعلمات ، وتكاملا آليا للميزات ، وتوافقا مع تنسيقات الإخراج المتعددة ، مما يسهل إنشاء نماذج إجماع قوية مناسبة لخطوط أنابيب الفحص الافتراضية. وبالتالي تتغلب هذه الأداة على الاختناقات السابقة في التعامل مع مكتبات الترابط الكبيرة والمتنوعة كيميائيا ، مما يعزز قابلية التكاثر وقابلية التوسع في سير عمل نمذجة الأدوية.

لإثبات هذا النهج ، نقدم بروتوكولا قابلا للتكرار لبناء نماذج الصيدلة الإجماعية من مجموعات من المجمعات المستهدفة للترابط. يدمج سير العمل أدوات مفتوحة المصدر لاستخراج ميزات الدستور والتجميع والتصور والتطبيقات النهائية. كدراسة حالة ، قمنا بتطبيق البروتوكول على البروتياز الرئيسي SARS-CoV-2 (Mpro) ، وهو هدف علاجي حاسم مع بيانات هيكلية شاملة⁹. قمنا برعاية مجموعة بيانات من 100 رابط غير تساهمي متبلور بالاشتراك مع Mpro (إدخالات PDB اعتبارا من 27 مايو 2025) ، باستثناء أشكال apo والمجمعات الزائدة عن الحاجة. تم استخراج ميزات الدوائية الفردية ودمجها في نموذج إجماع باستخدام ConPhar ، وهي أداة مصممة خصيصا لتجميع الميزات¹⁰. توضح هذه الحالة قدرة البروتوكول على الكشف عن أنماط التفاعل المحفوظة ودعم الفحص العقلاني للمكتبات الكبيرة جدا.

البروتوكول

1. الطريقة 1

1. إعداد الروابط لتوليد الأدوية بالإجماع
   1. قم بمحاذاة جميع مجمعات البروتين والترابط باستخدام برنامج PyMOL¹¹.
   2. استخرج كل مصلح ليجند محاذاة واحفظه كملف منفصل بتنسيق SDF.
      ملاحظة: يمكن أيضا إستخدام تنسيقات أخرى مثل MOL وMOL2 وPDB للبروتوكول الموضح هنا.
2. إنشاء ملفات JSON فارماكوفور باستخدام Pharmit¹²
   1. قم بتحميل كل ملف يجند على حدة إلى Pharmit باستخدام خيار Load Features (انظر جدول المواد للحصول على رابط إلى Pharmit).
   2. استخدم خيار حفظ الجلسة لتنزيل ملف JSON الصيدلاني المقابل.
3. تنظيم ملفات JSON لاستخدامها في ConPhar
   1. قم بتخزين جميع ملفات JSON التي تم تنزيلها في مجلد واحد. سيتم تحميل هذه الملفات إلى بيئة Google Colab بالطريقة التالية.

2. الطريقة 2

1. إعداد بيئة Google Colab
   1. تشغيل دفتر ملاحظات Google Colab جديد: افتح Google Colab في متصفح الويب وأنشئ دفتر ملاحظات جديدا واضبط الإعدادات لاستخدام إصدار سابق عن طريق تحديد وقت التشغيل → تغيير وقت التشغيل → إصدار وقت تشغيل 2025.07.
   2. قم بتثبيت Conda و PyMOL. يتم توفير الكود المطلوب لتثبيت Conda و PyMOL في Google Colab هنا في شكل مائل كمرجع ، ويتوفر البرنامج النصي الكامل القابل للتنفيذ أيضا في ملف الدعم 1.
      # تثبيت CondaColab: تمكين دعم بيئة Conda في Google Colab
      من IPython.utils استيراد io
      استيراد tqdm.notebook
      استيراد نظام التشغيل
      المجموع = 100
      مع tqdm.notebook.tqdm (المجموع = الإجمالي) كشريط PBAR:
      مع io.capture_output() كما تم التقاطه:
      # قم بتثبيت CondaColab
      !pip install -q condacolab
      استيراد condacolab
      condacolab.install()
      pbar.update(10)
      # تحديث مسار Python لتحديد موقع الحزم المثبتة
      استيراد sys
      sys.path.append('/usr/local/lib/python3.7/site-packages/')
      pbar.update(20)
      # قم بتثبيت حزمة PyMOL باستخدام mamba من قناة Schrodinger
      ٪ shell mamba install -c schrodinger pymol-bundle --yes
      pbar.update(90)
   3. التحقق من التنفيذ الناجح: قم بتشغيل الخلية بالنقر فوق رمز التشغيل أو الضغط على Shift + Enter. سيظهر شريط أخضر أفقي فوق الخلية عند التنفيذ الناجح (انظر الشكل 1).
2. قم بتثبيت حزمة ConPhar Python واستيراد الوحدات النمطية المطلوبة
   1. تثبيت واستيراد ConPhar. يتم توفير الكود المطلوب لتثبيت حزمة ConPhar واستيراد الوحدات النمطية اللازمة في Google Colab هنا في شكل مائل للرجوع إليه ، ويتوفر البرنامج النصي القابل للتنفيذ الكامل أيضا في ملف الدعم 1.
      # قم بتثبيت حزمة تحليل الدواء ConPhar
      استيراد بيمول
      !pip install conphar
      من كونفار. استيراد الأدوية parse_json_pharmacophore ، show_pharmacophoric_descriptors ، save_pharmacophore_to_pymol ، save_pharmacophore_to_json ، compute_concensus_pharmacophore
      استيراد نظام التشغيل
      استيراد الباندا ك PD
      ملاحظة: بيان الاستيراد من conphar. يتم تقسيم الأدوية إلى أسطر متعددة من أجل الوضوح ، ولكن يجب إدخالها كسطر واحد مستمر. أداة ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) قيد التطوير النشط. يستخدم البروتوكول الحالي إصدارا مستقرا (0.1.2) ، والذي تم التحقق من صحته للإجراء الموصوف. يتم تشجيع المستخدمين على استخدام هذا الإصدار لضمان قابلية التكرار.
   2. تأكيد التثبيت الناجح: قم بتشغيل الخلية بالنقر فوق رمز التشغيل أو الضغط على Shift + Enter. ستظهر رسالة تأكيد عند التثبيت الناجح واستيراد أدوات ConPhar (انظر الشكل 2).
3. تحميل نماذج الأدوية الفردية من ملفات JSON
   1. قم بإنشاء مجلد لملفات JSON فارماكوفور. يتم توفير الكود المطلوب لإنشاء مجلد لتخزين ملفات إدخال الدستور في Google Colab هنا في شكل مائل للرجوع إليه ، ويتوفر البرنامج النصي الكامل القابل للتنفيذ أيضا في ملف الدعم 1.
      # قم بإنشاء مجلد لتخزين ملفات JSON المدخلة
      os.makedirs("JSON_FOLDER", exist_ok=صحيح)
      ملاحظة: يقوم هذا الأمر بإنشاء المجلد تلقائيا إذا لم يكن موجودا بالفعل.
   2. تحميل ملفات JSON إلى المجلد: انقر فوق رمز المجلد في اللوحة اليسرى من Colab ، وافتح المجلد الذي تم إنشاؤه حديثا ، وانقر بزر الماوس الأيمن لتحديد تحميل. أضف ملفات JSON المطلوبة (راجع الشكل 3).
      ملاحظة: تأكد من أن الملفات تتبع التنسيق المتوقع الذي تم إنشاؤه بواسطة Pharmit.
4. تحليل ودمج ميزات الدوائية
   1. استخراج ميزات الدوائية من الملفات التي تم تحميلها. يتم توفير الكود المطلوب لتحليل ملفات JSON التي تم تحميلها ، واستخراج ميزات الدوائية ، وتخزينها في إطار بيانات واحد في Google Colab هنا في شكل مائل كمرجع ، ويتوفر البرنامج النصي الكامل القابل للتنفيذ أيضا في ملف الدعم 1.
      p4_table = pd. إطار البيانات()
      للملف الموجود في os.listdir('/content/JSON_FOLDER'):
      إذا كان ".json" في الملف:
      حاول:
      p4 ، lig ، rec = parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}")
      p4['ligand']=file.replace('.json','')
      p4_table = pd.concat ([p4_table ، p4] ، ignore_index = صحيح)
      باستثناء الاستثناء:
      دبر
      p4_table
   2. قم بتشغيل الخلية بالنقر فوق رمز التشغيل أو الضغط على Shift + Enter لإنشاء إطار البيانات الموحد (انظر الشكل 4). يقوم DataFrame الموحد الناتج بتجميع جميع الميزات الدوائية المستخرجة من الروابط الفردية في جدول موحد ، مما يسهل التجميع النهائي والتحليل الإحصائي.
      ملاحظة: يتضمن البرنامج النصي معالجة الاستثناءات الأساسية لتجاوز ملفات JSON المشوهة أثناء المعالجة لمنع انقطاع سير العمل. نظرا للعدد الكبير من الملفات ، فإن التحقق من كل منها مسبقا غير عملي. بدلا من ذلك ، يمكن تعديل البرنامج النصي لطباعة اسم أي ملف يفشل في التحميل ، بحيث يمكن للمستخدم فحصه وتصحيحه بشكل فردي.
5. توليد وحفظ الإجماع Pharmacophore
   1. عرض جميع الواصفات الدوائية. يتم توفير الكود المطلوب لتصور الواصفات الدوائية المستخرجة من ملفات الإدخال في Google Colab هنا في شكل مائل للرجوع إليه ، ويتوفر البرنامج النصي القابل للتنفيذ الكامل أيضا في ملف الدعم 1.
      show_pharmacophoric_descriptors(p4_table)
   2. قم بتشغيل الخلية بالنقر فوق رمز التشغيل أو الضغط على Shift + Enter لتصور تجميع ميزات الدوائية (انظر الشكل 5). تجمع المخرجات المجمعة بالميزات ميزات دوائية متشابهة عبر روابط متعددة بناء على مواقعها المكانية ، مما يسمح بتحديد أنماط التفاعل المحفوظة.
   3. احفظ نموذج الصيدلة بتنسيق PyMOL. يتم توفير الكود المطلوب لإنشاء نموذج الدواء الإجماعي وحفظه بتنسيق متوافق مع PyMOL في Google Colab هنا في شكل مائل للرجوع إليه ، ويتوفر البرنامج النصي القابل للتنفيذ الكامل أيضا في الملف الداعم 1.
      save_pharmacophore_to_pymol (p4_table ، out_file = 'ConPhar_pymol.pse')
   4. قم بتشغيل الخلية لإنتاج ملف .pse المقابل (انظر الشكل 6).
   5. احفظ نموذج الدواء بتنسيق JSON. يتم توفير الكود المطلوب لإنشاء نموذج الدواء الإجماعي وحفظه بتنسيق متوافق مع Pharmit في Google Colab هنا في شكل مائل كمرجع ، ويتوفر البرنامج النصي القابل للتنفيذ الكامل أيضا في ملف الدعم 1.
      ​save_pharmacophore_to_json (p4_table,out_file=
      "ConPhar_pharmit.json")
   6. قم بتشغيل الخلية لإنتاج ملف .json المقابل (انظر الشكل 6).
   7. إنشاء مخرجات وأشكال تشعبية مجمعة للميزات. يتم توفير الكود المطلوب لإنشاء ملفات دستور الأدوية بالإجماع المجمعة حسب نوع الميزة ، بما في ذلك التنسيقات المتوافقة مع PyMOL و Pharmit ، وتصورات dendrogram في Google Colab هنا في شكل مائل للرجوع إليها ، ويتوفر البرنامج النصي الكامل القابل للتنفيذ أيضا في الملف الداعم 1.
      الإجماع ، الروابط = compute_concensus_pharmacophore
      (p4_table ، save_data_per_descriptor = صواب ، out_folder = '/ محتوى')
   8. قم بتشغيل الخلية بالنقر فوق رمز التشغيل أو الضغط على Shift + Enter (انظر الشكل 7). تعرض النتائج تصورات dendrogram ، والتي تمثل على شكل شجرة العلاقات الهرمية بين ميزات الدوائية العنقودية ، مما يساعد المستخدمين على تفسير درجة التشابه والقرب المكاني بين المجموعات.
      ملاحظة: تقوم هذه الخطوة بحفظ ملفات إخراج وأشكال متعددة في المجلد المحدد.
   9. تصدير نتائج دستور الأدوية بالإجماع إلى ملف CSV. يتم توفير الكود المطلوب لحفظ جدول الدواء بالإجماع النهائي بتنسيق CSV في Google Colab هنا في شكل مائل للرجوع إليه ، ويتوفر البرنامج النصي الكامل القابل للتنفيذ أيضا في ملف الدعم 1.
      concensus.to_csv('consensus_result.csv'، الفهرس = خطأ)
   10. قم بتشغيل الخلية بالنقر فوق رمز التشغيل أو الضغط على Shift + Enter لتصدير بيانات الدواء الإجماعية إلى ملف CSV باسم consensus_result.csv لمزيد من التحليل (انظر الشكل 8).
       ملاحظة: يسهل ملف CSV التطبيقات النهائية مثل التحليل الإحصائي أو التصور في برامج جداول البيانات.
6. استخدم Pharmacophore الإجماعي للفحص الافتراضي
   1. تصدير دستور الأدوية الإجماعي بتنسيق JSON. تأكد من أن الملف يتضمن إحداثيات مكانية لجميع المعالم. هذا التنسيق متوافق بشكل مباشر مع أدوات الفحص المستندة إلى الويب مثل Pharmit¹². لإجراء فحص افتراضي ، قم بتحميل ملف JSON الخاص بدستور الأدوية إلى خادم Pharmit عبر خيار تحميل الميزات . يسمح الخادم بتحسين النموذج عن طريق تعديل الميزات أو إضافتها أو إزالتها ، بالإضافة إلى الفحص مقابل المكتبات المركبة الكبيرة ، مثل PubChem¹³أو ZINC¹⁴.
      ملاحظة: يتم توفير جميع البرامج النصية المطلوبة لإعادة إنتاج التحليلات الموضحة في هذه الدراسة في الملف الداعم 1 ويمكن أيضا الوصول إليها بشكل تفاعلي عبر https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. يتم تشجيع القراء على إنشاء نسخة شخصية من دفتر ملاحظات Colab لتشغيل التحليلات وتعديلها دون تغيير البرنامج النصي الأصلي.

الشكل 1: لقطة شاشة لكتلة التعليمات البرمجية الأولى المستخدمة لإعداد بيئة Google Colab عن طريق تثبيت CondaColab. يظهر شريط تقدم أزرق أفقي فوق الخلية أثناء التنفيذ ويتحول إلى اللون الأخضر عند الانتهاء بنجاح. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الشكل 2: لقطة شاشة لكتلة التعليمات البرمجية الثانية المستخدمة لتثبيت حزمة ConPhar في Google Colab. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3: لقطة شاشة توضح ملفات JSON الدوائية التي تم تحميلها بنجاح في المجلد المخصص في Google Colab. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4: لقطة شاشة توضح الكود المستخدم لاستخراج ميزات الدوائية من ملفات JSON ودمجها في إطار بيانات واحد. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5: تصور تجميع السمات الدوائية التي تم إنشاؤها أثناء بناء نموذج الصيدلة الإجماعي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6: لقطة شاشة توضح التوليد الناجح لملفات الأدوية الإجماعية بتنسيقات متوافقة مع PyMOL و Pharmit. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7: لقطة شاشة توضح إنشاء ملفات الدواء الإجماعية المجمعة حسب نوع الميزة ، بما في ذلك مخرجات تصورات PyMOL و Pharmit و dendrogram. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 8: لقطة شاشة توضح التصدير الناجح لبيانات الأدوية الإجماعية إلى ملف consensus_result.csv. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

النتائج

تمت محاذاة مائة مجمع Mpro متبلور مع مثبطات مختلفة غير تساهمية ، كما هو موضح في الشكل 9 أ. ثم تم استخراج كل رابط كملف فردي (الشكل 9 ب) وتحميله لاحقا على خادم فارميت. تم حفظ الجلسة لإنشاء ملف JSON مطابق (راجع الشكل 9C).

الشكل 9: إعداد الترابط لنمذجة الدوائية بالإجماع. (أ) المحاذاة الهيكلية لثلاثة مجمعات Mpro تمثيلية متبلورة مع مثبطات غير تساهمية. (ب) تراكب 100 رابط مدرج في هذه الدراسة. (ج) تحميل كل رابط إلى خادم Pharmit باستخدام خيار "تحميل الميزات" ، متبوعا بإنشاء ملف JSON عبر خيار "حفظ الجلسة". يشار إلى كلا الخيارين بأسهم حمراء. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

تم استخدام المجموعة الكاملة من ملفات JSON لإنشاء نموذج الدوائية الإجماعي ، والذي يتألف من 1450 ميزة دوائية مجمعة في 110 مجموعات: 23 عطرية (Aro) ، 30 متقبل رابطة هيدروجينية (HBA) ، 16 مانحا للرابطة الهيدروجينية (HBD) ، 36 مسعور (Hyd) ، و 5 مجموعات سالبة الشحنة (أنيون) (الشكل 10 أ ، الجدول التكميلي 1). حددنا المجموعات الأكبر لكل ميزة لدمجها في نموذج الإجماع. من بين مجموعات Aro ، اخترنا تلك التي تحتوي على أكثر من 20 عنصرا. من مجموعات HBA و HBD و Hyd ، احتفظنا بمجموعات تحتوي على 50 عنصرا على الأقل. لم يكن لدى أي من مجموعات أنيون أكثر من 4 أعضاء ، لذلك تم استبعادهم من نموذج الإجماع (الشكل 10 ب). تم تحديد هذه العتبات العددية (>20 عضوا ل Aro ؛ ≥50 ل HBA و HBD و Hyd) تجريبيا بناء على توزيع أحجام المجموعات لتحديد أولويات أنماط التفاعل الأكثر حفظا وكثافة سكانية.

الشكل 10: تجميع السمات الدوائية من 100 مجمع Mpro-ligand. (أ) توزيع 1450 سمة دوائية: عطرية (Aro) باللون الأرجواني ، ومتقبل الرابطة الهيدروجينية (HBA) باللون البرتقالي ، ومتبرع الرابطة الهيدروجينية (HBD) باللون الأبيض ، وكاره للماء (Hyd) باللون الأخضر ، وسالب الشحنة (Anion) باللون الأحمر. (ب) تظهر المجموعات التي تحتوي على ≥10 أعضاء ل Aro و HBA و HBD و Hyd ؛ يتم عرض جميع مجموعات Anion. يتم تمييز أكبر المجموعات - التي تم تعريفها على أنها تلك التي تضم ≥20 عضوا ل Aro ، و ≥50 عضوا ل HBA و HBD و Hyd و ≥4 أعضاء ل Anion - بالمجالات المنقطة. يشار صراحة إلى عدد الأعضاء في كل مجموعة من أكبر المجموعات. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

وهكذا ، تضمن نموذج الصيدلة الإجماعي لدينا 11 ميزة: 3 ميزات عطرية (Aro) ، Aro 1 و 2 و 3 ، مشتقة من مجموعات تضم 20 و 24 و 45 عضوا ، على التوالي. 4 متقبلات الرابطة الهيدروجينية (HBA) ، HBA 1 و 2 و 3 و 4 ، من مجموعات بها 51 و 55 و 77 و 81 عضوا ، على التوالي ؛ 2 مانحين للرابطة الهيدروجينية (HBD) من مجموعات تضم 51 و 71 عضوا ، على التوالي ؛ و 2 ميزات كارهة للماء (Hyd) من مجموعات بها 50 و 52 عضوا ، على التوالي (انظر الشكل 11 أ).

تم استخدام نموذج الدواء للبحث في قاعدة بيانات PubChem باستخدام الإستراتيجية التي تم الإبلاغ عنها^{سابقا 10} ، ولكن لم يتم العثور على أي تطابقات. لزيادة مرونة البحث ، تمت إزالة الميزة العطرية Aro 1 - المشتقة من أصغر مجموعة وأقلها تمثيلا. أدى هذا التعديل إلى تحديد ضربتين ، بما في ذلك مطابقة المركب مع PubChem CIDs 101267741 و 10285538 (انظر الشكل 11 ب). يظهر التركيب الكيميائي ثنائي الأبعاد للمركب 101267741 في الشكل 11 ج. ومن المثير للاهتمام أن هذا المركب المحدد يتناسب بشكل جيد مع جيب ربط Mpro. يظهر التحليل المقارن مع الترابط المتبلور المشترك 38a¹⁵ (معرف PDB: 9HAJ) أن المطابقة المطابقة للدوائية ل 101267741 مدفونة بشكل أعمق من 38a داخل الجيوب الفرعية S1 و S2 من Mpro. ومع ذلك ، فإن 38a تحتل منطقة أوسع من الجيب ، ويرجع ذلك أساسا إلى السلسلة الجانبية المصنوعة من الكربوكساميد الإيثيلي ، والتي تمتد نحو جيب S1. ومع ذلك ، فإن التفاعلات الرئيسية بين الجزيئات ل 38 أ تتضمن شقوق أخرى بدلا من هذه السلسلة الجانبية. في المقابل ، يشكل 101267741 المركب 11 تفاعلا بين الجزيئات ، بما في ذلك سبع روابط هيدروجينية وأربعة جهات اتصال كارهة للماء. بالمقارنة مع الروابط الهيدروجينية الثلاث وتفاعلين كارهة للماء مكونة من 38 أ ، يبدو وضع الارتباط للمركب 101 أقوى (الشكل 11 د).

الشكل 11: البحث عن الصيدلة في قاعدة بيانات PubChem. (أ) يحتوي نموذج الدوائية الإجماعي الكامل على 11 ميزة: 3 مقبلات عطرية (أرجوانية) ، 4 متقبلات للرابطة الهيدروجينية (برتقالية) ، 2 مانحين للرابطة الهيدروجينية (أبيض) ، و 2 كارهة للماء (أخضر). (ب) 101267741 محاذاة مطابقة مركب PubChem مع نموذج الدوائية المخفض بعد إزالة ميزة Aro 1 ، و (ج) التركيب الكيميائي ثنائي الأبعاد للمركب الذي تم تحديده. (د) التحليل المقارن لأوضاع الربط للمركب 38 أ (أرجواني ؛ من معرف PDB: 9HAJ) ومركب PubChem CID 101267741 (أخضر) إلى الجيب التحفيزي SARS-CoV-2 Mpro. تظهر التفاعلات المقابلة بين الجزيئات لكل مركب على اليمين. تظهر الروابط الهيدروجينية والتفاعلات الكارهة للماء كخطوط متقطعة باللونين الأزرق والرمادي ، على التوالي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

دعم الملف 1: البرنامج النصي لسير عمل الدستور الدوائي. الرجاء النقر هنا لتنزيل هذا الملف.

الجدول الداعم 1: ملخص التجميع للسمات الدوائية. عدد المجموعات والأعضاء لكل مجموعة وإحداثيات النقطة الوسطى وأنصاف أقطار الكتلة الرجاء النقر هنا لتنزيل هذا الملف.

المناقشة

تساعد نمذجة الدواء على اكتشاف الأدوية العقلاني¹⁶. تم استخدام البروتوكول الموضح بالتفصيل هنا لتوليد دستور الأدوية الإجماعي للبروتياز الرئيسي SARS-CoV-2 (Mpro) بدءا من العشرات من المثبطات غير التساهمية ، ولكن يمكن تطبيقه على أي هدف بيولوجي مع مطابقات معروفة مرتبطة بالترابط ، خاصة تلك التي تحتوي على مجموعات بيانات رابطة واسعة النطاق. بالمقارنة مع الدواء الفردي أو النماذج القائمة على الترابط البحتة ، فإن نهج الإجماع هذا يعزز المتانة ويقلل من التحيز من خلال دمج مطابقات الترابط المتعددة. يمكن تطبيق نموذج الصيدلة الإجماعي الناتج عن هذا البروتوكول على مكتبات جزيئية متنوعة ، بما في ذلك قواعد البيانات العامة مثل ChEMBL¹⁷و ZINC¹⁴ ، والمجموعات التجارية ، والمكتبات المركبة الداخلية الخاصة. يتيح هذا التنوع استكشاف مساحات كيميائية واسعة ومتنوعة في حملات الفحص الافتراضية ، وبالتالي زيادة احتمالية تحديد المركبات النشطة بيولوجيا الجديدة. وبالتالي ، يدعم سير العمل هذا تحديد المركبات النشطة بيولوجيا الجديدة مع ملفات تعريف التفاعل المطلوبة.

تتضمن إحدى الخطوات الحاسمة في هذا البروتوكول التحضير الدقيق ومحاذاة المجمعات المستهدفة للترابط. تعد المحاذاة المسبقة الدقيقة للروابط في مطابقاتها النشطة بيولوجيا أمرا ضروريا لضمان التكامل الهادف والموثوق للميزات ، حيث يمكن أن يؤدي المحاذاة الخاطئة إلى إضعاف القوة التنبؤية للنموذج¹⁰. لتحقيق المحاذاة المثلى ، نوصي بإجراء التراكب الهيكلي باستخدام بقايا موقع ربط البروتين المحفوظ أو ذرات العمود الفقري. بالنسبة لمجموعات البيانات ذات الروابط المتنوعة ، فإن محاذاة نقاط التفاعل الرئيسية أو الميزات الدوائية تعزز الاتساق عبر المجموعة. بالإضافة إلى ذلك ، ينصح بالفحص اليدوي الدقيق وتصحيح مطابقات الترابط المتطرفة لمنع القطع الأثرية التي يمكن أن تقلل من دقة النموذج. بالإضافة إلى ذلك ، فإن طبيعة المصدر المفتوح ل ConPhar تسهل التكامل في مهام سير العمل الحسابية الأخرى بالإضافة إلى التعديلات المتقدمة في معلمات التجميع. يمكن للمستخدمين ذوي الخبرة تعديل معلمات التجميع للميزات الدوائية للحصول على توازن بين عمومية النموذج والخصوصية. يمكن توجيه هذه التعديلات حسب حجم مجموعة بيانات الترابط أو التنوع الكيميائي أو التعقيد المستهدف. على سبيل المثال ، عند التعامل مع روابط شديدة التنوع ، يمكن أن يلتقط التجميع التدريجي أو تحليل المجموعات الفرعية الميزات ذات الصلة^{بشكل أفضل 18}.

وتعمل أداة ConPhar حاليا على التطوير النشط. يوفر هذا مرونة كبيرة للمستخدمين الراغبين في تخصيص الأداة لاحتياجات بحثية محددة ، بما في ذلك التكامل مع خطوط أنابيب البرامج التكميلية. ومع ذلك ، نظرا لأن البرنامج قد لا يزال يخضع للتغييرات ، يتم تشجيع المستخدمين على مراقبة التحديثات الرسمية والرجوع إلى الوثائق الخاصة بالإصدار. سيساهم الإبلاغ عن المشكلات التي تمت مواجهتها في التحسين المستمر والتحقق من صحة المجتمع على نطاق أوسع. سيقوم بروتوكولنا ببناء نماذج ذات أنماط تفاعل شاملة ، وبالتالي ، يمكن استخدامها في الفحص الافتراضي للمكتبات الكبيرة. في نتائجنا التمثيلية ، استخدمنا الصيدلة التي تم الحصول عليها في تحديد اثنين من الروابط المحتملة الجديدة للمنطقة التحفيزية ل Mpro. في النهاية ، تعمل طريقة الصيدلة التوافقية هذه على تبسيط تحديد الضربات وتسريع تحسين العملاء المحتملين.

ومع ذلك ، فإننا نحدد القيود التالية للبروتوكول: أنا) الاعتماد على الهياكل عالية الجودة المرتبطة بالرابطة ، لأن البيانات منخفضة الدقة يمكن أن تقلل من دقة النموذج. ب) خطر التغاضي عن التفاعلات الفريدة والمهمة الحاسمة لروابط معينة ، نظرا لأن دستور الأدوية الإجماعي يؤكد على السمات المشتركة ؛ و ثالثا) يمكن أن تتأثر قابلية التكرار بتعريف الميزة المختلفة عبر أدوات البرامج المختلفة¹⁹. ومع ذلك ، يمكن التغلب على هذه القيود عن طريق تحسين بنية نظام الترابط البروتيني عن طريق محاكاة الديناميكيات الجزيئية²⁰ ، والاحتفاظ بالكتلة بناء على معرفة المستخدم ، والاستخدام المتسق للبرامج لتحديد الميزات الدوائية.

على الرغم من أن نموذج الصيدلة الإجماعي في هذا البروتوكول لم يتم التحقق من صحته باستخدام المقاييس الثنائية الكلاسيكية ، فقد تم إثبات قدرته التنبؤية في دراسة سابقة¹⁰. في هذا العمل ، تم استخدام مجموعة اختبار مستقلة من 78 رابطا متنوعا كيميائيا للتحقق من صحة دستور الأدوية الإجماعي الذي تم إنشاؤه بنفس المنهجية. تضمنت مجموعة التحقق من الصحة روابط ذات تشابه ≤0.5 تانيموتو ، وكتل جزيئية تتراوح بين 200 و 700 جم / مول ، و ≤17 رابطة قابلة للدوران ، وثلاث ميزات دوائية على الأقل. نجح النموذج في تحديد العناصر النشطة المعروفة ، مما يدعم قابليته للتطبيق في سير عمل الفحص الافتراضي ومتانته عبر المرشحين المتنوعين كيميائيا.

يتيح البروتوكول المذكور هنا بناء نماذج الدوائية التي تلتقط أنماط التفاعل الشاملة المميزة للهدف. هذا ذو قيمة خاصة للأهداف التي تحتوي على بيانات رابطة واسعة النطاق ، مثل البروتياز الفيروسي والكينازات والمستقبلات النووية²¹. النماذج التي تم إنشاؤها مناسبة للفحص الافتراضي لمكتبات المركبات الكبيرة ، مما يسهل تحديد المرشحين النشطين بيولوجيا الجدد. من خلال تسليط الضوء على الميزات المحفوظة وذات الصلة وظيفيا ، يدعم نهج الصيدلة الإجماعية كلا من اكتشاف النجاحات في المراحل المبكرة وتحسين العملاء المحتملين لاحقا.

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
جوجل كولاب	جوجل ذ م م	https://colab.google	منصة قائمة على الويب لتشغيل دفاتر ملاحظات Python ؛ تستخدم هنا لتنفيذ البرامج النصية ConPhar و PyMOL لنمذجة الدوائية بالإجماع.
فارميت	مختبر كويس بجامعة بيتسبرغ	https://pharmit.csb.pitt.edu/search.html	منصة ويب للفحص الافتراضي التفاعلي للصيدلة واستكشاف الفضاء الكيميائي ، مما يسمح بتحميل ملفات الترابط وتوليد ميزات الدواء
بايمول	Schr & ouml; دينجر ، إنك	https://www.pymol.org	برنامج التصور الجزيئي والمحاذاة الهيكلية المستخدم للبروتين &ndash ؛ تراكب وتحليل معقد الترابط
دعم الملف 1 برنامج سير عمل الدستور	جوجل ذ م م	https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing	برنامج نصي كامل قابل للتنفيذ لتثبيت Conda و PyMOL وتشغيل سير عمل الدستور في Google Colab. يتم توفيره أيضا كملف داعم 1.