June 20th, 2025
تحمل الأساليب الحسابية وعودا بتسريع اكتشاف الأدوية ، لكنها غالبا ما تتجاهل الطبيعة الديناميكية لهياكل البروتين. هنا ، نناقش تحليل الإرساء القائم على المجموعة لدمج مرونة البروتين بشكل غير مباشر ، مما قد يحسن دقة وموثوقية جهود اكتشاف الأدوية.
يركز بحثنا على تطبيق التقنيات الحسابية لتصميم أدوية أكثر فعالية ، بهدف تسريع اكتشاف الأدوية وتحسين نتائج العلاج ونوعية حياة المريض في نهاية المطاف.
غالبا ما يتجاهل تصميم الأدوية الحالي بمساعدة الكمبيوتر مرونة البروتين المستهدف. يعالج البروتوكول الذي تمت مناقشته هذه الفجوة من خلال دمج تشكل البروتين المتعدد المستمد من المحاكاة الديناميكية الجزيئية. يعمل تصميم الدواء القائم على المجموعة على تحسين الدقة من خلال مراعاة مرونة البروتين. نهدف إلى دمج الذكاء الاصطناعي لاكتشاف الأدوية بشكل أسرع وأكثر تخصيصا وفعالية في المستقبل.
[مقدم العرض] للبدء ، قم بتشغيل برنامج Avogadro على نظام كمبيوتر. لتحليل نظام المجموعة، اكتب الأمر المعطى على الشاشة. عند المطالبة ، اكتب 1 لمجموعة البروتين لحساب المربعات الصغرى الملائمة وانحراف جذر متوسط المربع ، أو RMSD. ثم اكتب 1 مرة أخرى لإخراج النظام. افتح ملف cluster-size.xvg. إذا كان عدد المجموعات منخفضا، فقم بزيادة قيمة قطع RMSD. بدلا من ذلك ، إذا كان الرقم مرتفعا ، فقم بتقليل القطع. قم بإجراء تحليل السماح باستخدام الأوامر المعروضة على الشاشة باستخدام قيم قطع RMSD مختلفة حسب الحاجة. افتح الآن برنامج Chimera وابحث عن cluster.pdb. انقر فوق الهدايا والمنشورات 1 ، صورة ظلية ، شريط مستدير. للتمثيل المرئي. انقر بالتتابع فوق تحديد، سلسلة، بدون معرف، متبوعا cluster.pdb، #10، ثم حدد النماذج المحددة وعكسها. انتقل إلى الإجراءات ، ثم اضغط على Atoms / Bonds وانقر فوق حذف لعزل السلسلة. الآن حدد ملف. انقر فوق حفظ PDB. قم بتسمية الملف cluster1.pdb، واضغط على حفظ لحفظ الملف. للرسو المستند إلى المجموعة ، قم بتشغيل برنامج أداة Autodock لفتحه. ضع الملفات cluster1.pdb و ligand.pdb في مجلد جديد. انقر الآن على ملف ، تفضيلات ، وتعيين. في النافذة المنبثقة، الصق عنوان المجلد في حقل دليل بدء التشغيل، وانقر فوق تعيين. انقر فوق أيقونة المجلد الأزرق ، واختر cluster1.pdb ، ثم انقر فوق فتح. انتقل إلى تحرير ، ثم اضغط على الرسوم ، وإضافة شحنات كولمان ، وانقر فوق موافق. انقر فوق الشبكة ، الجزيئات الكبيرة ، اختر. حدد نظام المجموعة 1 في المربع اختيار جزيئات كبيرة، ثم اضغط على تحديد جزيئات. انقر فوق موافق لإنشاء ملف Modified AutoDock4 Macromolecule. احفظه ك cluster1.pdbqt. بعد ذلك ، قم بإفراغ مساحة العمل بالنقر فوق تحرير ، ثم اضغط على حذف ، واحذف جميع الجزيئات قبل النقر فوق متابعة ، ثم اضغط على Ligand ، Input ، Open. عندما يظهر ملف Ligand لمجلد Autodock4 ، حدد ligand.pdb وانقر فوق فتح ، ثم موافق. اختر الآن Ligand و Torsion Tree و Detect Root لتحديد المرونة الالتوائية للترابط. انتقل إلى Ligand ، Output ، Save as PDBQT ، واحفظ مجلد Formatted Autotors Molecules ك ligand.pdbqt. بعد إفراغ مساحة العمل ، افتح ملف cluster1.pdbqt بالنقر فوق الشبكة والجزيئات الكبيرة وفتح ، ثم اضغط على نعم وموافق. انتقل إلى الشبكة مرة أخرى ، واضغط على تعيين أنواع الخرائط ، واختر فتح الترابط. حدد وافتح ligand.pdbqt. انتقل الآن إلى مربع الشبكة الخيار ضمن الشبكة. في مربع خيارات الشبكة، قم بتعيين عدد النقاط في أبعاد X وY وZ إلى 120، والتباعد إلى 0.375 أنجستروم. اترك إعدادات المركز كإعدادات افتراضية. ثم انقر فوق ملف وأغلق تيار الحفظ. انتقل إلى الشبكة والإخراج واضغط على حفظ GPF. عندما يظهر ملف إخراج معلمة الشبكة، أدخل grid.gpf كاسم الملف، وانقر فوق حفظ. بعد ذلك ، انقر فوق تشغيل وتشغيل AutoGrid. في علامة التبويب اسم ملف المعلمة، انقر فوق استعراض. افتح ملف grid.gpf. الآن تصفح اسم مسار البرنامج. ابحث عن autogrid4.exe وانقر فوق فتح وتشغيل. بالتتابع ، انقر فوق Docking ، متبوعا ب Macromolecules و Set Rigid Filenames. عند ظهور ملف جزيئات كبيرة PDBQT، حدد cluster1.pdbqt وانقر فوق فتح. اختر الترابط من قائمة الإرساء. عندما يظهر مربع اختيار الروابط ، حدد Ligand وانقر على Select Ligand ، ثم اضغط على قبول. انتقل الآن إلى الخوارزمية الجينية من Docking. عندما يظهر مربع معلمات الخوارزمية الجينية، قم بتعيين تشغيل GA إلى 100 وانقر فوق قبول. انقر فوق Docking, Output, Lamarckian GA 4.2. عندما يظهر ملف Autodock4.2 GALS Docking Parameter Output، قم بتسميته باسم docking.dpf وانقر فوق حفظ. الآن اضغط على تشغيل وتشغيل Autodoc. سيظهر مربع تشغيل المستندات التلقائية. في اسم ملف المعلمة، انقر فوق استعراض. عندما يظهر ملف معلمة autodock4 ، حدد docking.dpf وانقر فوق فتح. في اسم مسار البرنامج، انقر فوق استعراض. سيظهر ملف autodock4. ابحث عن autodock4.exe وانقر فوق فتح، متبوعا بتشغيل. احذف جميع الجزيئات كما هو موضح سابقا، وكرر العملية لكافة ملفات نظام المجموعة. تم الحصول على التركيب الكيميائي والتمثيل الهيكلي ثلاثي الأبعاد ل flavokawain B و lysozyme في الحالة الأولية قبل المحاكاة الديناميكية الجزيئية. كانت الطاقة الإجمالية لبنية البروتين مستقرة أثناء المحاكاة ، واستقر انحراف جذر متوسط التربيع بعد 20 نانو ثانية. كشف تذبذب الجذر المتوسط التربيعي عن مرونة عالية في المناطق الواقعة بين المخلفات من 40 إلى 50 و 60 إلى 80 و 100 حتى النهاية. تم الحصول على ما مجموعه 15 مجموعة هيكلية من المجموعات القائمة على الانحراف الجذري لمتوسط التربيع من 10,001 إطار مسار ، مع أكبر مجموعة تحتوي على 5,818 عضوا. أظهرت المطابقات المتراكبة لجميع العناقيد اختلافات هيكلية واضحة بين المسارات. أظهر الالتحام الجزيئي ل flavokawain B مع الهياكل التمثيلية للمجموعات الأربع العليا ارتباطا ثابتا في نفس الموقع عبر جميع المطابقات ، حيث أظهرت المجموعة 2 أقل طاقة ربط تبلغ -29.37 كيلو جول / مول. أكد رسم خرائط السطح الكهروستاتيكي مواقع ربط متطابقة في جميع المطابقات العنقودية مع فلافوكاوين B المتداخلة في نفس منطقة الجيب. أظهر تحليل التفاعل التفصيلي أن ارتباط فلافوكاوين ب قد استقر بواسطة العديد من المخلفات المحيطة ، بما في ذلك ألانين 31 ، والجلوتامين 35 ، والليوسين 56 ، وحمض جاما كربوكسي جلوتاميك 57 ، والأيزولوسين 58 ، والألانين 95 ، والإيزولوسين 98 ، والتربتوفان 108 ، والفالين 109 ، والألانين 110 ، والتربتوفان 111 ، والأرجينين 114.
View the full transcript and gain access to thousands of scientific videos
تركز هذه الدراسة على تطوير اكتشاف الأدوية من خلال التقنيات الحسابية، خاصةً من خلال دمج مرونة البروتين باستخدام تحليل الربط المستند إلى المجموعة. يظهر النهج المحتمل في تعزيز دقة وفعالية تصميم الدواء، وهو أمر بالغ الأهمية لتحسين نتائج العلاج.
Incorporating target protein flexibility and dynamics into computational drug discovery addresses a critical gap in predictive accuracy for ligand binding. Ensemble-based docking analysis enables more reliable identification of promising compounds by capturing a broader range of biologically relevant conformations. This approach enhances decision-making at key inflection points in the discovery pipeline, supporting risk-adjusted portfolio advancement.
Ensemble-based docking integrates into the discovery continuum from early target validation through lead identification and preclinical assessment.