需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

利用基于集合的对接分析在计算药物发现中整合靶标蛋白结构的柔性与动力学特性

2.1K 次观看

⸱

DOI：

10.3791/67174

⸱

2025年6月20日

 , 
1Bioinformatics Programme, Institute of Biological Sciences, Faculty of Science, Universiti Malaya, 2Centre of Research in Systems Biology, Structural Bioinformatics and Human Digital Imaging (CRYSTAL), Universiti Malaya

本文内容

摘要

计算方法在加速药物发现方面具有广阔前景，但这些方法常常忽略了蛋白质结构的动态特性。本文讨论基于集合的对接分析方法，该方法可间接地纳入蛋白质的柔性特征，从而可能提高药物发现工作的准确性和可靠性。

摘要

药物发现过程是一项严格、耗时且昂贵的工作。在药物发现中采用计算方法可使研究人员优先选择最有前景的化合物进行进一步测试，从而大幅减少所需资源，提高药物发现流程的整体效率。基于结构的药物发现是一种常见方法，需要以三维形式提供靶标蛋白的结构信息。然而，目前大多数计算机辅助药物发现策略的局限性在于，无法在配体-蛋白对接模拟过程中引入靶标蛋白结构的柔性和动态特性。尽管诱导契合对接和基于集合的对接均旨在解决对接过程中的蛋白柔性问题，但后者通过在模拟过程中整合多种构象，能够更全面地展现蛋白的动态行为。本报告中，我们演示并讨论了一种称为基于集合的对接分析技术的应用，该技术在分子对接过程中间接引入了靶标蛋白结构的柔性和动态特性。用于基于集合对接研究的蛋白和配体分别为溶菌酶和佛洛沃卡维B（FB）。已有文献报道FB具有与溶菌酶结合的活性。在水环境中对溶菌酶进行了分子动力学（MD）模拟，并分析了总能量、均方根偏差（RMSD）和均方根涨落（RMSF）。基于多个聚类截断值生成了构象聚类，并选取用于与FB的进一步对接分析。其中第2号聚类的结合能最低，为-29.37 kJ/mol。通过生成分子对接图像，预测了结合力的存在。通过整合蛋白的结构动态特性，基于集合的对接方法能够更准确地捕捉可能的结合情景范围，从而实现对结合结果更可靠的预测。

引言

在计算药物发现（CDD）中，计算机科学、化学、生物学和物理学的技术被整合起来，以探索庞大的化学空间，预测药物-靶点相互作用，并比单独使用传统实验方法更高效、更低成本地优化候选药物。这是一种强大的方法，利用计算方法和算法来加速新治疗化合物的发现与优化过程1,2,3。CDD 已经彻底改变了药物发现领域。然而，与蛋白质三维（3D）结构动力学相关的局限性可能会影响计算预测的准确性和可靠性4。在 CDD 中，蛋白质的三维结构被用作模板，基于靶蛋白-药物相互作用来设计或优化候选药物。尽管X射线晶体学提供的蛋白质结构模型为蛋白质提供了宝贵的结构信息，但必须认识到蛋白质结构具有动态特性，以及静态模型存在局限性5,6,7。此外，近年来冷冻电子显微镜（cryo-EM）以及AlphaFold等计算预测技术的进步，也极大地扩展了可用于捕捉蛋白质灵活性和动力学全谱的结构数据资源8,9,10,11,12。

分子动力学（MD）模拟通过模拟原子和分子随时间的运动与相互作用，揭示蛋白质三维结构的动态行为和柔性13,14。MD 模拟可用于生成代表多种构象状态的蛋白质三维结构，作为基于集合的对接分析的输入。通过采样多种蛋白质构象，基于集合的对接分析能够考虑生物靶标的固有柔性和动力学特性，从而更全面地探索配体的结合模式和相互作用3。

理解蛋白质的柔性至关重要，因为它影响药物发挥其生物学效应的方式，决定结合位点的位置和取向，并影响结合动力学、代谢和转运过程15,16。捕捉这种动态特性可显著提高分子对接预测的准确性和可靠性。1994年，Kearsley 等人提出了一种柔性对接技术，该框架可同时模拟配体和蛋白质的柔性。该方法允许蛋白质构象在对接过程中发生调整，通过考虑结构柔性来改进配体-受体相互作用的预测17。同样，1999年，Carlson 等人报道了集合对接（ensemble docking）方法，该方法将柔性药效团建模应用于HIV-1整合酶的静态和动态模型，进一步凸显了在对接研究中考虑蛋白质动力学的重要性18。此外，Cavasotto 等人也报告了通过在对接过程中引入受体柔性（使用常规模式分析方法），提高了配体对接的准确性19。近年来，基于集合的对接技术20,21,22,23,24,25,26,27通过识别潜在的新配体结合位点，并提供更精确的游离配体-受体结合能估算值，进一步拓展了药物发现的范围。这些进展已被应用于多种靶标，包括四链体-双链DNA20、血管内皮生长因子165（VEGF-165）21、SARS-CoV-2靶标酶22、人肝脏细胞色素P450酶23以及抗癌蛋白24。

黄樟素B（Flavokawain B，FB）属于黄酮类化合物，已被报道具有多种药理特性28,29,30。根据实验与计算分析，FB可与溶菌酶（lysozyme，LYZ）形成稳定的复合物31，LYZ是一种广泛认可具有抗菌活性的蛋白质，同时也被确认为一种配体转运蛋白32,33,34。本研究中，我们进一步采用基于集合的对接分析方法，研究FB与LYZ相互作用的性质，以纳入蛋白质柔性对FB-LYZ复合物形成的影响。该方法旨在为研究人员提供一种逐步、可重复的基于集合的对接分析流程。此外，建议研究人员在研究中选用来自目标生物体的蛋白质结构。

访问受限。请登录或开始试用以查看此内容。

方案

1. 黄樟素B配体结构准备

  1. 打开 PubChem 网站。搜索 黄樟素B选择 下载 并选择 保存 用于SDF二维结构的 Structure2D_COMPOUND_CID_5356121.MDL SDF.
  2. 打开 Avogadro 软件。移动 SDF 文件 到软件的空白区域。单击 是。
    注意：Avogadro 软件将自动构建三维（3D）结构。
  3. 在该选项卡上，单击图标，如图所示 图1. 在左侧菜单选项卡中，将力场更改为 MMFF9435,36. 调整每次更新的步数以 15. 将算法设置为 最速下降法 并点击 开始.
    注意：旋转进行过程中请勿移动任何原子。完成后，单击 停止。 MMFF94 适用于多种小分子配体（包括中性和带电分子），并广泛用于能量最小化和分子建模37选择最速下降法进行初始能量最小化，是因为该方法简单直接、计算效率高，且能有效消除较大的结构应变，实现基本的最小化状态。38,39,40.
  4. 在菜单选项卡中，前往 文件 并点击 另存为 当一个 保存分子为 文件夹出现后，将文件名写为 配体.pdb 并点击 保存。

2. 溶菌酶蛋白结构准备

  1. 打开 RCSB 蛋白质数据库网站。搜索溶菌酶，编号：1LYZ。点击Download Files，选择PDB Format。保存为1lyz.pdb。
  2. 打开Chimera 软件。在选项卡中，点击File和Open。在文件夹中选择1lyz.pdb文件。 
    注意：将使用软件构建溶菌酶的三维结构。
  3. 在选项卡中，点击Select > Residue > HOH。然后点击Actions > Atom/Bonds > Delete。点击Select和Clear Selection。
    注意：这将从蛋白质中移除所有水分子。
  4. 在选项卡中，点击Select >Chain > A。然后点击Tools >Structure Editing >AddH。参数设置框将弹出，保持默认设置。点击OK。点击Select和Clear Selection（图 2）。
    注意：这将向蛋白质添加氢原子。组氨酸残基也会被质子化，以形成中性体系。该软件可通过整合 PROPKA41,42 进行 pKa 计算。
  5. 在选项卡中，点击Tools、Structure Editing和Add Charge。参数设置框将弹出；选择Gasteiger。点击OK。注意：这将为蛋白质添加部分电荷。
  6. 保存文件时，在选项卡中点击File > Save PDB。保存为protein.pdb。
    注意：本研究选择溶菌酶结构以与先前报道的结果31进行比较。建议读者从其感兴趣的目标生物中谨慎选择蛋白质结构。

3. 水溶液中溶菌酶的分子动力学模拟

注意：本研究中用于分子动力学（MD）模拟的定制计算机配置为：CPU 采用 Intel CORE i7 11th 代，GPU 采用 NVIDIA Geforce RTX 2060，内存为 DDR4 128 GB。操作系统为 Ubuntu 22.04.4 LTS。MD 模拟使用 GROMACS 软件，GPU 支持 CUDA。

  1. 从此链接下载所有所需文件：http://www.mdtutorials.com/gmx/lysozyme/01_pdb2gmx.html（GROMACS 教程：溶菌酶在水溶液中）43.
    注意：所需的文件包括 em.mdp, ions.mdp, md.mdp, npt.mdp, nvt.mdp, charmm36 力场 和 protein.pdb （从步骤 2.5 开始）。对于系统设置， em.mdp 用于能量最小化，以及 ions.mdp 是添加离子并中和系统。对于平衡过程， nvt.mdp 用于温度平衡，而 npt.mdp 用于压力平衡。对于生产， md.mdp 用于模拟。 CHARMM36 力场 用于拓扑结构分析。
  2. 在文件夹（工作目录）的空白处右键单击，然后点击 打开终端。 类型 gmx 打开GROMACS软件。注意：GROMACS没有图形用户界面，所有操作均通过在终端中输入命令完成。
  3. 用于蛋白质拓扑结构的生成，输入 gmx pdb2gmx -f protein.pdb -o protein.gro –ignh力场列表如下，类型 1 用于 CHARMM 全原子力场44，随后进行类型 1 对于水模型采用TIP3P。
    注意：更新版本 CHARMM36 也可获取，可从 http://mackerell.umaryland.edu/charmm_ff.shtml 下载45.
  4. 定义一个立方体盒子以覆盖整个蛋白质结构。输入 gmx editconf -f complex.gro -o newbox.gro -c -d 1.0 -bt cubic注意：蛋白质应放置在距离盒子边缘至少1 nm的位置。确保水盒子的尺寸足够容纳蛋白质、溶剂和离子。此外，水盒子应足够大，以防止蛋白质的周期性镜像之间发生相互作用。建议蛋白质与盒子边缘之间的最小距离至少为1.0–1.5 nm。
  5. 溶剂配置46，类型 gmx 溶剂化 -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro.
  6. 通过输入添加钠离子和/或氯离子 gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro
    注意：使用钠离子和/或氯离子对系统进行中和。
  7. 通过输入使系统中和 gmx genion -s ions.tpr -o solv_ions.gro -p topol.top -pname NA -nname CL -neutral选择 13 对于 SOL 组。
    注意：对于溶菌酶，已有8个溶质分子被氯离子取代（图3).
  8. 在 CHARMM 36 文件中，搜索 ions.itp 文件夹。氯离子的缩写是 CLA
  9. 打开 topol.top 文件，添加 CLA 和数量 8 如图所示 图4.
  10. 打开 solv_ions.gro 文件并交换全部 细胞系 进入 CLA.
    注意：确保 solv_ions.gro 和 topol.top 文件的离子缩写必须与相应离子的缩写一致，否则将弹出警告。离子名称的重命名需遵循 CHARMM 36 力场文件版本的规定。由于氯离子（chloride）的缩写已存在 细胞系，无需重命名旧版本中的离子。但务必检查离子的缩写。
  11. 通过最陡下降法进行能量最小化，以放松蛋白质结构，最大步数设置为 50,000 步。为此，请输入 gmx grompp -f em.mdp -c solv_ions.gro -p topol.top -o em.tpr 随后 gmx mdrun -v -deffnm em.
    注意：溶剂和离子在蛋白质周围的平衡分为两个阶段进行：（i）粒子数（N）、系统体积（V）和温度（T）保持恒定（NVT），（ii）粒子数（N）、系统压力（P）和温度（T）保持恒定（NPT）。温度耦合（NVT阶段）采用改进的Berendsen恒温器，设定为300 K；压力耦合（NPT阶段）采用Parrinello-Rahman方法，设定为1 bar。长程静电相互作用和近邻搜索分别通过粒子网格Ewald（PME）方法和Verlet算法自动计算。
  12. 对于NVT系综的平衡，输入 gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -n index.ndx -o nvt.tpr 随后 gmx mdrun -v -deffnm nvt.
    注意：温度平衡所需时间约为 5 分钟，具体取决于 CPU 和 GPU。系统平衡的模拟时间为 100 ps。
  13. 对于NPT系综的平衡，输入 gmx grompp -f npt.mdp -c nvt.gro -r nvt.gro -t nvt.cpt -p topol.top -o npt.tpr 随后 gmx mdrun -v -deffnm npt.
    注意：压力平衡所需时间约为 5 分钟，具体时间取决于 CPU 和 GPU。对于系统平衡，模拟时间为 100 ps。
  14. 让系统先进行1 ns的平衡运行，然后进行生产运行 mdrun 持续时间为100 ns的函数。开启 md.mdp 文件。在 n 步时，更改为 50000000; 2 ´ 50000000 = 100000 ps（100 ns）.
  15. 用于分子动力学模拟的生成，输入 gmx grompp -f md.mdp -c npt.gro -t npt.cpt -p topol.top -o md.tpr 随后 gmx mdrun -v -deffnm md.
    注意：此过程所需时间约为 2 天。分子动力学模拟生成的轨迹帧以 10 ps 的时间间隔采集，并用于基于均方根偏差（RMSD）的聚类分析。

基于 RMSD 的聚类分析

  1. MD 模拟结束后，继续进行命令分析。蛋白质将扩散通过晶胞，并可能出现 "破损" 或 "跳跃" 穿过盒子到达另一侧。类型 gmx trjconv -s md.tpr -f md.xtc -o md_center.xtc -center -pbc mol -ur compact类型 1 用于使蛋白质居中 0 系统的输出。类型 vmd em.gro 以观察该蛋白质。
  2. 用于总能量分析，输入 gmx energy -f md.edr -o totalenergy.xvg，继续输入 14 总能量
    注意：监测总能量对于确保分子动力学（MD）模拟的可靠性和正确性至关重要47,48.
  3. 进行 RMSD 分析时，输入 gmx rms -s md.tpr -f md_center.xtc -o rmsd.xvg -tu ns 继续输入 3 最小二乘法拟合中C-α的 3 用于 RMSD 计算的 C-alpha图5).
  4. 进行 RMSF 分析时，输入 gmx rmsf -s md.tpr -f md_center.xtc -o rmsf.xvg –res继续输入 1 用于蛋白质。
  5. 使用 Grace 时，请输入此命令 xmgrace totalenergy.xvg. 双击图形框线以调整坐标轴。A 格蕾丝：坐标轴 将出现一个对话框。单击 接受.
  6. 在选项卡菜单中，单击 文件 和 打印设置 A 格蕾丝：设备设置 会出现。将设备从 PostScript 到 JPEG. 点击 接受。 现在点击 打印 在文件菜单中，另存为 totalenergy.jpg.
  7. 重复步骤 4.5 和 4.6 xmgrace rmsd.xvg 和 xmgrace rmsfxvg.
  8. 用于聚类分析，类型 gmx cluster –s md.tpr –f md_center.xtc –g cluster.log –sz cluster-size.xvg –clid clus-id.xvg –cl cluster.pdb –cutoff 1.0. 继续输入 1 （蛋白质组）以计算最小二乘拟合和均方根偏差（RMSD）并输入 1 （蛋白质组）用于系统输出。
    注意：根据聚类结果调整截断值。命令 -克隆 表示每个簇的平均值输出。
  9. 打开 cluster-size.xvg.
    1. 根据所提供的信息， 增加 RMSD 截断值，如果簇的数量为 低 或 减少 RMSD 截断值，如果簇的数量为 高.
  10. 重复步骤 4.8 使用不同的截断值。
    注意：根据以下标准确定最优RMSD截断值：（1）总聚类数量应少于30个；（2）优先减少仅包含单个成员的聚类；（3）希望少于10个聚类即可代表超过90%的轨迹。
  11. 开放 嵌合体 软件并搜索 cluster.pdb
    注意：cluster.pdb 包含每个聚类组的平均值。
  12. 点击 呈现 和 出版物 1（剪影，圆形丝带）
  13. 然后，转到 文件 > 保存 图像 > 保存.
  14. 点击 选择 > 链 > （无编号） > cluster.pdb (#1). 点击 选择 > 倒置（所有型号）点击 操作 > 原子/化学键 > 删除。
    注意：这将删除除第1组外的所有组群集。
  15. 然后，转到 文件 > 保存 PDB > 保存. 另存为 cluster1.pdb
  16. 对不同的簇重复步骤 4.11–4.15。保存为 cluster2.pdb, cluster3.pdb 和 cluster4.pdb
    注意：由于前4个聚类的总轨迹数占总轨迹数的90%以上，因此提取前4个聚类的每个代表，并使用Chimera进行分子对接分析（参见 图6).

5. 基于集合的分子对接

  1. 双击 AutoDock Tools 软件
    注意：本研究使用 AutoDock 和 AutoDock Tools 软件进行分子对接13,49,50,51.
  2. 放置文件 cluster1.pdb 和 配体.pdb 在一个新文件夹中。
  3. 在菜单中，单击 文件 > 偏好设置 > 设置。 A 设置用户偏好 框将弹出。复制该地址 "新文件夹" 作为文本。在地址栏粘贴该地址 初创企业名录 在 设置用户偏好 盒。点击 设置。
    注意：如果使用 Windows 操作系统，此步骤非常重要。
  4. 点击 蓝色文件夹图片. A 读取分子文件夹 会弹出。选择 cluster1.pdb.
    注意：AutoDock 工具将读取蛋白质分子结构。
  5. 点击 编辑 > 电荷 > 添加Kollman电荷。 然后点击 好的。 点击 编辑 > 氢原子 > 合并非极性.
    注意：为蛋白质添加了Kollman电荷。
  6. 点击 网格 > 大分子 > 选择。 A 选择大分子 弹出窗口将出现。选择 簇1 并单击 选择分子. 点击 好的。 A 改良的 AutoDock4 大分子 文件将出现。另存为 cluster1.pdbqt.
  7. 单击以清空工作区 编辑 > 删除 > 删除所有分子. 点击 继续.
  8. 点击 配体 > 输入 > 开放。  A Autodock4 的配体文件 文件夹将出现。请选择 所有文件，选择 配体.pdb, 并点击 开放。 点击 好的。
    注意：配体预处理将包括添加Gasteiger电荷以及合并非极性氢原子。
  9. 点击 配体 > 扭转树 > 检测根部。
  10. 点击 配体 > 输出 > 保存为 PDBQT。 A 自组装螺旋分子 文件夹将出现。另存为 配体.pdbqt.
  11. 单击以清空工作区 编辑 > 删除 > 删除所有分子. 点击 继续.
    注意：遵循与步骤 5.6 中所述相同的程序。
  12. 点击 网格 > 大分子 > 开放。 选择 cluster1.pdbqt 并点击 开放。 点击 是点击 好的。
  13. 点击 网格 > 设置地图类型 > 开放配体 选择 配体.pdbqt 并点击 开放。
    注意：在工作区中，存在蛋白质和配体。
  14. 点击 网格 和 网格盒 A 网格选项 框将出现。在 x 维方向的点数，调整参数至 120，并设置 y 维方向的点数 到 120，设置 z 维度上的点数 到 120. 将间距（埃）设置为 0.375. 离开 中心网格框 参数保持默认。单击 文件 和 关闭并保存当前内容.
    注意：网格框覆盖了整个蛋白质，这意味着这是一次盲对接。
  15. 点击 网格 > 输出 > 保存 GPF。 A 网格参数输出 文件将出现。在文件名中输入 grid.gpf 并点击 保存.
  16. 点击 运行 和 运行 AutoGrid. A 运行 AutoGrid 框将出现。在 参数文件名 标签，点击 浏览。一个 Autogrid 参数 文件将出现。选择 grid.gpf 点击 打开。在 程序路径名 > 浏览。一个  autogrid4 文件将出现。搜索 autogrid4.exe 并单击 开放 > 启动.
    注意：文件夹名称中不得包含空格，否则在运行过程中可能导致错误。该文件夹 autogrid4.exe 可从 https://autodock.scripps.edu/download-autodock4/ 下载安装。
  17. 点击 对接 > 大分子 > 设置刚性文件名. A PDBQT 大分子 文件将出现。选择 cluster1.pdbqt 并点击 开放。
  18. 点击 分子对接 > 配体 > 选择。 A 选择配体 框出现。选择 配体 并点击 选择配体。 一个 AutoDpf4 配体参数 将出现一个对话框。单击 接受.
  19. 点击 对接 > 搜索参数 > 遗传算法 A 遗传算法参数 框将出现。更改 GA 运行次数 到 100. 将剩余参数保持默认设置。点击 接受。
  20. 点击 分子对接 > 输出 > 拉马克遗传算法（GA 4.2）。一个 Autodock4.2 GALS 对接参数输出 文件将出现。在文件名处，输入 docking.dpf 并单击 保存。
  21. 点击 运行 > 运行 AutoDock。 A 运行 Autodock 框将出现。在 参数文件名 点击 浏览 A autodock4 参数 文件出现。选择 docking.dpf 点击 开放。 在 程序路径名 点击 浏览。一个 autodock4 文件将出现。搜索 autodock4.exe 并点击 开放。 点击 启动.
    注意：文件夹名称中不得包含空格，否则在运行过程中可能导致错误。所需时间约为 30 分钟。该文件夹 autodock4.exe 可以使用以下链接进行安装： https://autodock.scripps.edu/download-autodock4/
  22. 按照步骤5.7所述删除所有分子。
  23. 重复步骤 5.1–5.22 cluster2.pdb, cluster3.pdb 和 cluster4.pdb
    注意：所有4个对接组都将用于分析。

6. 基于集合的分子对接分析

  1. 使用 AutoDock Tools 软件继续分析。点击 分析>对接>打开。对接日志文件将出现。选择docking.dlg并点击打开，然后点击确定。
  2. 点击 分析>大分子>打开。
  3. 点击 分析>构象>播放，按能量排序。配体框将出现。
  4. 在新文件夹中，使用记事本打开docking.dlg文件。搜索构象的聚类分析。根据所提供的信息，查找具有最低结合能的构象运行（标记为Run）。
    注意：由于共有100次构象运行，仅其中一次具有配体与蛋白质之间最强的结合亲和力。最低结合能即表示更强的结合亲和力52,53,54。
  5. 在第6.3步的配体框中输入第6.4步确定的构象运行编号，然后按回车。
    注意：配体将在蛋白质内部自动定位至相应位置。
  6. 在配体框中，点击按钮打开面板以更改播放选项，将出现设置播放选项框。点击写入复合物，将出现受体复合物写入文件夹。将其保存为complex.pdb。
    注意：由于存在4个聚类组，complex.pdb文件可相应命名，例如将第一聚类组命名为complex1.pdb。
  7. 打开 Chimera 软件，并查找第6.6步中生成的complex.pdb文件。
  8. 点击 预设>交互式1（带状图）>出版物1（轮廓，圆润带状图）。
  9. 然后转到文件并点击保存图像。
    注意：所保存的图像为FB-LYZ复合物的带状结构。
  10. 点击 预设>交互式3（疏水性表面）>出版物1（轮廓，圆润带状图）。
    注意：所保存的图像为FB-LYZ复合物的球状结构。
  11. 打开 Discovery Studio 软件。
  12. 将complex.pdb拖入软件的空白区域。
  13. 点击 工具选项卡，并选择显示2D图。
    注意：软件将自动生成该复合物的2D结构图（图7）。
  14. 点击文件并选择另存为。输入文件名后点击保存。

访问受限。请登录或开始试用以查看此内容。

结果

优化后FB的化学结构及其三维结构表示如图8A所示。图8B展示了初始状态下溶菌酶（PDB编号：1LYZ）的三维结构。为了研究溶菌酶三维结构的动力学和柔性，进行了100 ns的分子动力学（MD）模拟。模拟过程中蛋白质结构的总能量保持稳定，如图9A所示。MD模拟的前20 ns内，RMSD值有所增加，随后趋于稳定（图9B）。RMSF分析显示，在MD模拟期间发生较大波动的残基区域为第40至50位、60至80位以及100位至蛋白末端的残基（图9C）。每10 ps保存一次MD轨迹的构象，共获得10,001条轨迹用于进一步分析。由于MD模拟表明在100 ns的模拟期间各项参数已达到稳定，因此将所有MD轨迹的三维构象采用Gromos聚类算法进行聚类分析。然而，更长的模拟时间可能有助于采样更多替代...

访问受限。请登录或开始试用以查看此内容。

讨论

基于集合的计算药物发现应用涉及利用从晶体结构、核磁共振（NMR）研究或分子动力学模拟中获得的大量构象集合26。采用多种计算构象可使分析纳入蛋白质结构的动态性和柔性，从而提高识别潜在药物候选分子的准确性和可靠性。

进行基于集合的对接分析需要遵循几个关键步骤。首先，需要获取一组多样化的蛋白质构象，这些构象可来自实验数据，或在本研究中，由计算模拟生成。这些构象能够反映目标蛋白质固有的柔韧性及构象多样性。最近的一项研究还整合了分子动力学模拟方法，以捕捉构象变化并探索变构位点，从而发现新的结合口袋和潜在的药物靶点58。接下来，根据均方根偏差（RMSD）值对蛋白质构象进行聚类，聚类标准需满足协议部分所述的一系列条件。最后，利用分子对接或其他计算技术，将配体对接至这些构象集合。通过考虑模拟获得的多种可能结构，可扩大所鉴定出的结合配体的多样性。

尽管集成方法具有多种优势，包括提高预测性能和鲁棒性，但其也存在局限性。由于需要运行多个模型或算法，集成方...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明，他们不存在任何已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢

本工作由马来亚大学RMF资助项目（项目编号：RMF1392-2021）支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
AutoDock美国斯克里普斯研究所版本 4.2.6
AutoDock Tools美国斯克里普斯研究所版本 1.5.6
AvogadroGeoffrey R Hutchison，美国匹兹堡大学化学系版本 1.95
Discovery StudioDassault Systèmes，美国马萨诸塞州版本 2021
GROMACs格罗宁根大学
皇家理工学院
瑞典乌普萨拉大学		版本 2023
UCSF Chimera生物计算、可视化与信息学资源中心
加利福尼亚大学		版本 1.16

参考文献

  1. Niazi, S. K., Mariam, Z. Computer-aided drug design and drug discovery: a prospective analysis. Pharmaceuticals (Basel). 17 (1), 22(2023).
  2. Sadybekov, A. V., Katritch, V. Computational approaches streamlining drug discovery. Nature. 616 (7958), 673-685 (2023).
  3. Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E. W. Jr Computational methods in drug discovery. Pharmacol Rev. 66 (1), 334-395 (2014).
  4. Adelusi, T. I., et al. Molecular modeling in drug discovery. Informatics Med Unlocked. 29, 100880(2022).
  5. Durrant, J. D., McCammon, J. A. Computer-aided drug-discovery techniques that account for receptor flexibility. Curr Opin Pharmacol. 10 (6), 770-774 (2010).
  6. Korb, O., et al. Potential and limitations of ensemble docking. J Chem Inf Model. 52 (5), 1262-1274 (2012).
  7. Strecker, C., Meyer, B. Plasticity of the binding site of renin: optimized selection of protein structures for ensemble docking. J Chem Inf Model. 58 (5), 1121-1131 (2018).
  8. Pak, M. A., et al. Using AlphaFold to predict the impact of single mutations on protein stability and function. PLoS One. 18 (3), e0282689(2023).
  9. Jumper, J. M., et al. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  10. Bai, X. C., McMullan, G., Scheres, S. H. How cryo-EM is revolutionizing structural biology. Trends Biochem Sci. 40 (1), 49-57 (2015).
  11. Nakane, T., Kimanius, D., Lindahl, E., Scheres, S. H. Characterisation of molecular motions in cryo-EM single-particle data by multi-body refinement in RELION. eLife. 8, e36861(2018).
  12. Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47 (2), 124-135 (2022).
  13. Zhao, H., Caflisch, A. Molecular dynamics in drug design. Eur J Med Chem. 91, 4-14 (2015).
  14. Meng, X. Y., Zhang, H. X., Mezei, M., Cui, M. Molecular docking: a powerful approach for structure-based drug discovery. Curr Comput Aided Drug Des. 7 (2), 146-157 (2011).
  15. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  16. Teague, S. J. Implications of protein flexibility for drug discovery. Nat Rev Drug Discov. 2 (7), 527-541 (2003).
  17. Kearsley, S. K., Underwood, D. J., Sheridan, R. P., Miller, M. D. Flexibases: a way to enhance the use of molecular docking methods. J Comput Aided Mol Des. 8 (5), 565-582 (1994).
  18. Carlson, H. A., Masukawa, K. M., McCammon, J. A. Method for including the dynamic fluctuations of a protein in computer-aided drug design. J Phys Chem A. 103 (49), 10213-10219 (1999).
  19. Cavasotto, C. N., Kovacs, J. A., Abagyan, R. A. Representing receptor flexibility in ligand docking through relevant normal modes. J Am Chem Soc. 127 (26), 9632-9640 (2005).
  20. Akbari, Z., et al. HOMO-LUMO analysis and ensemble docking studies of Zn(II) complexes of bidentate and tetradentate Schiff base ligands as antileukemia agents. J Mol Struct. 1301, 137400(2024).
  21. Go, Y. J., Kalathingal, M., Rhee, Y. M. An ensemble docking approach for analyzing and designing aptamer heterodimers targeting VEGF165. Int J Mol Sci. 25 (7), 4066(2024).
  22. Ismail, C. M. K. H., et al. An ensemble docking-based virtual screening and molecular dynamics simulation of phytochemical compounds from Malaysian Kelulut Honey (KH) against SARS-CoV-2 target enzyme, human angiotensin-converting enzyme 2 (ACE-2). J Biomol Struct. , (2024).
  23. Roy, P., et al. Elucidating the mechanism of metabolism of cannabichromene by human cytochrome P450s. J Nat Prod. 87 (4), 639-651 (2024).
  24. Garai, S., Thomas, J., Dey, P., Das, D. LGBM-ACp: an ensemble model for anticancer peptide prediction and in silico screening with potential drug targets. Mol Divers. 28 (4), 1965-1981 (2024).
  25. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  26. Amaro, R. E., et al. Emerging methods for ensemble-based virtual screening. Curr Top Med Chem. 10 (1), 3-13 (2010).
  27. Amaro, R. E., et al. Ensemble docking in drug discovery. Biophys J. 114 (10), 2271-2278 (2018).
  28. Chlipała, P., et al. Multienzymatic biotransformation of flavokawain B by entomopathogenic filamentous fungi: structural modifications and pharmacological predictions. Microb Cell Fact. 23 (1), 65(2024).
  29. Kuo, Y. -F., et al. Flavokawain B, a novel chalcone from Alpinia pricei Hayata with potent apoptotic activity: involvement of ROS and GADD153 upstream of mitochondria-dependent apoptosis in HCT116 cells. Free Radic Biol Med. 49 (2), 214-226 (2010).
  30. Mohd Sakeh, N., et al. Melanogenic inhibition and toxicity assessment of flavokawain A and B on B16/F10 melanoma cells and zebrafish (Danio rerio). Molecules. 25, (2020).
  31. Feroz, S. R., et al. Interaction of flavokawain B with lysozyme: a photophysical and molecular simulation study. J Luminescence. 160, 101-109 (2015).
  32. Ding, F., et al. Potential toxicity and affinity of triphenylmethane dye malachite green to lysozyme. Ecotoxicol Environ Saf. 78, 41-49 (2012).
  33. Paramaguru, G., Kathiravan, A., Selvaraj, S., Venuvanalingam, P., Renganathan, R. Interaction of anthraquinone dyes with lysozyme: evidences from spectroscopic and docking studies. J Hazard Mater. 175 (1), 985-991 (2010).
  34. Ding, F., Zhao, G., Huang, J., Sun, Y., Zhang, L. Fluorescence spectroscopic investigation of the interaction between chloramphenicol and lysozyme. Eur J Med Chem. 44 (10), 4083-4089 (2009).
  35. Halgren, T. A. Merck molecular force field. II. MMFF94 van der Waals and electrostatic parameters for intermolecular interactions. J Comput Chem. 17 (5-6), 520-552 (1996).
  36. Sulimov, A. V., et al. Evaluation of the novel algorithm of flexible ligand docking with moveable target-protein atoms. Comput Struct Biotechnol J. 15, 275-285 (2017).
  37. Ehrman, J. N., et al. Improving small molecule force fields by identifying and characterizing small molecules with inconsistent parameters. J Comput Aided Mol Des. 35 (3), 271-284 (2021).
  38. Chaudhuri, D., Majumder, S., Giri, K. Repurposing of drugs targeting heparan sulphate binding site of dengue virus envelope protein: an in silico competitive binding study. Mol Divers. 29 (1), 87-101 (2024).
  39. Wu, N., et al. Elucidation of protein-ligand interactions by multiple trajectory analysis methods. Phys Chem Chem Phys. 26 (8), 6903-6915 (2024).
  40. Brooks, B. R., et al. CHARMM: a program for macromolecular energy, minimization, and dynamics calculations. J Comput Chem. 4 (2), 187-217 (1983).
  41. Li, H., Robertson, A. D., Jensen, J. H. Very fast empirical prediction and rationalization of protein pKa values. Proteins. 61 (4), 704-721 (2005).
  42. Powers, N., Jensen, J. H. Chemically accurate protein structures: validation of protein NMR structures by comparison of measured and predicted pKa values. J Biomol NMR. 35 (1), 39-51 (2006).
  43. Lemkul, J. A. From proteins to perturbed Hamiltonians: a suite of tutorials for the GROMACS-2018 molecular simulation package [Article v1.0]. Living J Comput Mol Sci. 1 (1), 5068(2018).
  44. Best, R. B., et al. Optimization of the additive CHARMM all-atom protein force field targeting improved sampling of the backbone ϕ, ψ and side-chain χ1 and χ2 dihedral angles. J Chem Theory Comput. 8 (9), 3257-3273 (2012).
  45. Huang, J., et al. CHARMM36m: an improved force field for folded and intrinsically disordered proteins. Nat Methods. 14 (1), 71-73 (2017).
  46. Bondi, A. van der Waals volumes and radii. J Phys Chem. 68 (3), 441-451 (1964).
  47. Shukla, R., Tripathi, T. Computer-aided drug design. , Springer Singapore. Singapore. (2020).
  48. Vlachakis, D., Bencurova, E., Papangelopoulos, N., Kossida, S. Advances in Protein Chemistry and Structural Biology. , Elsevier, Academic Press. Swansea. (2014).
  49. Forli, S., Olson, A. J. A force field with discrete displaceable waters and desolvation entropy for hydrated ligand docking. J Med Chem. 55 (2), 623-638 (2012).
  50. Cosconati, S., et al. Virtual screening with AutoDock: theory and practice. Expert Opin Drug Discov. 5 (6), 597-607 (2010).
  51. Morris, G. M., et al. AutoDock4 and AutoDockTools4: automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  52. Fu, Y., Zhao, J., Chen, Z. Insights into the molecular mechanisms of protein-ligand interactions by molecular docking and molecular dynamics simulation: a case of oligopeptide binding protein. Comput Math Methods Med. 2018, 3502514(2018).
  53. Ivanova, L., Karelson, M. The impact of software used and the type of target protein on molecular docking accuracy. Molecules. 27 (24), 9041(2022).
  54. Mohapatra, R. K., et al. Comparison of the binding energies of approved mpox drugs and phytochemicals through molecular docking, molecular dynamics simulation, and ADMET studies: an in silico approach. J Biosaf Biosecur. 5 (3), 118-132 (2023).
  55. Mude, L., et al. Molecular insights in repurposing selective COX-2 inhibitor celecoxib against matrix metalloproteinases in potentiating delayed wound healing: a molecular docking and MMPB/SA based analysis of molecular dynamic simulations. J Biomol Struct Dyn. 42 (5), 2437-2448 (2024).
  56. Uttarkar, A., Rao, V., Bhat, D., Niranjan, V. Disaggregation of amyloid-beta fibrils via natural metabolites using long timescale replica exchange molecular dynamics simulation studies. J Mol Model. 30 (3), 61(2024).
  57. Liang, J. J., Pitsillou, E., Hung, A., Karagiannis, T. C. A repository of COVID-19 related molecular dynamics simulations and utilisation in the context of nsp10-nsp16 antivirals. J Mol Graph Model. 126, 108666(2024).
  58. Hollingsworth, S. A., Dror, R. O. Molecular dynamics simulation for all. Neuron. 99 (6), 1129-1143 (2018).
  59. Polikar, R. Ensemble based systems in decision making. IEEE Circ Syst Mag. 6 (3), 21-45 (2006).
  60. Ballester, P. J., Mitchell, J. B. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking. Bioinformatics. 26 (9), 1169-1175 (2010).
  61. Yang, X., Huang, K., Yang, D., Zhao, W., Zhou, X. Biomedical big data technologies, applications, and challenges for precision medicine: a review. Global Chall. 8 (1), 2300163(2024).

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

分子动力学模拟基于结构的药物发现蛋白质构象聚类配体对接均方根偏差Flavokawain B 结合静电表面映射
利用基于集合的对接分析在计算药物发现中整合靶标蛋白结构的柔性与动力学特性
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。