Ein zweisprachiger computergestützter Workflow zur Identifizierung potenzieller PLK1-Inhibitoren in der amerikanischen Gebärdensprache und im Englischen
April 3rd, 2026
Dieses zweisprachige Protokoll bietet einen computergestützten Workflow zur Wirkstoffentdeckung, der die Protein-Ligand-Interaktionen von Polo-ähnlichen Kinasen 1 bis 3 (PLK1–3) sowie die Eigenschaften Absorption, Distribution, Metabolism, Exkretion, Toxicity and Stability (ADMET-S) von datenbankbezogenen natürlichen Molekülen bewertet.
Ein zweisprachiger Rechen-Workflow. Einleitung. Forschungen zeigen, dass PLK1 in verschiedenen Krebsarten überexprimiert wird. Die Hemmung von PLK1 durch seine Polobox-Domäne, PBD, hat gezeigt, dass sie Apoptose induziert.
Ziel dieser Studie ist es, selektive PLK1-PBD-Inhibitoren mit den gewünschten medizinischen und pharmakokinetischen Eigenschaften zu identifizieren. Die Homologe PLK2 und PLK3 wurden denselben Protokollen unterzogen, um die Selektivität zu bewerten. Protokoll. Zielproteinpräparat.
Hier nutzen wir CHARMM-GUI, um PLK1, 4HCO, aus der Protein Data Bank, PDB, zu optimieren. Dies stellt sicher, dass das Protein keine fehlenden Reste oder Wasserstoffe aufweist. Machen wir mit dem Werkzeug weiter.
Wählen Sie unter Eingabegenerator PDB Reader Manipulator aus. Scrolle nach unten zum Eingabefeld. Stellen Sie sicher, dass die PDB-Option ausgewählt ist, bevor Sie 4HCO für PLK1 eingeben.
Auf der nächsten Seite deaktivieren Sie die Proteinkette B, um nur die Verarbeitungskette A zu verarbeiten. Fahren Sie fort. Scrollen Sie die PDB-Infos nach unten und fahren Sie fort. Von den vier Ausgängen wählen wir die PDB-Datei aus und speichern sie.
Öffnen Sie schließlich die PDB-Datei mit einem Texteditor. Finde und ersetze den Hitidin-Protonationszustand von HSD zu HIS. Datenbankprüfung von Naturprodukten.
Der Ansatz zur Gewinnung einer Probe kleiner Moleküle zur Zielerfassung von PLK1 verwendet eine Datenbank für natürliche Produkte und besteht aus drei Teilen. Die Datenbanken von Naturprodukten sind umfangreich, daher stammen die ursprünglichen Verbindungen aus der Auswahl einer Krankheit und einer Konfidenzgrenze. In diesem Beispiel wird SuperNatural 3.0 verwendet.
SuperNatural 3.0 wird verwendet, um Moleküle durch Krankheitselektion zu gewinnen. Eine Möglichkeit zur Abfrage ist über menschliche Wege. Hier wird Brustkrebs ausgewählt.
Die KEGG-ID für diesen Weg finden Sie hier. Dann geben wir die KEGG-ID in den SuperNatural 3.0 Pfad ein. Alternativ können wir auf Krankheit klicken, Brustkrebs auswählen und die vollständige Ergebnisdatei speichern.
Bei häufig gestellten Fragen kann die gesamte Datenbankbibliothek heruntergeladen werden. Fahren Sie fort. Entpacken Sie die gezippten Dateien, holen Sie die CSV ab und entfernen Sie die ZIP-Datei. Öffne R Studio oder eine IDE deiner Wahl.
Nach dem Import der Daten in R Studio liegen die ersten vollständigen Ergebnisse bei 73.046 Molekülen. Nach Anwendung von Konfidenzgrenzen sind 1.193 Moleküle vorhanden. Cluster-Sampling.
Nach Anwendung von Lipinskis Fünferregel mit dem RDkit. Im chemischen Paket bleiben uns 999 Moleküle. Hier ist offensichtlich, dass wir 999 Moleküle haben.
Als Nächstes wenden wir K-Means-Clustering an, um 50 repräsentative Moleküle abzuleiten. Das Clustering basiert auf der Tanimoto-Ähnlichkeit. Berechnung der Protein-Liganden-Andockung und der Bindungsaffinität.
Ziel dieser Methode ist es, PLK1 an jeden Liganden für die Bindungsaffinität anzudocken. Fahren Sie fort, um CB-Dock2 zu öffnen. Gehen Sie zum Dock-Tab.
Hier laden wir das 4hco hoch. PDB als Zielprotein für das Andocken. Lade einen Liganden hoch.
Hier beginnen wir mit Ligand eins. Alternativ kannst du diesen SMILES-String eingeben oder einfügen. Geben Sie Ihre E-Mail ein, um die Datenerfassung zu erleichtern.
Danach klicke auf Auto Blind Docking. Die Ergebnisse werden per E-Mail geschickt. Speichere die Zip-Datei mit den Andockergebnissen.
Nach dem Speichern wird die Zip-Datei extrahiert, und darin befinden sich verschiedene Dateien. Entfernen Sie alle Dateien, mit Ausnahme des Komplexes. PDB-Dateien.
Es sollte einen Standard-Fünf-Komplex geben. PDB-Dateien. Bereinige das Verzeichnis, indem du die unentpackten Zip-Dateien entfernst.
Nach Abschluss des Protein-Liganden-Andockens mit CB-Dock2, das die Posen nach Vina-Werten bewertete, besteht der nächste Schritt in der Berechnung der Bindungsaffinität mit PRODIGY. Die Bindungsaffinität mit PRODIGY gewährleistet eine wettbewerbsfähige Bewertung der Proteinselektivität. Es ist günstig, dass Liganden selektiv auf PLK1 und nicht auf die strukturellen Homologe sind.
Gehen Sie zum PRODIGY-Webserver. Wählen Sie den Reiter PRODIGY-LIGAND. Beziehen Sie sich auf einen Komplex.
Die PDB-Datei zur Bestimmung der Protein- und Ligandenketten-Identifikatoren. Der Komplex. Die PDB-Datei wird mit einem Texteditor geöffnet.
Die Kettenkennung für das Protein ist P.That wird in den Webserver eingefügt. Die Ligandenkette beginnt typischerweise bei HETATM. Such danach.
Die Kettenkennung für den Liganden ist A:UNL. Das wird im Webserver eingefügt. Die fünf für jede Protein-Ligandenkombination bereitgestellten Komplexe werden gleichzeitig hochgeladen.
Für diese Aufgabe wird in R ein entwickeltes Dateiverwaltungsskript verwendet. Das Skript zippt die PDB-Datei für alle Docking-Kombinationen. Nach dem Zippen werden die Dateien manuell in PRODIGY hochgeladen.
Reichen Sie PRODIGY-Ligand ein. Es gibt eine Liste von Bindungsaffinitäten für jede fünf Posen in der hochgeladenen Kombination. Delta-Gnoelec ist der Bindungsaffinitätswert, ohne elektrostatische Berechnungen.
Speichern Sie die Ergebnisse, die verschlossen sind. Beim Öffnen der Zip-Datei befindet sich ein Ausgabeordner mit den Affinitätswerten. ADMET-S-Bewertung.
Die ADMET-Bewertung ohne Stabilität umfasst drei verschiedene Werkzeuge. ADMET bewertet die Medikamentenfähigkeit und Bioverfügbarkeit anhand von über 120 Eigenschaften. ORCA wendet die Dichtefunktionaltheorie, DFT, an, um die Eigenschaften von Wirkstoffen zu analysieren.
Machen wir weiter. Erstelle ein Verzeichnis für Stabilität. Holen Sie die SMILES-Kette eines kleinen Moleküls ab.
Öffnen Sie Avogadro oder einen Molekül-Editor Ihrer Wahl. Verwenden Sie den SMILES-Faden, um Ihr kleines Molekül zu bauen. Bewahren Sie das Molekül nach dem Bau auf.
Stellen Sie sicher, dass es in einem Stabilitätsunterverzeichnis liegt. Weiter mit der Optimierung der Geometrie. Als Nächstes wird eine ORCA-Eingabedatei generiert.
Kopieren und fügen Sie das gewünschte Theorieniveau ein, wie es in der vierten Zeile des Beispieldokuments zu sehen ist. Ersetze das Standardniveau der Theorie. Erstellen Sie die Datei.
Speichere in diesem Stabilitätsordner. Füge die SH- oder Bash-Job-Datei hinzu. Passe die Parameter der Jobdatei an.
Zum Beispiel kann die zu benachrichtigte E-Mail individuell angepasst werden. Repräsentative Ergebnisse. Zuerst haben wir PCA für die Mehrdimensionalitätsreduktion.
Diese Abbildung zeigt verschiedene nummerierte Cluster, gruppiert in grauen Ellipsen. Als Nächstes die Ergebnisse von Probenligand 1 und PLK1-PBD. Oben links ist eine Darstellung von Ligand 1 in Grün, mit unerwünschten Rückständen, Rot und Orange.
Rechts befindet sich ein repräsentatives Modell nach Reinigung und Vorbereitung mit CHARMM-GUI. Unten ist der angedockte Komplex mit PLK1, PBD und Ligand 1 zu sehen. Zusätzlich zeigt CB-Dock2 die fünf besten Andockhöhlungen und deren Affinitäten in Form von Vina-Werten.
Vorhergesagte Bindungsaffinitäten von PRODIGY können mit Heatmaps visualisiert werden. Die Heatmap zeigt die Rollen der Homologe PLK1, 2 und 3. Rot steht für schwache, unerwünschte Affinität, Grün das Gegenteil.
Die ADMET-S-Bewertung kann mit verschiedenen Abbildungen dargestellt werden. Zuerst das gekochte Ei. Die Heatmap identifiziert den Inhibitor- und Nicht-Substratstatus mit grünen und roten Liganden anhand verschiedener metabolischer Indikatoren.
Zur Klarierung ein Liniendiagramm, das ideale Zeitschwellenwerte für die Verteilung des Medikaments vor der Expression darstellt. Verschiedene Kennzahlen können ebenfalls zu einer nützlichen Radarkarte zusammengefasst werden. Die Anzahl der Toxophore in jedem Liganden kann mit einem Säulendiagramm dargestellt werden.
Toxtree liefert sowohl eine Klassifikation der Arzneimitteltoxizität als auch eine qualitative Argumentation basierend auf Cramers Entscheidungsbaum der Regel. Stabilität oder molekulare Reaktivität kann mit einem Liniendiagramm mit angemessenen HOMO-LUMO-Gap-Schwellenwerten dargestellt werden. Fazit. Zusammenfassend verwendet dieses Protokoll eine Vielzahl von virtuellen Drogenscreening-, Bindungsaffinitäts- und ADMET-S-Tools auf Highschool- oder Bachelor-Niveau.
Die aus diesem Protokoll gewonnenen Ergebnisse haben das Potenzial, die Erträge günstiger Arzneimittelforschung zu steigern.
Übersicht
Dieses Protokoll demonstriert einen zweisprachigen Berechnungsablauf zur Identifizierung potenzieller PLK1-Inhibitoren. Es betont die Bedeutung der Bewertung von Protein-Ligand-Interaktionen und ADMET-S-Eigenschaften in der Wirkstoffforschung.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Chemie
- Computational Biology
- Pharmakologie
Hintergrund
- PLK1 ist in verschiedenen Krebsarten überexprimiert.
- Die Hemmung von PLK1 kann Apoptose induzieren.
- Die Studie zielt darauf ab, selektive PLK1-PBD-Inhibitoren zu identifizieren.
- Natürliche Produktdatenbanken werden für das Screening potenzieller Inhibitoren genutzt.
Zweck der Studie
- Einen Workflow zur Identifizierung von PLK1-Inhibitoren zu entwickeln.
- Die medizinischen und pharmakokinetischen Eigenschaften der Kandidaten zu bewerten.
- Computationale Werkzeuge für die Wirkstoffforschung zu nutzen.
Verwendete Methoden
- Proteinvorbereitung mit CHARMM-GUI.
- Screening der natürlichen Produktdatenbank mit SuperNatural 3.0.
- Protein-Ligand-Docking und Berechnungen der Bindungsaffinität.
- ADMET-S-Bewertung für Druggability und Bioverfügbarkeit.
Hauptergebnisse
- Identifizierung von 999 Kandidatenmolekülen nach dem Screening.
- Bindungsaffinitäten, berechnet mit PRODIGY.
- ADMET-S-Bewertung liefert Einblicke in die Arzneimitteleigenschaften.
- Visualisierung der Ergebnisse durch verschiedene grafische Darstellungen.
Schlussfolgerungen
- Das Protokoll bietet einen umfassenden Ansatz für virtuelles Wirkstoffscreening.
- Es hat potenzielle Anwendungen zur Verbesserung der Wirkstoffforschung.
- Der Workflow eignet sich für Bildungszwecke auf High-School- oder Bachelor-Ebene.
Häufig gestellte Fragen
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
