Pharmakophormodellierung für Targets mit umfangreichen Ligandenbibliotheken: Eine Fallstudie zu SARS-CoV-2 Mpro
26. September 2025
In diesem Artikel wird ein Protokoll zur Konstruktion eines Konsensus-Pharmakophor-Modells vorgestellt, indem molekulare Merkmale aus mehreren Liganden integriert werden. Diese Methode ist anwendbar für die Wirkstoffforschung, die auf jedes biologische Ziel mit bekannten ligandengebundenen Konformationen abzielt, und ermöglicht die Identifizierung wichtiger Interaktionsmerkmale für das virtuelle Screening und das rationale Wirkstoffdesign.
Unsere Forschung befasst sich mit der Pharmakophormodellierung mit großen Ligandenbibliotheken. In dieser Studie konzentrieren wir uns auf SARS-CoV-2 Mpro, um strukturelle Muster zu identifizieren, die die Wirkstoffforschung leiten. Jüngste Fortschritte in der Pharmakophormodellierung verwenden größere und vielfältigere Datensätze, die die Genauigkeit bei der Identifizierung wichtiger molekularer Feeder für die Wirkstoffforschung verbessern.
Molekulardynamische Simulationen und maschinelles Lernen werden derzeit eingesetzt, um die Pharmakophormodellierung voranzutreiben und die Ergebnisse der Wirkstoffforschung zu verbessern. Eine zentrale Herausforderung besteht darin, große und vielfältige Ligandendatensätze zu verwalten und gleichzeitig die zukünftige Extraktionsgenauigkeit zu verbessern und die Rechenkosten zu senken. Wir haben gezeigt, dass teure Ligandenbibliotheken die zukünftige Genauigkeit von Pharmakophoren verbessern und zuverlässigere Vorhersagen und eine bessere Identifizierung potenzieller Wirkstoffkandidaten ermöglichen.
Starten Sie zunächst die PyMOL-Software. Richten Sie alle Proteinligandenkomplexe in der Software aus. Extrahieren Sie für jeden ausgerichteten Komplex den Ligandenkonformer und speichern Sie ihn als separate Datei im SDF-Format.
Laden Sie jede Ligandendatei einzeln hoch, um sie mit der Option Features laden zu farmen. Verwenden Sie nach dem Laden die Option Sitzung speichern, um die Pharmakophordatei im JSON-Format herunterzuladen. Speichern Sie alle heruntergeladenen Pharmakophor-JSON-Dateien zusammen in einem einzigen Ordner für die spätere Verwendung in der Google Colab-Umgebung.
Starten Sie Google Colab in einem Webbrowser und erstellen Sie ein neues Notizbuch. Installieren Sie Conda und PyMOL, und führen Sie dann die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder die Umschalttaste und die Eingabetaste drücken, um die erfolgreiche Ausführung zu überprüfen. Über der Zelle wird ein grüner Balken angezeigt, wenn sie korrekt ausgefüllt wurde.
Installieren Sie nun das CANFAR Python-Paket und importieren Sie die erforderlichen Module. Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken, um die erfolgreiche Installation zu bestätigen. Nach erfolgreicher Ausführung wird eine Bestätigungsmeldung angezeigt.
Erstellen Sie als Nächstes einen neuen Ordner zum Speichern von Pharmakophor-JSON-Dateien. Öffnen Sie den Ordner, klicken Sie mit der rechten Maustaste darauf, und wählen Sie Hochladen aus, um die JSON-Dateien hochzuladen. Um Pharmakophor-Merkmale zu analysieren und zu konsolidieren, extrahieren Sie die Merkmale aus allen hochgeladenen Dateien.
Klicken Sie auf das Wiedergabesymbol, um die Zelle auszuführen und einen konsolidierten Datenrahmen zu generieren, der die Merkmale jedes einzelnen Liganden enthält. Zeigen Sie alle Pharmakophor-Deskriptoren an, und führen Sie dann die Zelle aus, um Cluster-Muster anzuzeigen. Speichern Sie nun das Pharmakophormodell im PyMOL-Format.
Führen Sie die Zelle aus, um eine PSE-Datei zu generieren, und speichern Sie dann das Modell als JSON-Datei, indem Sie die entsprechende Codezelle ausführen. Generieren Sie Featurecluster-Ausgaben und Dendogramme mithilfe des bereitgestellten Codes. Klicken Sie auf Play und exportieren Sie die Konsensus-Pharmakophor-Daten in eine CSV-Datei, indem Sie den Exportbefehl ausführen.
Verwenden Sie das generierte Konsensus-Pharmakophor-Modell für das virtuelle Screening. 100 Hauptprotease- oder Mpro-Komplexe, die mit verschiedenen nicht-kovalenten Inhibitoren kokristallisiert waren, wurden ausgerichtet, um die Ligandendiversität innerhalb der Bindungstasche sichtbar zu machen. Jeder Ligand wurde einzeln aus den ausgerichteten Komplexen extrahiert, um separate Dateien für das virtuelle Screening zu generieren.
Die extrahierten Liganden wurden auf den Pharmit-Server hochgeladen und zur Generierung strukturierter JSON-Dateien für die Pharmakophormodellierung verwendet. Die JSON-Dateien ergaben 1.450 Pharmakophormerkmale, die in 110 Cluster gruppiert waren, darunter 23 aromatische, 30 Wasserstoffbrückenakzeptoren, 16 Wasserstoffbrückendonatoren, 36 hydrophobe und fünf Anionencluster. Um das Konsensmodell zu erstellen, wurden nur die am dichtesten besiedelten Cluster beibehalten, während Anionencluster aufgrund unzureichender Mitglieder ausgeschlossen wurden.
Das endgültige Konsensus-Pharmakophor-Modell bestand aus 11 Merkmalen, darunter drei aromatische, für Wasserstoffbrückenakzeptatoren, zwei Wasserstoffbrückendonatoren und zwei hydrophobe Merkmale. Nach dem Entfernen des am wenigsten repräsentativen aromatischen Merkmals, etwa eins, wurden zwei Kandidatenverbindungen identifiziert. Die zweidimensionale chemische Struktur der Verbindung 101 267 741 wurde visualisiert, um ihre Kompatibilität mit dem Pharmakophormodell zu bestätigen.
Die Verbindung 101 267 741 passte tief in die Mpro-Bindungstasche und besetzte die S1- und S2-Subtaschen effektiver als der Referenzligand 38a, der sich in Richtung der S1-Tasche ausbreitete. Die Verbindung 101 267 741 bildete 11 intermolekulare Wechselwirkungen, sieben Wasserstoffbrückenbindungen und vier hydrophobe Kontakte.
Übersicht
Dieser Artikel stellt ein Protokoll zur Erstellung eines konsensbasierten Pharmakophormodells durch die Integration molekularer Merkmale mehrerer Liganden vor, wobei der Fokus speziell auf dem SARS-CoV-2 Mpro liegt. Diese Methode verbessert die Arzneimittelforschung, indem sie Schlüsselinteraktionsmerkmale für das virtuelle Screening und das rationale Arzneimitteldesign identifiziert.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Pharmakophormodellierung
- Wirkstoffentdeckung
- Strukturbiologie
Hintergrund
- Die Pharmakophormodellierung nutzt große Ligandenbibliotheken, um strukturelle Muster zu identifizieren.
- Fortschritte bei der Modellierung verbessern die Genauigkeit bei der Identifizierung wesentlicher molekularer Merkmale.
- Zu den Herausforderungen zählen die Verwaltung vielfältiger Datensätze und die Reduzierung der Rechenkosten.
- Neuere Studien zeigen, dass größere Ligandenbibliotheken die Zuverlässigkeit der Vorhersagen erhöhen.
Zweck der Studie
- Entwicklung eines konsensuellen Pharmakophormodells für SARS-CoV-2 Mpro.
- Verbesserung der Ergebnisse in der Wirkstoffforschung durch verbesserte Modellierungstechniken.
- Optimierung der Extraktion und Analyse von Pharmakophoreigenschaften.
Verwendete Methoden
- Verwendung von PyMOL zur Ausrichtung von Protein-Ligand-Komplexen.
- Extraktion der Ligand-Konformere und Speicherung im SDF-Format.
- Hochladen der Ligand-Dateien zur Erstellung von Pharmacophore-JSON-Dateien.
- Einsatz von Google Colab für die Datenverarbeitung und Merkmalsextraktion.
Hauptergebnisse
- Generierte 1.450 pharmakophore Merkmale, die in 110 Cluster gruppiert wurden.
- Das endgültige Konsensmodell bestand aus 11 Merkmalen, darunter aromatische Wechselwirkungen und Wasserstoffbrückenbindungen.
- Identifizierte Verbindung 101267741 als potenziellen Wirkstoffkandidaten.
- Visualisierte Wechselwirkungen der Verbindung innerhalb der Mpro-Bindungstasche.
Schlussfolgerungen
- Das konsensbasierte Pharmakophormodell leitet effektiv die virtuelle Screening-Analyse.
- Verbesserte Genauigkeit beim Pharmakophor-Modellieren erhöht die Identifizierung von Wirkstoffkandidaten.
- Zukünftige Studien könnten sich auf die Verbesserung von Extraktionsmethoden und die Effizienz der Berechnungen konzentrieren.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Die konsensbasierte Pharmakophormodellierung unter Verwendung umfangreicher Ligandenbibliotheken ermöglicht eine höhere Vorhersagesicherheit in der frühen Arzneimittelentwicklung, insbesondere für Zielstrukturen wie das SARS-CoV-2 Mpro. Die Integration unterschiedlicher ligandenbindender Konformationen verringert die Modellverzerrung und unterstützt ein robustes virtuelles Screening, was die Identifizierung von Leitstrukturen und die Portfolio-Priorisierung direkt beeinflusst. Dieser Ansatz beschleunigt die rationale Auswahl von Kandidaten für Zielstrukturen mit umfangreichen Strukturdaten und verbessert so die Effizienz der unternehmensweiten Forschung und Entwicklung.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Ermöglicht die Überprüfung therapeutischer Hypothesen, indem konservierte Interaktionsmerkmale über verschiedene Liganden hinweg erfasst werden.
- Unterstützt die funktionelle Zielvalidierung durch Identifizierung zentraler molekularer Bindungsbestimmungsfaktoren im katalytischen Bereich.
- Erhöht die Vorhersagesicherheit für die Portfolioauswahl, indem Modellverzerrungen durch Integration konsensbasierter Merkmale verringert werden.
Screening und Assay-Entwicklung
- Erstellt validierte Pharmakophormodelle für das skalierbare virtuelle Screening von ultragroßen Verbindungsbibliotheken.
- Unterstützt die Assay-Standardisierung durch Definition quantitativer Interaktionsmerkmale für die nachgeschaltete Bewertung.
- Ermöglicht reproduzierbare und plattformunabhängige Screening-Workflows durch Open-Source-Informatikwerkzeuge.
Translationale und präklinische Forschung
- Stellt die Kandidatenauswahl auf krankheitsrelevante Bindungsstellenmerkmale ab und unterstützt so die translationale Kontinuität.
- Ermöglicht eine mechanistische Entschärfung von Risiken, indem Liganden-Wechselwirkungen den strukturellen Subtaschen des Targets zugeordnet werden.
- Unterstützt risikoadjustierte Entscheidungen für die Weiterentwicklung, indem Verbindungen mit optimaler Pharmakophor-Passform priorisiert werden.
Pipeline- und Workflow-Integration
Dieses konsensbasierte Pharmakophor-Modellierungsprotokoll eignet sich von der frühen Entdeckung bis hin zur Leitsubstanzidentifizierung und nutzt die Strukturbiologie und Bioinformatik, um virtuelle Screening-Verfahren und die Priorisierung von Kandidaten zu unterstützen.
- Entdeckungsbiochemie: Integriert ligandengebundene Konformationen, um Bindungswege aufzuklären und das Target-Engagement-Risiko zu verringern.
- Screening: Erstellt quantitative, reproduzierbare Pharmakophormodelle für das Hochdurchsatz-Virtual-Screening.
- Analytik: Stellt kumulierte Merkmalsausgaben und statistische Deskriptoren bereit, um Ligandenwechselwirkungen zu vergleichen.
- Translationale Forschung: Stellt sicher, dass Kandidaten mit krankheitsrelevanten Targeteigenschaften für die präklinische Weiterentwicklung übereinstimmen.
- Unternehmensweite Wiederverwendung: Bietet einen skalierbaren, quelloffenen Workflow, der an jedes Target mit ausreichenden Ligandendaten angepasst werden kann.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit und verringert die mechanistische Mehrdeutigkeit bei Target-Ligand-Wechselwirkungen.
- Operationaler Wert: Standardisiert die Pharmakophormodellierung und ermöglicht reproduzierbare, skalierbare Screening-Verfahren.
- Strategischer Wert: Unterstützt fundierte Go/No-Go-Entscheidungen und eine kapitaleffiziente Priorisierung von Leitstrukturen.
- Portfolio-Wirkung: Erleichtert die risikoadjustierte Weiterentwicklung und die Wiederverwendung von Modellen über Projekte hinweg.
Durchführungsüberlegungen
- Erfordert Fachkenntnisse in Strukturbiologie, Chemoinformatik und Pharmakophormodellierung.
- Hängt ab von der Verfügbarkeit molekularer Visualisierungswerkzeuge (z. B. PyMOL) und rechnerischer Infrastruktur (z. B. Google Colab).
- Setzt standardisierte Protokolle für die Ligandenpräparation und Merkmalsextraktion über verschiedene Arbeitsgruppen hinweg voraus.
- Kann auf verschiedene Zielstrukturen mit verfügbaren ligandengebundenen Strukturen angewendet werden, ist jedoch durch Qualität und Vielfalt der Datensätze begrenzt.
- Rechenaufwand und Schwellenwerte für die Merkmalsgruppierung müssen bei sehr großen Ligandenbibliotheken berücksichtigt werden.
