Name: Pharmakophormodellierung für Targets mit umfangreichen Ligandenbibliotheken: Eine Fallstudie zu SARS-CoV-2 Mpro (Video) | JoVE Journal
Uploaded: 2025-09-26T14:30:00.000+00:00
Duration: 5 min 50 s
Description: Erfahren Sie die Erstellung eines Konsensus-Pharmakophormodells für SARS-CoV-2 Mpro mit PyMOL und Google Colab. Diese Methode optimiert virtuelles Screening und die Identifizierung vielversprechender Wirkstoffkandidaten.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. Methode 1
<ol>
	<li>Bereiten Sie Liganden für die Konsensus-Pharmakophor-Generierung vor<ol>
		<li>Richten Sie alle Protein-Liganden-Komplexe mit der PyMOL-Software11 aus.</li>
		<li>Extrahieren Sie jeden ausgerichteten Ligandenkonformer und speichern Sie ihn als separate Datei im SDF-Format. HINWEIS: Andere Formate wie MOL, MOL2 und PDB können auch für das hier beschriebene Protokoll verwendet werden.</li>
	</ol>
	</li>
	<li>Generieren von Pharmakophor-JSON-Dateien mit Pharmit12
	<ol>
		<li>Laden Sie jede Ligandendatei einzeln auf Pharmit hoch, indem Sie die Option "Features laden" verwenden (siehe Materialtabelle für einen Link zu Pharmit).</li>
		<li>Verwenden Sie die Option Save Session , um die entsprechende Pharmakophor-JSON-Datei herunterzuladen.</li>
	</ol>
	</li>
	<li>Organisieren Sie die JSON-Dateien für die Verwendung in ConPhar<ol>
		<li>Speichern Sie alle heruntergeladenen JSON-Dateien in einem einzigen Ordner. Diese Dateien werden in der nächsten Methode in die Google Colab-Umgebung hochgeladen.</li>
	</ol>
	</li>
</ol>
2. Methode 2
<ol>
	<li>Einrichten der Google Colab-Umgebung<ol>
		<li>Starten Sie ein neues Google Colab-Notebook: Öffnen Sie Google Colab im Webbrowser, erstellen Sie ein neues Notebook und passen Sie die Einstellungen an, um eine frühere Version zu verwenden, indem Sie Runtime → Change runtime → 2025.07 Runtime Version auswählen.</li>
		<li>Installieren Sie Conda und PyMOL. Der Code, der für die Installation von Conda und PyMOL in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		# CondaColab installieren: Aktiviert die Unterstützung der Conda-Umgebung in Google Colab 
		von IPython.utils importieren io 
		Importieren Sie tqdm.notebook 
		Importieren von Betriebssystemen 
		Gesamt = 100 mit tqdm.notebook.tqdm(total=total) als pbar: mit io.capture_output() wie erfasst: # CondaColab installieren !pip install -q condacolab Condacolab importieren condacolab.install() pbar.update(10) # Aktualisieren Sie den Python-Pfad, um installierte Pakete zu finden 
		SYS importieren sys.path.append('/usr/local/lib/python3.7/site-packages/') pbar.update(20) # Installieren Sie das PyMOL-Bundle mit Mamba aus dem Schrödinger-Kanal %shell mamba install -c schrödinger, pymol-bundle --yes pbar.update(90)</li>
		<li>Überprüfen der erfolgreichen Ausführung: Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder Umschalt + Eingabetaste drücken. Nach erfolgreicher Ausführung erscheint ein horizontaler grüner Balken über der Zelle (siehe Abbildung 1).</li>
	</ol>
	</li>
	<li>Installieren Sie das ConPhar Python-Paket und importieren Sie die erforderlichen Module<ol>
		<li>Installieren und importieren Sie ConPhar. Der Code, der für die Installation des ConPhar-Pakets und den Import der erforderlichen Module in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		# Installieren Sie das ConPhar Pharmakophor-Analysepaket Pymol importieren !pip install conphar von Conphar. Pharmakophore importieren parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore Importieren von Betriebssystemen Pandas als PD importieren HINWEIS: Die import-Anweisung von conphar. Pharmakophore sind aus Gründen der Übersichtlichkeit in mehrere Zeilen unterteilt, sollten jedoch als eine einzige durchgehende Linie eingegeben werden. Das ConPhar-Tool (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) befindet sich in aktiver Entwicklung. Das aktuelle Protokoll verwendet eine stabile Version (0.1.2), die für die beschriebene Vorgehensweise validiert wurde. Benutzer werden aufgefordert, diese Version zu verwenden, um die Reproduzierbarkeit zu gewährleisten.</li>
		<li>Erfolgreiche Installation bestätigen: Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder Umschalt + Eingabetaste drücken. Nach erfolgreicher Installation und Import von ConPhar-Tools erscheint eine Bestätigungsmeldung (siehe Abbildung 2).</li>
	</ol>
	</li>
	<li>Laden einzelner Pharmakophormodelle aus JSON-Dateien<ol>
		<li>Erstellen Sie einen Ordner für Pharmakophor-JSON-Dateien. Der Code, der zum Erstellen eines Ordners zum Speichern der Pharmakophor-Eingabedateien in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		# Erstellen Sie einen Ordner zum Speichern von JSON-Eingabedateien. 
		os.makedirs("JSON_FOLDER", exist_ok=Wahr) HINWEIS: Mit diesem Befehl wird der Ordner automatisch erstellt, wenn er noch nicht vorhanden ist.</li>
		<li>JSON-Dateien in den Ordner hochladen: Klicken Sie auf das Ordnersymbol im linken Bereich von Colab, öffnen Sie den neu erstellten Ordner und klicken Sie mit der rechten Maustaste, um Hochladen auszuwählen. Fügen Sie die erforderlichen JSON-Dateien hinzu (siehe Abbildung 3). HINWEIS: Stellen Sie sicher, dass die Dateien dem erwarteten Format entsprechen, das von Pharmit generiert wurde.</li>
	</ol>
	</li>
	<li>Analyse und Konsolidierung pharmakophorer Merkmale<ol>
		<li>Extrahieren Sie pharmakophore Merkmale aus hochgeladenen Dateien. Der Code, der zum Parsen der hochgeladenen JSON-Dateien, zum Extrahieren pharmakophorer Merkmale und zum Speichern in einem einzigen DataFrame in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		p4_table=pd. DataFrame() für Datei in os.listdir('/content/JSON_FOLDER'): Wenn '.json' in der Datei: versuchen: p4,lig,rec=parse_json_pharmacophore(f"/Inhalt/JSON_FOLDER/{Datei}") p4['ligand']=file.replace('.json','') p4_table=pd.concat([p4_table,p4],ignore_index=Wahr) außer Ausnahme: bestehen p4_table</li>
		<li>Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder Umschalt + Eingabetaste drücken, um den konsolidierten DataFrame zu generieren (siehe Abbildung 4). Der resultierende konsolidierte DataFrame fasst alle pharmakophoren Merkmale, die aus einzelnen Liganden extrahiert wurden, in einer einheitlichen Tabelle zusammen und erleichtert so das nachgelagerte Clustering und die statistische Analyse. HINWEIS: Das Skript enthält eine grundlegende Ausnahmebehandlung, um fehlerhafte JSON-Dateien während der Verarbeitung zu umgehen und eine Unterbrechung des Workflows zu verhindern. Angesichts der großen Anzahl von Dateien ist es unpraktisch, jede Datei vorher zu überprüfen. Stattdessen kann das Skript so geändert werden, dass der Name jeder Datei ausgegeben wird, die nicht geladen werden kann, sodass der Benutzer sie einzeln überprüfen und korrigieren kann.</li>
	</ol>
	</li>
	<li>Generieren und Speichern des Konsensus-Pharmakophors<ol>
		<li>Zeigen Sie alle pharmakophoren Deskriptoren an. Der Code, der erforderlich ist, um die pharmakophoren Deskriptoren zu visualisieren, die aus den Eingabedateien in Google Colab extrahiert wurden, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		show_pharmacophoric_descriptors(p4_table)</li>
		<li>Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder Umschalt + Eingabetaste drücken, um die Clusterbildung pharmakophorer Merkmale zu visualisieren (siehe Abbildung 5). Feature-Clustered Outputs gruppieren ähnliche pharmakophore Merkmale über mehrere Liganden hinweg basierend auf ihren räumlichen Positionen, was die Identifizierung konservierter Interaktionsmuster ermöglicht.</li>
		<li>Speichern Sie das Pharmakophormodell im PyMOL-Format. Der Code, der zum Generieren und Speichern des Konsensus-Pharmakophor-Modells in einem PyMOL-kompatiblen Format in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')</li>
		<li>Führen Sie die Zelle aus, um die entsprechende PSE-Datei zu erstellen (siehe Abbildung 6).</li>
		<li>Speichern Sie das Pharmakophormodell im JSON-Format. Der Code, der zum Generieren und Speichern des Konsensus-Pharmakophor-Modells in einem Pharmit-kompatiblen Format in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. ​save_pharmacophore_to_json(p4_table,out_file= 'ConPhar_pharmit.json')</li>
		<li>Führen Sie die Zelle aus, um die entsprechende .json Datei zu erzeugen (siehe Abbildung 6).</li>
		<li>Generieren Sie Feature-Clustered-Ausgaben und Dendrogramme. Der Code, der zum Generieren von Konsensus-Pharmakophor-Dateien erforderlich ist, die nach Merkmalstyp gruppiert sind, einschließlich PyMOL- und Pharmit-kompatiblen Formaten, und Dendrogramm-Visualisierungen in Google Colab wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. Konsens,Links=compute_concensus_pharmacophore (p4_table,save_data_per_descriptor=Wahr,out_folder='/Inhalt')</li>
		<li>Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder Umschalt + Eingabetaste drücken (siehe Abbildung 7). Die Ergebnisse zeigen Dendrogramm-Visualisierungen, die in Form eines Baums die hierarchischen Beziehungen zwischen geclusterten pharmakophoren Merkmalen darstellen und den Benutzern helfen, den Grad der Ähnlichkeit und räumlichen Nähe zwischen Clustern zu interpretieren. HINWEIS: In diesem Schritt werden mehrere Ausgabedateien und Abbildungen im angegebenen Ordner gespeichert.</li>
		<li>Exportieren Sie die Konsensus-Pharmakophor-Ergebnisse in eine CSV-Datei. Der Code, der zum Speichern der endgültigen Konsensus-Pharmakophor-Tabelle im CSV-Format in Google Colab erforderlich ist, wird hier in kursiver Form als Referenz bereitgestellt, und das vollständige ausführbare Skript ist auch in der unterstützenden Datei 1 verfügbar. 
		concensus.to_csv('consensus_result.csv', Index=Falsch)</li>
		<li>Führen Sie die Zelle aus, indem Sie auf das Wiedergabesymbol klicken oder Umschalt + Eingabetaste drücken, um die Konsensus-Pharmakophordaten zur weiteren Analyse in eine CSV-Datei mit dem Namen consensus_result.csv zu exportieren (siehe Abbildung 8). HINWEIS: Die CSV-Datei erleichtert nachgelagerte Anwendungen wie statistische Analysen oder Visualisierungen in Tabellenkalkulationssoftware.</li>
	</ol>
	</li>
	<li>Verwenden Sie das Konsensus-Pharmakophor für das virtuelle Screening<ol>
		<li>Exportieren Sie das Konsensus-Pharmakophor im JSON-Format. Stellen Sie sicher, dass die Datei Raumkoordinaten für alle Features enthält. Dieses Format ist direkt mit webbasierten Screening-Tools wie Pharmit12 kompatibel. Um ein virtuelles Screening durchzuführen, laden Sie die JSON-Datei des Pharmakophors über die Option Features laden auf den Pharmit-Server hoch. Der Server ermöglicht die Verfeinerung des Modells durch Ändern, Hinzufügen oder Entfernen von Funktionen sowie das Screening mit großen Verbindungsbibliotheken, wie z. B. PubChem13oder ZINC14. HINWEIS: Alle Skripte, die zur Reproduktion der in dieser Studie beschriebenen Analysen erforderlich sind, sind in der unterstützenden Datei 1 enthalten und können auch interaktiv über https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing aufgerufen werden. Die Leser werden aufgefordert, eine persönliche Kopie des Colab-Notizbuchs zu erstellen, um die Analysen auszuführen und zu ändern, ohne das ursprüngliche Skript zu ändern.</li>
	</ol>
	</li>
</ol>
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68933/68933fig1.jpg"> 
Abbildung 1: Screenshot des ersten Codeblocks, der zum Einrichten der Google Colab-Umgebung durch die Installation von CondaColab verwendet wurde. Während der Ausführung wird ein horizontaler blauer Fortschrittsbalken über der Zelle angezeigt, der nach erfolgreichem Abschluss grün wird. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68933/68933fig2.jpg"> 
Abbildung 2: Screenshot des zweiten Codeblocks, der zur Installation des ConPhar-Pakets in Google Colab verwendet wird. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig2large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68933/68933fig3.jpg"> 
Abbildung 3: Screenshot der Pharmakophor-JSON-Dateien, die erfolgreich in den dafür vorgesehenen Ordner in Google Colab hochgeladen wurden. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig3large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68933/68933fig4.jpg"> 
Abbildung 4: Screenshot des Codes, der verwendet wird, um pharmakophore Merkmale aus den JSON-Dateien zu extrahieren und sie in einem einzigen DataFrame zu konsolidieren. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig4large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68933/68933fig5.jpg"> 
Abbildung 5: Visualisierung des Clusterings von pharmakophoren Merkmalen, die während der Erstellung des Konsensus-Pharmakophor-Modells generiert wurden. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig5large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68933/68933fig6.jpg"> 
Abbildung 6: Screenshot der erfolgreichen Generierung der Konsensus-Pharmakophor-Dateien in PyMOL- und Pharmit-kompatiblen Formaten. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig6large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68933/68933fig7.jpg"> 
Abbildung 7: Screenshot der Generierung von Konsensus-Pharmakophordateien, geclustert nach Merkmalstyp, einschließlich Ausgaben für PyMOL-, Pharmit- und Dendrogramm-Visualisierungen. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig7large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68933/68933fig8.jpg"> 
Abbildung 8: Screenshot des erfolgreichen Exports der Konsensus-Pharmakophor-Daten in die consensus_result.csv-Datei. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig8large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

<ol><li>Leach, A. R., Gillet, V. J., Lewis, R. A., Taylor, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Three-dimensional+pharmacophore+methods+in+drug+discovery%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Three-dimensional pharmacophore methods in drug discovery.</a> J Med Chem. 53 (2), 539-558 (2010).</li>
<li>Giordano, D., Biancaniello, C., Argenio, M. A., Facchiano, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug+design+by+pharmacophore+and+virtual+screening+approach%5BTitle%5D)+AND+%22Pharmaceuticals+%28Basel%29%22%5BJournal%5D)">Drug design by pharmacophore and virtual screening approach.</a> Pharmaceuticals (Basel). 15 (5), 646(2022).</li>
<li>Schaller, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Next+generation+3D+pharmacophore+modeling%5BTitle%5D)+AND+%22WIREs+Comput+Mol+Sci%22%5BJournal%5D)">Next generation 3D pharmacophore modeling.</a> WIREs Comput Mol Sci. 10 (4), e1468(2020).</li>
<li>Wolber, G., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((LigandScout%3A+3-D+pharmacophores+derived+from+protein-bound+ligands+and+their+use+as+virtual+screening+filters%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">LigandScout: 3-D pharmacophores derived from protein-bound ligands and their use as virtual screening filters.</a> J Chem Inf Model. 45 (1), 160-169 (2005).</li>
<li>Ekins, S., Mestres, J., Testa, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+silico+pharmacology+for+drug+discovery%3A+Methods+for+virtual+ligand+screening+and+profiling%5BTitle%5D)+AND+%22Br+J+Pharmacol%22%5BJournal%5D)">In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling.</a> Br J Pharmacol. 152 (1), 9-20 (2007).</li>
<li>Wolber, G., Dornhofer, A. A., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+overlay+of+small+organic+molecules+using+3D+pharmacophores%5BTitle%5D)+AND+%22J+Comput+Aided+Mol%22%5BJournal%5D)">Efficient overlay of small organic molecules using 3D pharmacophores.</a> J Comput Aided Mol. 20 (12), 773-788 (2006).</li>
<li>Schuster, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+pharmacophores+as+tools+for+activity+profiling%5BTitle%5D)+AND+%22Drug+Discov+Today+Technol%22%5BJournal%5D)">3D pharmacophores as tools for activity profiling.</a> Drug Discov Today Technol. 7 (4), e205-e211 (2010).</li>
<li>Qing, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling%3A+advances%2C+limitations%2C+and+current+utility+in+drug+discovery%5BTitle%5D)+AND+%22J+Recept+Ligand+Channel+Res%22%5BJournal%5D)">Pharmacophore modeling: advances, limitations, and current utility in drug discovery.</a> J Recept Ligand Channel Res. 7, 81-92 (2014).</li>
<li>Ullrich, S., Nitsche, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+SARS-CoV-2+main+protease+as+drug+target%5BTitle%5D)+AND+%22Bioorg+Med+Chem+Lett%22%5BJournal%5D)">The SARS-CoV-2 main protease as drug target.</a> Bioorg Med Chem Lett. 30 (17), 127377(2020).</li>
<li>Ruiz-Moreno, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Consensus+pharmacophore+strategy+for+identifying+novel+SARS-CoV-2+Mpro+inhibitors+from+large+chemical+libraries%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">Consensus pharmacophore strategy for identifying novel SARS-CoV-2 Mpro inhibitors from large chemical libraries.</a> J Chem Inf Model. 64 (6), 1984-1995 (2024).</li>
<li>Schrödinger, L., DeLano, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSchr%C3%B6dinger%2C+L+%22PyMOL%2C+2020%22">PyMOL, 2020</a>. , http://www.pymol.org/pymol (2020).</li>
<li>Sunseri, J., Koes, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmit%3A+Interactive+exploration+of+chemical+space%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Pharmit: Interactive exploration of chemical space.</a> Nucleic Acids Res. 44 (W1), W442-W448 (2016).</li>
<li>Kim, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PubChem+2025+update%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">PubChem 2025 update.</a> Nucleic Acids Res. 53 (D1), D1516-D1525 (2025).</li>
<li>Tingle, B. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ZINC-22%3A+A+free+multi-billion-scale+database+of+tangible+compounds+for+ligand+discovery%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">ZINC-22: A free multi-billion-scale database of tangible compounds for ligand discovery.</a> J Chem Inf Model. 63 (4), 1166-1176 (2023).</li>
<li>Hazemann, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accelerating+the+hit-to-lead+optimization+of+a+SARS-CoV-2+Mpro+inhibitor+series+by+combining+high-throughput+medicinal+chemistry+and+computational+simulations%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Accelerating the hit-to-lead optimization of a SARS-CoV-2 Mpro inhibitor series by combining high-throughput medicinal chemistry and computational simulations.</a> J Med Chem. 68 (8), 8269-8294 (2025).</li>
<li>Momin, Y., Beloshe, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling+in+drug+design%5BTitle%5D)+AND+%22Adv+Pharmacol%22%5BJournal%5D)">Pharmacophore modeling in drug design.</a> Adv Pharmacol. 103, 313-324 (2025).</li>
<li>Zdrazil, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ChEMBL+database+in+2023%3A+A+drug+discovery+platform+spanning+multiple+bioactivity+data+types+and+time+periods%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The ChEMBL database in 2023: A drug discovery platform spanning multiple bioactivity data types and time periods.</a> Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).</li>
<li>Zhou, L., Griffith, R., Gaeta, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+spatial+and+chemical+information+for+clustering+pharmacophores%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">Combining spatial and chemical information for clustering pharmacophores.</a> BMC Bioinformatics. 15 (Suppl 16), S5(2014).</li>
<li>Guner, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((History+and+evolution+of+the+pharmacophore+concept+in+computer-aided+drug+design%5BTitle%5D)+AND+%22Curr+Top+Med+Chem%22%5BJournal%5D)">History and evolution of the pharmacophore concept in computer-aided drug design.</a> Curr Top Med Chem. 2 (12), 1321-1332 (2002).</li>
<li>Wieder, M., Perricone, U., Seidel, T., Boresch, S., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparing+pharmacophore+models+derived+from+crystal+structures+and+from+molecular+dynamics+simulations%5BTitle%5D)+AND+%22Monatsh+Chem%22%5BJournal%5D)">Comparing pharmacophore models derived from crystal structures and from molecular dynamics simulations.</a> Monatsh Chem. 147 (3), 553-563 (2016).</li>
<li>Santos, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comprehensive+map+of+molecular+drug+targets%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">A comprehensive map of molecular drug targets.</a> Nat Rev Drug Discov. 16 (1), 19-34 (2017).</li>
</ol>

<table><tbody><tr><td>Google Colab</td><td>Google LLC</td><td>https://colab.google</td><td>Webbasierte Plattform zum Ausführen von Python-Notebooks; wird hier verwendet, um ConPhar- und PyMOL-Skripte für die Konsensus-Pharmakophor-Modellierung auszuführen.</td></tr><tr><td>Pharmit</td><td>Koes Lab an der Universität Pittsburgh</td><td>https://pharmit.csb.pitt.edu/search.html</td><td>Webplattform für interaktives virtuelles Pharmakophor-Screening und chemische Weltraumforschung, die das Hochladen von Ligandendateien und die Generierung von Pharmakophormerkmalen ermöglicht</td></tr><tr><td>PyMOL</td><td>Schr&ouml; dinger, Inc.</td><td>https://www.pymol.org</td><td>Software zur molekularen Visualisierung und strukturellen Ausrichtung für Proteine Komplexe Überlagerung und Analyse von Liganden</td></tr><tr><td>Unterstützende Datei 1 Pharmakophor-Workflow-Skript</td><td>Google LLC</td><td>https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing</td><td>Vollständiges ausführbares Skript für die Installation von Conda, PyMOL und die Ausführung des Pharmakophor-Workflows in Google Colab. Auch als unterstützende Datei 1 bereitgestellt.</td></tr></tbody></table>

pharmakophormodellierung für targets mit umfangreichen ligandenbibliotheken: eine fallstudie zu sars-cov-2 mpro

Pharmacophore Modeling for Targets with Extensive Ligand Libraries: A Case Study on SARS-CoV-2 Mpro

Einhundert Mpro-Komplexe, die mit verschiedenen nicht-kovalenten Inhibitoren kokristallisiert waren, wurden ausgerichtet, wie in Abbildung 9A dargestellt. Jeder Ligand wurde dann als einzelne Datei extrahiert (Abbildung 9B) und anschließend auf den Pharmit-Server hochgeladen. Die Sitzung wurde gespeichert, um eine entsprechende JSON-Datei zu generieren (siehe Abbildung 9C).
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/68933/68933fig9.jpg"> 
Abbildung 9: Ligandenvorbereitung für die Konsensus-Pharmakophor-Modellierung. (A) Strukturelle Ausrichtung von drei repräsentativen Mpro-Komplexen, die mit nicht-kovalenten Inhibitoren kokristallisiert sind. (B) Überlagerung der 100 Liganden, die in dieser Studie enthalten sind. (C) Hochladen jedes Liganden auf den Phartit-Server mit der Option "Funktionen laden", gefolgt von der Generierung einer JSON-Datei über die Option "Sitzung speichern". Beide Optionen sind mit roten Pfeilen gekennzeichnet. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig9large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Der vollständige Satz von JSON-Dateien wurde verwendet, um das Konsensus-Pharmakophor-Modell zu generieren, das 1450 pharmakophore Merkmale umfasste, die in 110 Cluster gruppiert waren: 23 aromatische (Aro), 30 Wasserstoffbrückenakzeptoren (HBA), 16 Wasserstoffbrückendonoren (HBD), 36 hydrophobe (Hyd) und 5 negativ geladene (Anionen) Cluster (Abbildung 10A, Ergänzende Tabelle 1). Wir identifizierten die größeren Cluster für jedes Merkmal für ihre Einbeziehung in das Konsensmodell. Unter den Aro-Clustern haben wir diejenigen mit mehr als 20 Elementen ausgewählt. Aus den HBA-, HBD- und Hyd-Gruppen haben wir Cluster mit mindestens 50 Elementen beibehalten. Keiner der Anionencluster hatte mehr als 4 Mitglieder, so dass sie aus dem Konsensusmodell ausgeschlossen wurden (Abbildung 10B). Diese numerischen Schwellenwerte (&gt;20 Mitglieder für Aro; ≥50 für HBA, HBD und Hyd) wurden empirisch basierend auf der Verteilung der Clustergrößen definiert, um die am stärksten konservierten und am dichtesten besiedelten Interaktionsmuster zu priorisieren.
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/68933/68933fig10.jpg"> 
Abbildung 10: Clustering von pharmakophoren Merkmalen aus 100 Mpro-Liganden-Komplexen. (A) Verteilung von 1450 pharmakophoren Merkmalen: aromatisch (Aro) in violett, Wasserstoffbrückenakzeptor (HBA) in orange, Wasserstoffbrückendonor (HBD) in weiß, hydrophob (Hyd) in grün und negativ geladen (Anion) in rot. (B) Cluster mit ≥10 Mitgliedern werden für Aro, HBA, HBD und Hyd angezeigt; Alle Anionen-Cluster werden angezeigt. Die größten Cluster – definiert als solche mit ≥20 Elementen für Aro und ≥50 Elementen für HBA, HBD und Hyd und ≥4 Elementen für Anion – werden mit gestrichelten Kugeln hervorgehoben. Die Anzahl der Elemente in jedem der größten Cluster wird explizit angegeben. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig10large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Daher umfasste unser Konsensus-Pharmakophor-Modell 11 Merkmale: 3 aromatische (Aro) Merkmale, Aro 1, 2 und 3, abgeleitet von Clustern mit 20, 24 bzw. 45 Mitgliedern; 4 Wasserstoffbrückenakzeptoren (HBA), HBA 1, 2, 3 und 4, aus Clustern mit 51, 55, 77 bzw. 81 Mitgliedern; 2 Wasserstoffbrückendonatoren (HBD) aus Clustern mit 51 bzw. 71 Mitgliedern; und 2 hydrophobe (Hyd) Merkmale aus Clustern mit 50 bzw. 52 Mitgliedern (siehe Abbildung 11A).
Das Pharmakophormodell wurde verwendet, um die PubChem-Datenbank mit der zuvor berichteten Strategie zu durchsuchen10, aber es wurden keine Übereinstimmungen gefunden. Um die Flexibilität der Suche zu erhöhen, wurde das aromatische Merkmal Aro 1 - abgeleitet vom kleinsten und am wenigsten repräsentativen Cluster - entfernt. Diese Anpassung führte zur Identifizierung von zwei Treffern, einschließlich eines Konformers der Verbindung mit den PubChem CIDs 101267741 und 10285538 (siehe Abbildung 11B). Die chemische 2D-Struktur der Verbindung 101267741 ist in Abbildung 11C dargestellt. Interessanterweise passt diese identifizierte Mischung gut in die Mpro-Bindungstasche. Eine vergleichende Analyse mit dem co-kristallisierten Liganden 38a15 (PDB-ID: 9HAJ) zeigt, dass der pharmakophor-passende Konformer von 101267741 sogar tiefer als 38a in den S1- und S2-Subtaschen von Mpro vergraben ist. 38a nimmt jedoch einen breiteren Bereich der Tasche ein, hauptsächlich aufgrund seiner Ethylcarboxamid-Seitenkette, die sich in Richtung der S1'-Tasche erstreckt. Nichtsdestotrotz betreffen die wichtigsten intermolekularen Wechselwirkungen von 38a andere Einheiten und nicht diese Seitenkette. Im Gegensatz dazu bildet die Verbindung 101267741 11 intermolekulare Wechselwirkungen, darunter sieben Wasserstoffbrückenbindungen und vier hydrophobe Kontakte. Verglichen mit den drei Wasserstoffbrückenbindungen und zwei hydrophoben Wechselwirkungen, die von 38a gebildet werden, erscheint der Bindungsmodus von Verbindung 101 stärker (Abbildung 11D).
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/68933/68933fig11.jpg"> 
Abbildung 11: Pharmakophor-Suche in der PubChem-Datenbank. (A) Das vollständige Konsensus-Pharmakophor-Modell enthält 11 Merkmale: 3 aromatische (violett), 4 Wasserstoffbrückenakzeptoren (orange), 2 Wasserstoffbrückendonatoren (weiß) und 2 hydrophob (grün). (B) Der Konformer der Verbindung PubChem 101267741 nach Entfernung des Aro 1-Merkmals mit dem reduzierten Pharmakophormodell ausgerichtet, und (C) Die zweidimensionale chemische Struktur der Verbindung wurde identifiziert. (D) Vergleichende Analyse der Bindungsmodi der Verbindung 38a (magenta; von PDB-ID: 9HAJ) und der Verbindung PubChem CID 101267741 (grün) zur katalytischen SARS-CoV-2-Mpro-Tasche. Die entsprechenden intermolekularen Wechselwirkungen für jede Verbindung sind auf der rechten Seite dargestellt. Wasserstoffbrückenbindungen und hydrophobe Wechselwirkungen sind als gestrichelte Linien in Blau bzw. Grau dargestellt. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig11large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Unterstützende Datei 1: Pharmakophor-Workflow-Skript. <a href="https://www.jove.com/files/ftp_upload/68933/Supporting%20File%201%20Pharmacophore%20Workflow%20Script.txt" target="_blank">Bitte klicken Sie hier, um diese Datei herunterzuladen.</a>
Unterstützende Tabelle 1: Clustering-Zusammenfassung der pharmakophoren Merkmale. Anzahl der Cluster, Mitglieder pro Cluster, Schwerpunktkoordinaten und Cluster-Radien <a href="https://www.jove.com/files/ftp_upload/68933/Table_S1.xlsx" target="_blank">Bitte klicken Sie hier, um diese Datei herunterzuladen.</a>

Pharmakophormodellierung für Targets mit umfangreichen Ligandenbibliotheken: Eine Fallstudie zu SARS-CoV-2 Mpro

A pharmacophore defines the spatial arrangement of molecular features required for optimal interactions between a compound and its biological target. ...

pharmacophore-modeling-for-targets-with-extensive-ligand-libraries

Research

Forschung

JoVE Journal

Biochemistry

Biochemie

Diese Studie zielte darauf ab, eine Strategie zur Identifizierung von Wechselwirkungen zwischen Medikamenten und Peptid zu präsentieren. Die Strategie umfasst die Biopanierung von medikamentenerkennenden kurzinomischen Kurzpeptiden auf der Grundlage eines Mikrobilanzsensors (QCM) in Quarzkristall, gefolgt von einer Bioinformatik-Analyse zur quantitativen Bewertung der für die Arzneimittelerkennung und Anmerkung der Arzneimittelbindungsstellen auf Proteinen erhaltenen Informationen.

Biosensor-basierte Hochdurchsatz-Biopanning- und Bioinformatik-Analysestrategie zur globalen Validierung von Wechselwirkungen zwischen Arzneimittel und Proteinen

Dieser Artikel beschreibt den kompletten XChem-Prozess für kristallbasiertes Fragment-Screening, beginnend mit der Beantragung des Zugangs und allen nachfolgenden Schritten bis hin zur Datenverbreitung.

Effizientes Fragment-Screening in der XChem-Anlage an der Diamond Light Source

Eine Schlüsselkompetenz in der biomolekularen Modellierung ist die Darstellung und Annotation aktiver Zentren in Proteinen. Diese Technik wird mit vier beliebten kostenlosen Programmen für die makromolekulare Visualisierung demonstriert: iCn3D, Jmol, PyMOL und UCSF ChimeraX.

Modellierung einer Enzym-Aktiv-Site mit Molekularer Visualisierung Freeware

Dieses Protokoll stellt die Werkzeuge vor, die für die Modellierung von niedermolekularen Liganden in KryoEM-Karten von Makromolekülen zur Verfügung stehen.

Modellierung von Liganden in Karten aus der Elektronenkryomikroskopie

Das hier verwendete Experiment zeigt eine Methode des molekularen Andockens in Kombination mit einem zellulären thermischen Shift-Assay, um die Interaktion zwischen kleinen Molekülen und Proteinzielen vorherzusagen und zu validieren.

Vorhersage und Validierung von Proteinzielen für niedermolekulare Verbindungen

Hier stellen wir ein Protokoll für das strukturgesteuerte Design der Protein-Ligand-Bindungsinteraktion zwischen Sanglifehrin A und Cyclophilin A/Ganoderiol-F vor, das für die Entdeckung neuer Medikamente unerlässlich ist. Die Stabilität des Ligandenrezeptorkomplexes wurde mittels molekularer Dynamiksimulation bewertet.

Strukturgesteuertes Design und Entwicklung neuartiger Cyclophilin-A-Inhibitoren und Ganoderiol-F-Derivate: Ein In-Silico-Ansatz

Computergestützte Methoden sind vielversprechend, um die Wirkstoffforschung zu beschleunigen, übersehen jedoch häufig die dynamische Natur von Proteinstrukturen. Hier diskutieren wir die ensemblebasierte Docking-Analyse, um indirekt die Proteinflexibilität einzubeziehen und so möglicherweise die Genauigkeit und Zuverlässigkeit der Wirkstoffforschung zu verbessern.

Einbeziehung der Flexibilität und Dynamik der Zielproteinstruktur in die computergestützte Wirkstoffforschung mithilfe der ensemblebasierten Docking-Analyse

In dieser Studie wurden In-silico-Strategien verwendet, um das aufgezählte Etravirin als vielversprechendes Therapeutikum für HIV zu identifizieren. Unsere Erkenntnisse über molekulare Wechselwirkungen und Dynamiken unterstützen das rationale Design neuartiger NNRTIs als mögliche HIV-Behandlungsalternativen.

Quantitative Struktur-Wirkungs-Beziehung, Aktivitätsvorhersage und Molekulardynamik von Nicht-Nukleotid-Reverse-Transkriptase-Inhibitoren

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 computergestützter Workflow zur Identifizierung potenzieller PLK1-Inhibitoren in der amerikanischen Gebärdensprache und im Englischen

Dieses Protokoll nutzt sowohl die Untereinheit Koexpression und postlysis Untereinheit für eine gründlichere Untersuchung der rekombinanten Assemblierungsintermediate mischen.

Untersuchen Assemblierungsintermediate mit rekombinantem Archaeal Proteasomen und nicht denaturierenden PAGE: Die Argumente für einen kombinierten Ansatz

Erfahren Sie die Erstellung eines Konsensus-Pharmakophormodells für SARS-CoV-2 Mpro mit PyMOL und Google Colab. Diese Methode optimiert virtuelles Screening und die Identifizierung vielversprechender Wirkstoffkandidaten.

Pharmakophormodellierung für Targets mit umfangreichen Ligandenbibliotheken: Eine Fallstudie zu SARS-CoV-2 Mpro

Weitere Videos entdecken