Method Article

Análisis estructural de una variable de fragmento de cadena única específica del receptor del factor de crecimiento epidérmico mediante un enfoque in silico

DOI:

10.3791/65894

⸱

November 10th, 2023

 , 
1College of Arts and Sciences, Qatar University, 2Amity University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo de predicción de modelado de homología de anticuerpos es seguido por el acoplamiento de Pyrx anticuerpo-receptor y la simulación dinámica molecular. Estos tres métodos principales se utilizan para visualizar las áreas de unión precisas anticuerpo-receptor y la estabilidad de unión de la estructura final.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los anticuerpos de fragmento variable de cadena simple (scFv) se construyeron previamente a partir de cadenas ligeras y pesadas variables unidas por un enlazador (Gly4-Ser) 3. El enlazador se creó utilizando software de modelado molecular como una estructura de bucle. Aquí, presentamos un protocolo para el análisisin silico de un anticuerpo scFv completo que interactúa con el receptor del factor de crecimiento epidérmico (EGFR). En primer lugar, los autores utilizaron un programa de modelado de estructura de proteínas y Python para el modelado de homología, y la estructura scFv del anticuerpo scFv para la homología. Los investigadores descargaron el software Pyrx como plataforma en el estudio de acoplamiento. La simulación de dinámica molecular se ejecutó utilizando software de modelado. Los resultados muestran que cuando la simulación de MD se sometió a la minimización de energía, el modelo de proteína tuvo la energía de enlace más baja (-5,4 kcal/M). Además, la simulación de MD en este estudio mostró que el anticuerpo EGFR-scFv acoplado fue estable durante 20-75 ns cuando el movimiento de la estructura aumentó bruscamente a 7,2 Å. En conclusión, se realizó un análisis in silico, y las simulaciones de acoplamiento molecular y dinámica molecular del anticuerpo scFv demostraron la efectividad del fármaco inmunoterapéutico diseñado scFv como terapia farmacológica específica para el EGFR.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los cambios conformacionales en la proteína (ligando y receptor) siempre ocurren en función de funciones basadas en la estructura. El estudio de los posibles surcos de unión de la proteína y la predicción de la interacción de unión estable es un método avanzado para preparar fármacos para un mejor uso en el cuerpo humano. El modelado de homología seguido de acoplamiento y simulación dinámica molecular es un método sencillo para la predicción precisa de las interacciones estables de unión entre los residuos de los receptores y los anticuerpos construidos que se utilizan como medicina personalizada específica 1,2. La estructura del modelo predicha puede mostrar cambios conformacionales y reordenamientos en los sitios de unión ligando-receptor, particularmente en la interfaz anticuerpo-receptor. Hay muchas razones para estos cambios, como la rotación de las cadenas laterales, la transformación estructural global o modificaciones más complejas. La razón principal para el modelado de homología es distinguir la estructura terciaria de una proteína de su estructura primaria 2,3.

Un receptor de tirosina cinasa llamado receptor del factor de crecimiento epidérmico (EGFR, por sus siglas en inglés) desempeña muchas funciones biológicas en las células cancerosas, como la apoptosis 4,5, la diferenciación 6,7, la progresión del ciclo celular 8,9, el desarrollo 9,10 y la transcripción11. El EGFR es una de las dianas terapéuticas más conocidas para el cáncer de mama12. La sobreexpresión de la actividad regular de las quinasas, como el EGFR, suele conducir a la progresión de las células cancerosas, que puede ser reprimida por muchos tipos de inhibidores del cáncer13. El receptor del factor de crecimiento epidérmico (EGFR) se utilizó como receptor para la variable de fragmento de cadena única construida específicamente para trabajar contra este receptor. Su estructura predicha se utilizó para probar la actividad de unión de anticuerpos.

En este trabajo, se modeló la estructura del anticuerpo scFv utilizando software de modelado con script Python y el método de modelado de homología14,15. Se puede construir un modelo de homología a partir de las secuencias de proteínas y aminoácidos de receptores y ligandos 16,17. Además, se emplearon tecnologías bioinformáticas avanzadas, como el acoplamiento molecular, para predecir cómo se unirán los ligandos de moléculas pequeñas al sitio de unión objetivo correcto. El acoplamiento equilibraría el desarrollo de nuevos medicamentos dirigidos a múltiples enfermedades. Se tiene en cuenta el comportamiento de enlace 5,18.

Además, el acoplamiento molecular es una técnica crítica para facilitar y acelerar el desarrollo de la unión ligando-receptor. El acoplamiento molecular permite a los científicos examinar virtualmente una biblioteca de ligandos contra una proteína objetivo y predecir las conformaciones de unión y afinidades de los ligandos con la proteína receptora objetivo. La simulación dinámica molecular (MNS) demuestra cómo se mueven los residuos en el espacio, simula los movimientos de los anticuerpos hacia sus receptores y, por último, informa sobre los esfuerzos de diseño de anticuerpos. Este estudio es una predicción novedosa de las dimensiones de la caja de cuadrícula que decidió cómo el anticuerpo scFv se une a EGFR y la detección de la energía y el tiempo de esa unión en MDsimulation.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Predicciones de la estructura secundaria de una proteína variable de fragmento de cadena única (scFv)

  1. Construya la estructura 3D de la proteína de fragmento variable de cadena única (scFv) con el banco de datos de proteínas BLAST (PDB), la numeración KABAT y el software de modelado. El scFv consiste en un enlazador (Gly4-Ser) que conecta una cadena pesada variable (VH) y una cadena ligera variable (VL).
  2. Utilice el software de modelado molecular para construir el enlazador como una estructura de bucle y realice todos estos métodos como se describe en estudios previos 2,19,20.

2. Selección de plantillas y predicción de estructuras 3D scFv y EGFR y modelado de homología

  1. Elija la plantilla 1ivo para estructuras EGFR (en función de su alta resolución). Descargue el archivo 1ivo.pdb del sitio web de pdb, como se muestra en la Figura 1B.
  2. Prepare el archivo de entrada 1ivo.pdb como se describe a continuación.
    1. En el archivo 1ivo.pdb, elimine todos los ligandos externos abriendo el sitio web pdb.org y seleccionando 1ivo. Estructura, y buscando el nombre de los ligandos bajo el título de molécula pequeña en la página de estructura 1ivo del sitio web de pdb.
    2. Encuentra el nombre del ligando NAG. Abra el archivo 1ivo.pdb descargado del sitio web de pdb y busque el residuo de terminación (TER.).
    3. Eliminar los residuos de los ligandos externos en la estructura 1ivo, comenzando por el residuo después de TRE. y antes de que termine el residuo. Guarde el archivo 1ivo.pdb en el sistema.
  3. Prepare el archivo 1ivo.pdb guardado como se describe a continuación.
    1. Descargue el software de acoplamiento Autodock (autodock.scripps.edu) desde el área de selección de ventanas. Haga clic en Abrir el archivo 1ivo.pdb.
    2. Utilice el comando Editar para seleccionar Añadir hidrógeno > Añadir, seleccione Solo polar y, a continuación, pulse Aceptar.
    3. Utilice el comando Editar para agregar cargos de Kollman (Figura complementaria 1). Utilice el comando Editar para eliminar agua. Guarde el archivo 1ivo.pdb en la PC.
  4. Minimice la energía de la estructura 1ivo.pdb como se describe a continuación.
    1. Descargar SPDBV. software de http://spdbv.vital-it.ch/disclaim.html. Abra el archivo 1ivo.pdb.
    2. Seleccionar todo. Seleccione el comando Rendimiento > Minimización de energía > Ok (Figura complementaria 2). Guarde el archivo 1ivo en la PC.
  5. Prepare el modelo completo scFv utilizando el modelado de homología como se describe a continuación.
    1. Descargue el software de modelado17 y el shell del script Python 3.7.9 desde Window- 64. Guarde los archivos de software descargados en la unidad D.
  6. Prepare los archivos de entrada como se describe a continuación.
    1. Cargue el archivo ScFv Pdb en formato fasta desde el sitio web de NCBI y cambie el nombre del archivo a TARGET.ali. como se describe en el Archivo de codificación suplementaria 1. Elija la plantilla mediante la sección Blast en NCBI, pegue el archivo secuenciado, seleccione en formato pdb 7det.pdb como se describe en el archivo de codificación complementaria 2 y, a continuación, envíelo. A continuación, utilice el sitio web pdb.org para obtener el archivo de plantilla.
    2. Prepare el tercer archivo de entrada como align2d.py (Python) como se describe en el Archivo de codificación complementaria 3, que se abre como se muestra en la figura complementaria 3A. Presione la opción Mostrar más, luego vaya a Editar con IDLE > Editar con EDLE (64 bits). Ejecute utilizando el comando run module 5 en el align2d.py para obtener dos archivos de salida: Tar- 7det.ali y Tar- 7det.pap.
  7. Complete los tres pasos anteriores para usar el comando en el último archivo de entrada.
  8. Agregue un nuevo archivo de entrada model-single.py (archivo de comandos python) como se muestra en el Archivo de codificación suplementario 4 y como se describe a continuación.
    1. Presione la opción Mostrar más, luego vaya a Editar con IDLE > Editar con EDLE3.7 (64 bits). Ejecute utilizando el comando (run module 5) como se muestra en la Figura complementaria 3B.
      NOTA: Los archivos de salida resultantes son los seis archivos de los modelos de homología que se muestran en la Figura complementaria 3C.

3. Predicción y evaluación de la estructura secundaria del receptor

  1. Detecte la corrección y la precisión de los modelos de homología como se describe a continuación.
    1. Cree el diagrama de Ramachandran para los modelos scFv y EGFR descargando la herramienta de visualización de https://discover.3ds.com/discovery-studio-visualizer-download.
    2. Abra el archivo, haga clic con el botón derecho del ratón y seleccione la secuencia de visualización (Figura complementaria 4). Copie la secuencia y péguela en la base de datos pictórica de estructuras 3D (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/.
    3. Seleccione buscar por secuencia, pegue la copia de la secuencia y, a continuación, envíela. Cree el gráfico como se muestra en la Figura 1B,D.

4. Acoplamiento proteína-proteína

  1. Descargue el software de la herramienta de detección virtual.
  2. Vaya a Archivo> lea moléculas > cargue 1ivo.pdb. Haga clic con el botón derecho en la proteína en el panel de acoplamiento automático para hacer una macromolécula. Haga clic con el botón derecho del ratón de nuevo para crear un ligando (Figura complementaria 5).
  3. Haga clic en el panel de acoplamiento automático para seleccionar la proteína y, a continuación, seleccione el ligando.
  4. Abre la lista de proteínas. A continuación, en la lista, seleccione scFv Protein.
  5. Ve a Alternar esferas de selección. Ajuste la caja de rejilla al centro del receptor. Haga clic en Adelante cuando aparezca el botón rosa redondo.
  6. Para preparar los archivos pdbqt para las estructuras de anticuerpos scFv y EGFR (1ivo), siga estos pasos.
    1. Vaya a > Usuarios de > Archivos de programa de C (86) y, a continuación, elija el archivo pyrx que contiene los archivos de salida de macromoléculas y proteínas que se guardaron como un archivo pdbqt.
    2. A continuación, guarde el archivo pdbqt de anticuerpo de variable de fragmento de cadena única (scFv).
  7. Descargar el software PyMOL en PyMOL | pymol.org. Utilice el software PyMOL para mostrar las configuraciones de EGFR del receptor de anticuerpos scFv.
    1. Vaya al archivo y abra C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein. Prepare las configuraciones de acoplamiento del scFvanticuerpo que interactúa con el receptor en la Figura 2A como se describe a continuación.
      1. Utilice la opción de visualización para mostrar el archivo del receptor (1ivo) como residuos de secuencia con un fondo blanco que se muestra en la Figura complementaria 6.
      2. Muestre el archivo de configuración de acoplamiento con mayor resolución para ver el color del ligando en los colores de residuo verde y rojo. Visualice la superficie rígida del receptor (1ivo) en amarillo.
  8. Prepare las configuraciones de acoplamiento del scFvanticuerpo que interactúa con el receptor en la Figura 2B, como se describe a continuación.
    1. Descargue el software de acoplamiento desde el área de selección de ventanas. Utilice Autodock para mostrar las configuraciones y conformaciones del EGFR del receptor de anticuerpos scFv.
      1. En Autodock, elija la opción Analizar y, a continuación, abra el resultado de Autodock Vina. Vaya a Archivo y abra C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein.
      2. Seleccione el archivo pdb del receptor de proteínas y, a continuación, seleccione el área de la configuración del ligando (estructura del anticuerpo scFv). Conecte la superficie rígida del receptor con la configuración de la estructura acoplada y oculte el resto del receptor. Oculte los residuos lejanos del receptor de los residuos conectados al ligando, como se muestra en la Figura 2B.
    2. A continuación, se consideró que el complejo proteína-proteína estaba listo para realizar la simulación de MD.

5. Simulación dinámica molecular (simulación MD) del complejo de acoplamiento de anticuerpos EGFR-scFv

  1. Descargue el software de simulación MD y utilícelo de la siguiente manera.
    1. Prepare el archivo pdb EGFR (1ivo) utilizando el asistente de reparación como se muestra en la Figura complementaria 7A. Opere la sección de preproceso para refinar el archivo. Envíe el archivo refinado para que se establezca en el constructor del sistema.
    2. Cargue el software de simulación de dinámica molecular desde el directorio de trabajo. Agregue los iones y actualice el archivo refinado para alcanzar 20 Å para enviar el trabajo (Tabla 1), también se muestra en la Figura complementaria 7B.
    3. Cargue el pdb EGFR (1ivo) desde el archivo importado y, a continuación, elija pasos de tiempo de 100 ns para ejecutarlo (Figura complementaria 7C).
  2. Inicie el análisis de la simulación después de completar la MDsimulation como se describe a continuación.
    1. Cree una carpeta de trabajo y guárdela en el archivo cms. Cargue el archivo cms para realizar este paso en la simulación MD.
    2. Cree un directorio de trabajo para las carpetas de proyectos e informe de los valores de energía. Utilice S.I.D. pdf para informar de la simulación, como se muestra en la Figura 3A, y del diagrama de interacción y el enlace H, como se muestra en la Figura 3B.
    3. Cargue el archivo pdf de cms navegando desde la carpeta y utilice TIP3P como modelo para la minimización del volumen del archivo.
    4. Cree el archivo de solvatación para realizar este paso que se muestra en la figura complementaria 7D. Guarde el archivo pdf a través del software y analice los datos, lo que da como resultado la Figura 4, la Figura 5 y la Figura 6.
  3. Genere una configuración de finalización de MDsimulation mediante la creación del archivo de resolución. Encuentre los resultados en el cuadro de límite, como se muestra en la figura 7.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Utilizando la tecnología de visualización de fagos, se creó el gen scFv anti-EGFR a partir de la línea de hibridomas de células B de ratón C3A820,21. Los modelos de estructura de fragmento de cadena simple variable (scFv) de las estructuras VH y VL se construyeron por separado, según Chua et al.22. Después de eso, los modelos fueron visibles como cintas producidas con RasMol. A continuación, utilizando un software de modelado molecular, se...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El EGFR es el principal receptor diana del cáncer de mama. La sobreexpresión de EGFR aumenta los casos de cáncer de mama en todo el mundo. Mientras tanto, los anticuerpos específicos, como las variables de fragmento de cadena única, son anticuerpos que se mueven fácilmente a través de la circulación sanguínea y tienen una tasa de eliminación rápida en el cuerpo. Los anticuerpos son una solución sabia y un fármaco de inmunoterapia eficaz37. Por lo tanto, el diseño ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen nada que revelar.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Software AutodockCentro de Biología Estructural Computacional  AutoDock (scripps.edu)
Desmond Maestro 19.4 software Schrödingerwww.schrodinger.com 
Descargar Discovery Studio 2021   Dassault Systems  https://discover.3ds.com/discovery-studio-visualizer-download.
Modelador Versión 9.24[17] Universidad de Californiahttps://salilab.org/modeller/9.24/release.html
Base de datos pictórica de estructuras 3D (pdbsum)EMBL-EBI  www.ebi.ac.uk/thornton-srv/databases/pdbsum/
Software PyMOL SchrödingerPyMOL | pymol.org
Pyrx software FuenteForge  Descargar PyRx - Virtual Screening Tool (sourceforge.net)
Python script 3.7.9 shell desde la ventana (64)PythonPython Release Python 3.7.9 | Python.org
SPDBV software Expasyhttp://spdbv.vital-it.ch/disclaim.html

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Clark, J. J., Orban, Z. J., Carlson, H. A. Predicting binding sites from unbound versus bound protein structures. Sci Rep. 10 (1), 15856(2020).
  2. Huang, Y., et al. A stepwise docking molecular dynamics approach for simulating antibody recognition with substantial conformational changes. Comput Struct Biotechnol J. 20, 710-720 (2022).
  3. Mahgoub, I. O., Ali, A. M., Hamid, M., Alitheen, N. M. Single chain fragment variable (scFv) secondary structure prediction and evaluation. FASEB J. 25, (2011).
  4. Kim, H., et al. Titanium dioxide nanoparticles induce apoptosis by interfering with EGFR signaling in human breast cancer cells. Environ Res. 175, 117-123 (2019).
  5. Mahgoub, E. O., Abdella, G. M. Improved exosome isolation methods from non-small lung cancer cells (NC1975) and their characterization using morphological and surface protein biomarker methods. J Cancer Res Clin Oncol. 149 (10), 7505-7514 (2023).
  6. Shaurova, T., Zhang, L., Goodrich, D. W., Hershberger, P. A. Understanding lineage plasticity as a path to targeted therapy failure in EGFR-mutant non-small cell lung cancer. Front Genet. 11, 281(2020).
  7. Mahgoub, E. O., Bolad, A. K. Construction, expression and characterisation of a single chain variable fragment in the Escherichia coli periplasmic that recognise MCF-7 breast cancer cell line. J Cancer Res Ther. 10 (2), 265-273 (2014).
  8. Mahgoub, I. O. Design, expression and characterization of a single chain fragment variable anti-mcf-7 antibody; A humanized antibody derived from monoclonal antibody. Ann Res Conf Proc. 2014 (1), (2014).
  9. Sun, X. L., et al. Dimeric (-)-epigallocatechin-3-gallate inhibits the proliferation of lung cancer cells by inhibiting the EGFR signaling pathway. Chem Biol Interact. 365, 110084(2022).
  10. Mahgoub, E. O., Haik, Y., Qadri, S. Comparison study of exosomes molecules driven from (NCI1975) NSCLC cell culture supernatant isolation and characterization techniques. FASEB J. 33, 647(2019).
  11. Madeddu, C., et al. EGFR-mutated non-small cell lung cancer and resistance to immunotherapy: Role of the tumor microenvironment. Int J Mol Sci. 23 (12), 6489(2022).
  12. Mahgoub, I., Bolad, A. K., Mergani, M. and immune-characterization of single chain fragment variable (scFv) antibody recognize breast cancer cells line (MCF-7). J. Immunother Cancer. 2, 6(2014).
  13. Ladner, R. C., Sato, A. K., Gorzelany, J., de Souza, M. Phage display-derived peptides as therapeutic alternatives to antibodies. Drug Discov Today. 9 (12), 525-529 (2004).
  14. Khan, M. H., Manoj, K., Pramod, S. Reproductive disorders in dairy cattle under semi-intensive system of rearing in North-Eastern India. Vet World. 9 (5), 512-518 (2016).
  15. Al-Refaei, M. A., Makki, R. M., Ali, H. M. Structure prediction of transferrin receptor protein 1 (TfR1) by homology modelling, docking, and molecular dynamics simulation studies. Heliyon. 6 (1), 03221(2020).
  16. Anbuselvam, M., et al. Structure-based virtual screening, pharmacokinetic prediction, molecular dynamics studies for the identification of novel EGFR inhibitors in breast cancer. J Biomol Struct Dyn. 39 (12), 4462-4471 (2021).
  17. Oduselu, G. O., Ajani, O. O., Ajamma, Y. U., Brors, B., Adebiyi, E. Homology modelling and molecular docking studies of selected substituted benzo d imidazol-1-yl) methyl) benzimidamide scaffolds on Plasmodium falciparum adenylosuccinate lyase receptor. Bioinform Biol Insights. 13, 1177932219865533(2019).
  18. Mahgoub, E. O., et al. et al. of exosome isolation techniques in lung cancer. Mol Biol Rep. 47 (9), 7229-7251 (2020).
  19. Shree, P. Targeting COVID-19 (SARS-CoV-2) main protease through active phytochemicals of ayurvedic medicinal plants -Withania somnifera (Ashwagandha), Tinospora cordifolia (Giloy) and Ocimum sanctum (Tulsi) - a molecular docking study. J Biomol Struct Dyn. 40 (1), 190-203 (2022).
  20. Mahgoub, I. O. Expression and characterization of a functional single-chain variable fragment (scFv) protein recognizing MCF7 breast cancer cells in E. coli cytoplasm. Biochem Genet. 50 (7-8), 625-641 (2012).
  21. Mahgoub, E. O. Single chain fragment variables antibody binding to EGF receptor in the surface of MCF7 breast cancer cell line: Application and production review. Open J Genet. 7 (2), 84-103 (2017).
  22. Heng, C. K., Othman, R. Y. Bioinformatics in molecular immunology laboratories demonstrated: Modeling an anti-CMV scFv antibody. Bioinformation. 1 (4), 118-120 (2006).
  23. Mahgoub, E. O., Ahmed, B. Correctness and accuracy of template-based modeled single chain fragment variable (scFv) protein anti- breast cancer cell line (MCF-7). Open J Genet. 3 (3), 183-194 (2013).
  24. Khare, N., et al. Homology modelling, molecular docking and molecular dynamics simulation studies of CALMH1 against secondary metabolites of Bauhinia variegata to treat Alzheimer's disease. Brain Sci. 12 (6), 770(2022).
  25. Hu, J., Rao, L., Fan, X., Zhang, G. Identification of ligand-binding residues using protein sequence profile alignment and query-specific support vector machine model. Anal Biochem. 604, 113799(2020).
  26. Santos, L. H. S., Ferreira, R. S., Caffarena, E. R. Integrating molecular docking and molecular dynamics simulations. Methods Mol Biol. 2053, 13-34 (2019).
  27. Xu, D., Tsai, C. J., Nussinov, R. Hydrogen bonds and salt bridges across protein-protein interfaces. Protein Eng. 10 (9), 999-1012 (1997).
  28. Das, S., Chakrabarti, S. Classification and prediction of protein-protein interaction interface using machine learning algorithm. Sci Rep. 11 (1), 1761(2021).
  29. Mahmoud, S. S. A., Elkaeed, E. B., Alsfouk, A. A., Abdelhafez, E. M. N. Molecular docking and dynamic simulation revealed the potential inhibitory activity of opioid compounds targeting the main protease of SARS-CoV-2. Biomed Res Int. 2022, 1672031(2022).
  30. Villada, C., Ding, W., Bonk, A., Bauer, T. Simulation-assisted determination of the minimum melting temperature composition of MgCl2-KCl-NaCl salt mixture for next-generation molten salt thermal energy storage. Front. Energy Res. 10, 809663(2022).
  31. Hog, S. E., Rjiba, A., Jelassi, J., Dorbez-Sridi, R. NaCl salt effect on water structure: a Monte Carlo simulation study. Phys Chem Liq. 60 (5), 767-777 (2022).
  32. Maruyama, Y., Igarashi, R., Ushiku, Y., Mitsutake, A. Analysis of protein folding simulation with moving root mean square deviation. J Chem Inf Model. 63 (5), 1529-1541 (2023).
  33. Winarski, K. L., et al. Vaccine-elicited antibody that neutralizes H5N1 influenza and variants binds the receptor site and polymorphic sites. Proc Natl Acad Sci U S A. 112 (30), 9346-9351 (2015).
  34. Awal, M. A., et al. Structural-guided identification of small molecule inhibitor of UHRF1 methyltransferase activity. Front Genet. 13, 928884(2022).
  35. Sharma, P., Hu-Lieskovan, S., Wargo, J. A., Ribas, A. adaptive, and acquired resistance to cancer immunotherapy. Cell. 168 (4), 707-723 (2017).
  36. Geerds, C., Wohlmann, J., Haas, A., Niemann, H. H. Structure of Rhodococcus equi virulence-associated protein B (VapB) reveals an eight-stranded antiparallel β-barrel consisting of two Greek-key motifs. Acta Crystallogr F Struct Biol Commun. 70 (7), 866-871 (2014).
  37. Mahgoub, E., et al. The therapeutic effects of tumor treating fields on cancer and noncancerous cells. Arabian J Chem. 14 (10), 103386(2021).
  38. Hospital, A., Goni, J. R., Orozco, M., Gelpi, J. L. Molecular dynamics simulations: advances and applications. Adv Appl Bioinform Chem. 8, 37-47 (2015).
  39. Kaur, J., Tiwari, R., Kumar, A., Singh, N. Bioinformatic analysis of Leishmania donovani long-chain fatty acid-CoA ligase as a novel drug target. Mol Biol Int. 2011, 278051(2011).
  40. Páll, S., Hess, B. A flexible algorithm for calculating pair interactions on SIMD architectures. Comp Phy Comm. 184 (12), 2641-2650 (2013).
  41. Tobi, D., Bahar, I. Structural changes involved in protein binding correlate with intrinsic motions of proteins in the unbound state. Proc Natl Acad Sci U S A. 102 (52), 18908-18913 (2005).
  42. Sinha, S., Wang, S. M. of VUS and unclassified variants in BRCA1 BRCT repeats by molecular dynamics simulation. Comput Struct Biotechnol J. 18, 723-736 (2020).
  43. Patel, D., Athar, M., Jha, P. C. Exploring Ruthenium-based organometallic inhibitors against Plasmodium falciparum calcium dependent kinase 2 (PfCDPK2): A combined ensemble docking, QM/MM and molecular dynamics study. Chem Select. 6 (32), 8189-8199 (2021).
  44. Khan, A., et al. Higher infectivity of the SARS-CoV-2 new variants is associated with K417N/T, E484K, and N501Y mutants: an insight from structural data. J Cell Physiol. 236 (10), 7047-7057 (2021).
  45. Zhang, Q., Shao, d, Xu, P., Jiang, Z. Effects of an electric field on the conformational transition of the protein: Pulsed and oscillating electric fields with different frequencies. Polymers. 14 (1), 123(2021).
  46. Mahtarin, R., et al. et al. and dynamics of membrane protein in SARS-CoV-2. Biomol Struct Dyn. 40 (10), 4725-4738 (2022).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Single Chain Fragment VariableEpidermal Growth Factor ReceptorIn Silico AnalysisHomology ModelingMolecular DockingMolecular Dynamics SimulationProtein Structure ModelingAntibody EGFR InteractionProtein Protein DockingBinding Energy
Video Coming Soon

Related Articles