Relación cuantitativa estructura-actividad, predicción de actividad y dinámica molecular de inhibidores de la transcriptasa inversa no nucleótidos

Summary

Este estudio utilizó estrategias in silico para identificar la etravirina enumerada como un agente terapéutico prometedor para el VIH. Nuestros hallazgos sobre las interacciones y la dinámica molecular respaldan el diseño racional de nuevos NNRTI como posibles alternativas al tratamiento del VIH.

Abstract

La creciente incidencia de la resistencia a los medicamentos contra el VIH-1 plantea un desafío para la eficacia de la terapia antirretroviral combinada, especialmente en África meridional. El desarrollo de resistencia a los inhibidores de la transcriptasa inversa no nucleótidos (ITINN) amenaza el éxito a largo plazo de la terapia antirretroviral. En 2019, se estima que la resistencia a los antimicrobianos causó directamente 1,27 millones de muertes en todo el mundo. Este estudio empleó un enfoque in silico para investigar los medicamentos NNTRI y sus derivados. Las técnicas utilizadas incluyeron cálculos de la teoría del funcional de la densidad, acoplamiento molecular, enumeración, análisis cuantitativo de la relación estructura-actividad (QSAR), simulación de dinámica molecular (MDS) y mecánica molecular con métodos generalizados de Born y de área superficial. El análisis se centró en varios derivados de la pirimidina y seis fármacos NNRTI, examinando sus interacciones con la proteína del VIH-1 (código PDB 1HQU).

Se desarrolló un modelo QSAR para predecir la actividad biológica de los seis NNRTI bajo investigación. Utilizando 94 derivados de pirimidina, el modelo QSAR logró un R² de 0,822 y un Q² de 0,815, lo que indica un alto nivel de precisión predictiva.

Se llevaron a cabo MDS para evaluar la estabilidad de varios ligandos y sus alternativas recientemente desarrolladas, asegurando que permanecieran unidos al sitio activo de la proteína durante un período de tiempo de simulación de 200 nanosegundos. La etravirina mostró fluctuaciones de la desviación cuadrática media (RMSD) de aproximadamente 4,5 Å, mientras que sus derivados enumerados mostraron fluctuaciones de RMSD de 3,5 Å. A través de cálculos de acoplamiento molecular, MDS y energía libre, la etravirina enumerada demostró el mejor rendimiento, con un valor de actividad de 7,373 y una puntuación de acoplamiento de -10,517 kcal/mol. Además, la energía libre calculada de unión para la etravirina enumerada fue de -89,684 kcal/mol, superando a otros ligandos bajo investigación. La mejora significativa sugiere que la etravirina modificada tiene un potencial prometedor como agente novedoso en la terapia antirretroviral.

El valor RMSD más bajo obtenido, las interacciones de aminoácidos mejoradas y la energía libre de unión más alta indican que la etravirina enumerada podría servir como una alternativa viable para el tratamiento del VIH/SIDA.

Introduction

A pesar de los notables avances en el tratamiento, la grave amenaza para la salud mundial del síndrome de inmunodeficiencia adquirida (SIDA), causado por el virus de inmunodeficiencia humana-1 (VIH-1), sigue siendo una amenaza persistente¹. Los medicamentos antirretrovirales conocidos como inhibidores de la transcriptasa inversa (ITR) se utilizan para tratar la infección por el VIH. La transcriptasa inversa, una enzima polimerasa del ácido desoxirribonucleico (ADN) viral esencial para la replicación del retrovirus, es inhibida por los inhibidores de la transcriptasa inversa (ITR). Los inhibidores de la transcriptasa inversa análogos (ITIN) y los inhibidores de la transcriptasa inversa no nucleótidos (ITINN) son los principales ITR².

La terapia antirretroviral de gran actividad (TARGA), una combinación de varios medicamentos antivirales, se ha convertido en la terapia estándar para el VIH, controlando eficazmente la propagación del SIDA y transformando esta enfermedad que alguna vez fue mortal en una afección crónica manejable^. Los ITINN para el VIH-1 son actualmente una parte importante del régimen de TARGA⁴. La resistencia a los antimicrobianos (RAM) es una de las amenazas más graves para la salud mundial, con un estimado de 1,27 millones de muertes⁵. Como resultado, existe una necesidad urgente de solucionar los problemas de resistencia a los antimicrobianos e identificar nuevos agentes antimicrobianos. Según la Organización Mundial de la Salud (OMS), la resistencia a los antimicrobianos ha alcanzado niveles alarmantes en muchas partes del mundo.

Esto plantea un grave riesgo para el logro de los Objetivos de Desarrollo Sostenible, ya que socava la seguridad alimentaria, el crecimiento económico y la seguridad sanitaria, al tiempo que contribuye a las desigualdades sociales y económicas⁶. La prevalencia de virus resistentes a los medicamentos va en aumento, incluso en los medicamentos antirretrovirales diseñados para combatir el VIH. Según estadísticas recientes, a finales de 2022 casi 30 millones de personas en todo el mundo recibían tratamiento antirretrovírico⁷.

La OMS llevó a cabo 30 encuestas y descubrió que en 21 de ellas, más del 10% de las personas que comenzaron su tratamiento antirretroviral de primera línea tenían resistencia a Nevirapina o Efavirenz⁸. Además, las personas con exposición previa a medicamentos antirretrovirales tienen hasta tres veces más probabilidades de tener resistencia a los NNRTI que aquellas sin exposición⁹. Los estudios han revelado que un número considerable de lactantes menores de 18 meses de edad que fueron diagnosticados recientemente con VIH presentaban altas tasas de cepas resistentes a los medicamentos^10,11. Sorprendentemente, casi la mitad de ellos tenían una cepa resistente a (NNRTI) incluso antes de comenzar el tratamiento. Estos hallazgos subrayan la necesidad de acelerar los estudios para diseñar terapias innovadoras contra el VIH.

El desarrollo de cepas resistentes a los medicamentos y los efectos secundarios indeseables del uso prolongado han planteado inevitablemente desafíos para el uso clínico de los ITINN¹². El inicio de la terapia antirretroviral combinada (cART) prolonga la esperanza de vida de las personas que viven con el VIH a pesar de los posibles efectos secundarios adversos. Estos efectos secundarios abarcan el riesgo de desarrollar enfermedades no transmisibles, como lipodistrofia, hiperlipidemia, disminución de la densidad mineral ósea, nivel elevado de glucosa en sangre que conduce a diabetes mellitus tipo 2, hipertensión, mayor riesgo de accidente cerebrovascular y problemas relacionados con la obesidad¹³. El diagnóstico precoz y el acceso inmediato a una atención médica adecuada en la fase inicial de la infección por el VIH ofrecen ventajas considerables tanto desde el punto de vista clínico como público. El inicio oportuno del tratamiento antirretroviral y la profilaxis contra las infecciones oportunistas conduce a una reducción notable de las enfermedades y la mortalidad relacionadas con el VIH.

El uso del tratamiento antirretroviral también puede contribuir a la disminución de las posibilidades de transmisión del VIH al reducir el nivel de ácido ribonucleico circulante del VIH. Además, abordar el tratamiento de otras enfermedades de transmisión sexual y las coinfecciones también puede disminuir la probabilidad de una nueva infección por el VIH¹⁴. Los ITINN se encuentran entre las clases de tratamiento opcional de inhibidores que interactúan con la RT al unirse a la región alostérica o al sitio del VIH. Este tipo de inhibición se conoce comúnmente como inhibidor no competitivo porque el NNRTI no se une en el sitio activo del sustrato, sino más bien en el exterior. El efecto altera la conformación del sitio de unión del sustrato, lo que impide que el sustrato estándar se una y conduce a la terminación prematura de la cadena. Debido a su menor toxicidad en comparación con los ITIN, su estructura simple, su biodisponibilidad mejorada sobre los inhibidores de la proteasa y su excelente selectividad, los ITINN se han convertido en los inhibidores del VIH más atractivos¹⁵. Por lo tanto, la síntesis y el diseño de nuevos NNRTIs son cruciales desde el punto de vista farmacocinético^16,17.

Los ITINN son vitales en el tratamiento del VIH/SIDA debido a su gran eficacia y baja toxicidad. Sin embargo, los NNRTI tempranos como Nevirapina, Delavirdina y Efavirenz encuentran resistencia a las mutaciones virales en el sitio de unión de NNRTI¹⁸. Estos fármacos, que forman parte de la familia de la diarilpirimidina (DAPY), exhiben una potente actividad contra varias cepas de NNRTI, incluidas las resistentes a las NNRTI tempranas¹⁹, probablemente debido a su flexibilidad molecular y a su mayor barrera de resistencia contra el VIH-1 ^20,21. A pesar de su éxito, la alta tasa de mutaciones en el VIH-1 RT y la ausencia de actividad intrínseca de revisión han dado lugar a nuevos perfiles de resistencia en pacientes que utilizan Etravirina y Rilpivirina^22,23. Estas mutaciones virales difieren entre sí, al igual que las asociadas con los primeros fármacos NNRTI²⁴. Más de 50 clases de compuestos estructuralmente diversos han sido identificados como NNRTI. En particular, seis NNRTI han obtenido la aprobación para el tratamiento del VIH-1. Estos fármacos aprobados incluyen Nevirapina (NVP), Delavirdina (DLV), Efavirenz (EFV), Etravirina (ETR), Rilpivirina (RPV) y Doravirina (DOR). En la Figura 1 se muestran las estructuras químicas de estos seis fármacos NNRTI^{aprobados 25}.

En un estudio reciente²⁶, los cálculos de DFT y el acoplamiento molecular sugieren que la lovastatina y la simvastatina muestran potencial como agentes anticoronavirus. El cribado virtual identificó cinco nuevas moléculas candidatas aprobadas por la FDA similares al andamio efavirenz, con una afinidad de unión superior en la bolsa activa de la proteasa principal de la COVID-19.

Soltan et ^al.27 llevaron a cabo un estudio similar sobre la identificación de nuevas moléculas para mejorar la capacidad de unión al RT del VIH mediante el empleo de una estrategia basada en fragmentos con fármacos aprobados por la FDA para el diseño de derivados químicos. Aprovecharon específicamente las estructuras de delavirdina, efavirenz, etravirina y rilpivirina como andamios fundamentales. La semejanza farmacológica de estos derivados se evaluó a través de Swiss-ADME, seguido de su acoplamiento en estructuras cristalinas relacionadas. El estudio concluyó con la selección de compuestos que exhibían afinidades de unión superiores en comparación con sus andamios originales, en particular observando una mejora más pronunciada en los derivados diseñados a partir de los NNRTI de segunda generación, etravirina y rilpivirina. Por ejemplo, los derivados RPV01 y RPV15 mostraron mejoras significativas en los valores de energía acoplada con respecto a la rilpivirina, lo que indica una utilidad potencial para atacar las formas de RT del VIH tanto de tipo salvaje como mutantes.

La investigación realizada por Murugesan y colaboradores²⁸ propone varios enfoques de química médica para mejorar la eficacia y minimizar la resistencia en el tratamiento del VIH. El estudio empleó hibridación molecular, reemplazo bioisostérico y cribado de alto rendimiento. En su estudio, lograron identificar nuevos andamios NNRTI con alta potencia contra las cepas del VIH de tipo salvaje y resistentes a los medicamentos. Desarrollaron derivados de DAPY que exhiben una excelente selectividad y baja toxicidad, con algunos compuestos que muestran una inhibición efectiva a concentraciones nanomolares.

Últimamente, el uso de herramientas computacionales junto con la investigación in silico ha ganado popularidad debido a su análisis práctico de las características químicas cuánticas de un fármaco²⁹. En este estudio, se aplicó el diseño de fármacos asistido por ordenador, la teoría del funcional de la densidad, la relación cualitativa estructura-actividad y la dinámica molecular para descubrir NNRTI potentes.

Protocol

1. Detalles computacionales: preparación de proteínas

1. Haga clic en el icono de la ventana en la pantalla del monitor y haga clic en Todas las aplicaciones. Desplácese hacia abajo para navegar hasta la carpeta Schrödinger, abra la carpeta y haga clic en el icono de Maestro que se muestra en la Figura 2B, y seleccione abrir como se muestra en la Figura 2B para iniciar el software.
2. Recupere la estructura de proteína de su elección navegando por el botón de la pestaña Archivo en el software. En el menú corto que aparece, seleccione Obtener PDB, como se muestra en la figura 3A, e ingrese el código PDB de su elección en el cuadro de texto como se muestra en la figura 3B. Haga clic en el botón de descarga y el archivo PDB seleccionado se mostrará en la ventana del proyecto.
3. Alternativamente, descargue la proteína de su elección en la computadora local desde el Banco de Datos de Proteínas ingresando el código de identidad de la base de datos de proteínas (ID de PDB) en el cuadro de búsqueda y haga clic en descargar para descargar el archivo PDB en la computadora local. Vaya a la pestaña Archivo y seleccione la opción Importar estructuras . En la interfaz de importación , localice el archivo PDB descargado como se muestra en la figura 3C y seleccione el botón Importar como se indica en la figura 3D.
   NOTA: La estructura de la proteína se abrirá como una estructura 3D en una ventana separada, como se muestra en la Figura 4.
4. Navegue hasta la parte superior derecha del software, seleccione la opción de tarea y escriba preparación de proteínas en la barra de búsqueda . Haga clic en Flujo de trabajo de preparación de proteínas en la pantalla del lado derecho, como se muestra en la Figura 5A.
5. En la ventana del flujo de trabajo de preparación de proteínas que aparece, escriba el nombre del trabajo como el nombre del archivo que se va a guardar y haga clic en el botón verde Ejecutar en la esquina inferior derecha, como se muestra en la Figura 5B.
6. Supervise el trabajo a medida que se ejecuta haciendo clic en el botón Trabajos en la esquina superior derecha, como se muestra en la Figura 5C.
7. Seleccione y haga clic con el botón derecho en la proteína preparada y seleccione el ligando dividido, como se muestra en la Figura 5D. Elija dividirse en ligandos, agua y otros. Esto es para tener los componentes de la proteína como entradas independientes en el navegador del espacio de trabajo

2. Preparación del ligando

1. Descargue los compuestos químicos deseados de la base de datos de PubChem³⁰ escribiendo el nombre del compuesto de su elección en la barra de búsqueda . Recorra las estructuras y seleccione las estructuras tridimensionales (3D). Haga clic en Descargar en la ventana superior derecha para descargar las coordenadas de la estructura como un archivo de datos estructurados (SDF). Si una estructura 3D no está disponible, descargue la estructura 2D y utilice otras herramientas para generar una estructura 3D a partir de una estructura 2D.
2. Haga clic en la pestaña Archivo de Schrödinger y seleccione Importar estructuras, como se muestra en la Figura 6A. Navegue hasta la ubicación del archivo donde se guardan las estructuras en formato de archivo SDF para cargar los compuestos que se van a preparar.
3. Seleccione Tarea en la esquina superior derecha del software Schrödinger. Escriba LigPrep en la barra de búsqueda y seleccione LigPrep en la ventana de la derecha a la izquierda, como se muestra en la figura 6B.
4. Seleccione Usar estructuras desde para seleccionar archivos de la tabla Workspace o Project. Seleccione las opciones preferidas en la ventana LigPrep , guarde el archivo en el equipo local y haga clic en ejecutar para enviar el trabajo para la preparación del ligando, como se muestra en la figura 6C.

3. Geometría y optimización de ligandos

1. Abra el software³¹ para la optimización de la geometría de las estructuras descargadas. Vaya a la pestaña Archivo (Figura 7A) y seleccione Abrir para elegir el archivo SDF descargado de la base de datos de PubChem.
   NOTA: El archivo se cargará en la ventana principal. Haga clic en la otra ventana púrpura para visualizar los mismos compuestos químicos. Cada configuración implementada mostrará el resultado en la ventana púrpura.
2. Vaya a la pestaña Calcular y seleccione la pestaña Configuración de cálculo gaussiano. Vaya a la pestaña Tipo de trabajo que se muestra en la Figura 7B y elija Optimización u Opt+Freq.
   NOTA: Dependiendo del número (tamaño) de átomos o compuestos, optimice primero, seguido de la frecuencia. Si el compuesto es más pequeño, realice Opt+Freq. Cuanto más grande es la molécula, más tiempo se tarda en realizar tanto Opt+Freq en comparación con la Optimización seguida de la Frecuencia.
3. Vaya a la pestaña Método y seleccione los métodos de química cuántica y, a continuación, la densidad de correlación de intercambio híbrido global de Kohn-Sham funcional de elección, conjunto de bases, carga y espín de elección en las flechas desplegables de cada sección.
4. Desplácese hasta el Título y especifique un nombre para el compuesto que se está investigando.
5. Vaya a la pestaña Enlace 0 y especifique el Límite de memoria y los procesadores compartidos de su elección. Desmarque las casillas Ruta completa como se muestra en la Figura 7C.
6. Haga clic en el botón Editar en la parte inferior para guardar el archivo de entrada gaussiano, como se muestra en la Figura 3C. Guarde el archivo en la ubicación preferida con un nombre de archivo de elección como archivo de trabajo gaussiano (gjf).
   NOTA: Después de guardar el archivo de entrada gaussiano, aparecerá una ventana emergente que muestra el contenido del archivo en el Bloc de notas. Edite el contenido del archivo, incluidas opciones como cambiar el cargo y la función que no estaban disponibles en las opciones de configuración. El archivo de trabajo gaussiano preparado se utilizará como archivo de entrada para el envío para ejecutar los cálculos de optimización y frecuencia a través de una computadora local.
   Posteriormente, se llevó a cabo la optimización geométrica de estas estructuras utilizando el conjunto de bases³³ funcionales MN15-L y 6-31++G(d,p)³³. Sin embargo, en caso de que surjan problemas en la ejecución del proceso de optimización y frecuencia, se puede enviar el trabajo con la ayuda de un HPC.

4. Generación de la red receptora

1. Vaya a Tareas y seleccione generación de cuadrícula de receptores³⁴. La interfaz de generación de rejilla del receptor que se muestra en la Figura 8A identifica el sitio activo de la proteína donde se une el ligando del cristal central. Haga clic en Seleccionar para identificar el ligando y verificar si hay un ligando cocristalizado presente en la notificación superior emergente que se muestra en la Figura 8B.
2. Seleccione los ligandos y/o residuos del espacio de trabajo, y los compuestos de interés seleccionados mostrarán un resaltado azul en el espacio de trabajo.
3. Seleccione la pestaña de configuración en el panel de generación de cuadrícula del receptor para establecer el tamaño de la caja de cuadrícula. El tamaño predeterminado del cuadro de cuadrícula es 10 Å x 10Å x 10Å. Modifique las dimensiones de la caja en la pestaña Cuadrícula Caja introduciendo los valores deseados directamente o cambiando manualmente el tamaño de la caja dentro del espacio de trabajo.
   NOTA: Alternativamente, configure parámetros adicionales desde la pestaña Avanzado como se muestra en la Figura 8C si es necesario. Revise todos los ajustes para garantizar la precisión.
4. Haga clic en Ejecutar para comenzar la generación de cuadrículas. Una vez completado, guarde los archivos de cuadrícula generados para simulaciones de acoplamiento posteriores. Se mostrará un mensaje de notificación cuando se complete el trabajo, como se muestra en la Figura 8D.

5. Acoplamiento molecular

1. Cargue la proteína y los ligandos preparados navegando a Tareas, Acoplamiento³⁵ y Acoplamiento de ligandos (acoplamiento deslizante), como se muestra en la Figura 9A.
2. Cargue el archivo de cuadrícula del paso 4.1 anterior y seleccione los ligandos del espacio de trabajo utilizando la opción Usar ligando de la Figura 9B.
3. Elija el método de precisión de acoplamiento preferido en la pestaña de configuración que se muestra en la Figura 9 C (la precisión de acoplamiento predeterminada es Precisión estándar (SP)).
4. Establezca el campo de fuerza en OPLS4 para un modelado preciso de las interacciones moleculares. Establezca restricciones (por ejemplo, enlaces de hidrógeno) en la pestaña Restricciones .
5. Revise toda la configuración y guarde el trabajo o archivo de acoplamiento. Haga clic en EJECUTAR para iniciar el proceso de acoplamiento.
6. Una notificación indica que el trabajo se ha completado y se abre la tabla de proyectos para los resultados del acoplamiento. Examina las posturas, puntuaciones e interacciones de unión.

6. Generación de modelos 2D-QSAR

1. Vaya a la página web del centro de la comunidad KNIME y busque AutoQsar en la barra de búsqueda . Seleccione la segunda entrada de AutoQsar que aparece en la Figura 10A.
2. Haga clic en el icono download workflow y seleccione descargar flujo de trabajo en el menú emergente que se muestra en la Figura 10B. Guarde el flujo de trabajo en el equipo local.
3. Asegúrese de que KNIME³⁶ esté instalado y, a continuación, ábralo desde el ordenador local. Compile una hoja de cálculo con las sonrisas canónicas, el nombre de la estructura, los valores de actividad/IC₅₀ (en micromolares) y -log(actividad/IC) o cualquier descriptor químico de su elección. Guarde el archivo en un formato de valores separados por comas (CSV) en el equipo local.
4. Vaya a Archivo e importe el flujo de trabajo de AutoQSAR³⁷. En la ventana emergente, haga clic en Importar flujo de trabajo de KNIME para seleccionar el flujo de trabajo de AutoQSAR descargado, como se muestra en la Figura 10C y seleccione Abrir | Siguiente | Terminar.
5. El flujo de trabajo de AutoQsar se mostrará en la ventana de KNIME Explorer en la parte superior izquierda. Haga doble clic en el flujo de trabajo para llevarlo a la ventana principal.
6. Haga doble clic en el icono del lector molecular (a MAE) y, en la pestaña Configuración , haga clic en Agregar archivo(s) para agregar la hoja de trabajo con los datos de entrada de datos o parámetros.
7. Seleccione la pestaña Política de memoria y haga clic en Escribir tablas en el disco | De acuerdo.
8. Haga clic con el botón derecho en el botón Extraer propiedades y seleccione Configurar, como se muestra en la figura 10D.
9. Seleccione y filtre las propiedades moleculares o químicas de su elección desde la ventana Excluir hasta la ventana Incluir . Haga clic en Aplicar.
10. Haga clic con el botón derecho en AutoQSAR Build Model y haga clic en Configurar. Introduzca el nombre delmodelo Q SAR en el cuadro de diálogo emergente.
11. Haga clic en el botón deselección y seleccione la propiedad que se puede ajustar de las incluidas. Elija el valor del conjunto de entrenamiento aleatorio (por ejemplo, 85%:15%) y varios modelos para conservar. Haga clic en Aplicar.
12. Haga clic con el botón derecho en la parte inferior del Lector de moléculas y seleccione Configurar. Cargue los ligandos de prueba desde un archivo CSV Excel preparado que contenga los ligandos que se van a probar.
13. Haga clic con el botón derecho en Extraer propiedades y establezca la configuración a su elección.
14. Haga clic con el botón derecho en la parte superior del Lector de moléculas y seleccione ejecutar.
    NOTA: Un punto naranja indica que el proceso ha comenzado, y una luz verde mostrará la ejecución exitosa del proceso. El siguiente paso continuará hasta que todos los nodos se hayan ejecutado con éxito.
15. . Ejecute el segundo lector de moléculas para ligandos de prueba.
16. Guarde la carpeta zip con los resultados del conjunto de prueba y entrenamiento después de la ejecución exitosa de todos los nodos.
    NOTA: Seleccione el modelo de mejor rendimiento en función de los resultados de la validación cruzada, como SD (desviación estándar), R2 (correlación del conjunto de entrenamiento entre los valores de actividad reales y previstos) y Q2 (correlación de actividad real y predicha del conjunto de pruebas).
17. Evalúe el rendimiento del flujo de trabajo evaluando el rendimiento del modelo mediante un marcador o nodos estadísticos.
18. Para interpretar los resultados, identifique los descriptores principales o clave utilizando la importancia de la característica. Visualice los resultados como un diagrama de dispersión o un gráfico de barras para determinar el rendimiento y la relación entre los descriptores. Guarde el flujo de trabajo y exporte los datos de resultados, las predicciones y las visualizaciones como un diagrama de dispersión y/o archivos CSV.

7. Enumeración

1. Vaya a Tarea y busqueL igand Designer, como se muestra en la figura 11A.
2. Seleccione un par de la proteína acoplada y el complejo de ligando en el navegador del espacio de trabajo. Haga clic en Analizar espacio de trabajo en la ventana del diseñador de ligandos. Para generar y evaluar nuevos ligandos, seleccione el escaneo Isostere de la lista de flujos de trabajo que aparecen, como se muestra en la Figura 11B, implica el método de crecimiento que extiende el ligando mediante la adición de fragmentos a las partes existentes de la molécula.
3. Después de configurar la opción denumeración e, haga clic en enumerar en la ventana de notificación de Isostere Scanning que aparece. Repita el paso 6.2 para la misma proteína y un ligando diferente hasta que todos los ligandos hayan realizado el mismo proceso. Revise los ligandos enumerados de la tabla de proyectos.
4. Guarde las estructuras exportando los ligandos diseñados.
   NOTA: El método de enumeración generó un conjunto de puntuaciones de acoplamiento cuando se completó la simulación.
5. Seleccione individualmente los compuestos enumerados con las puntuaciones de acoplamiento más negativas y vuelva a acoplarlos utilizando el procedimiento de acoplamiento descrito en la sección 4.

8. HOMO y LUMO

1. Abra el software y cargue el ligando optimizado en formato de archivo de trabajo gaussiano.
2. Vaya a herramientas y seleccione Editor MO en puntos rojos y verdes, como se muestra en la Figura 12A.
   NOTA: El método de enumeración generó un conjunto de puntuaciones de acoplamiento cuando se completó la simulación.
3. En el panel del editor MO en método, cargue el archivo FChk haciendo clic en cargar Mos desde el archivo Chk o FChk existente, como se muestra en la Figura 12B.
4. Haga clic en la pestaña visualizar | actualizar. Espere ~10 s para que aparezca la superficie actual, como se muestra en la Figura 12D.
5. Haga clic en una de las dos casillas de verificación junto a las cifras amarillas resaltadas para seleccionar la superficie HOMO o LUMO³⁸ que se mostrará en la ventana junto a ella.
6. Haga clic con el botón derecho en el fondo púrpura y seleccione Archivo. Haga clic en guardar el archivo de imagen para guardar la imagen de la superficie actual, como se muestra en la Figura 12E.
7. Haga clic con el botón derecho en el fondo púrpura y seleccione Ver. Elija el formato de visualización para cambiar el fondo en la pestaña General, la transparencia de la superficie en la pestaña Superficie, el tamaño y el color de la fuente en la pestaña Texto, la calidad de la imagen y el diseño preferido de la superficie en la pestaña Molécula, como se muestra en la Figura 12F.
8. Como alternativa, genere un archivo de cubo y cargue el archivo FChk en GaussView. Vaya a la pestaña Resultados y elija Superficies/Contornos. Haga clic en acciones del cubo y cargue el cubo. Haga clic en Acciones de superficie y elija una nueva superficie. Repita el paso 8.7 para editar la superficie.
   NOTA: Cuanto menor sea la brecha de energía entre HOMO y LUMO³⁹ (la diferencia entre LUMO y HOMO), más reactiva se espera que sea una molécula. Calcule la brecha de energía (_brecha E) usando la Ec 1 para cada molécula.
   

9. Simulación de dinámica molecular: preparación y minimización del sistema

1. Asegúrese de que Schrödinger Suite se ha instalado en el ordenador local y cargue las estructuras complejas proteína-ligando en el espacio de trabajo⁴⁰.
2. Haga clic en el botón Tarea y elija Desmond System Builder⁴¹. En el panel del constructor de sistemas , seleccione la pestaña Solvatación y elija el modelo de solvente predefinido como se muestra en la Figura 13A, la forma de la caja como se muestra en la Figura 13B y el método de cálculo del tamaño de la caja como se muestra en la Figura 13C⁴², que se adapten al complejo proteína-ligando.
3. Seleccione la pestaña de iones y haga clic en recalcular para neutralizar el sistema agregando contraiones y estableciendo la concentración de sal deseada.
4. Elija el OPLS^43,44 de su elección como campo de fuerza.
5. Asigne al trabajo el nombre adecuado y guarde el archivo de trabajo en el equipo local. Haga clic en ejecutar para enviar el trabajo para su preparación.
   NOTA: Asegúrese de que el nombre del trabajo esté guardado. Utilice un nombre detallado.
6. Equilibrio y producción
7. Ver el proyecto en el espacio de trabajo Después de la preparación del sistema. Seleccione el complejo proteína-ligando en el Workspace Navigator, navegue por la tarea y elija dinámica molecular (Desmond).
8. Cargue el complejo ligando-proteína desde el espacio de trabajo en el panel de dinámica molecular. Seleccione la línea de tiempo de simulación deseada en la pestaña de simulación . Seleccione NPT como la clase de conjunto⁴⁵.
9. Asigne un nombre apropiado al trabajo y escríbalo. Haga clic en Cerrar para salir de la ventana de dinámica molecular.
10. Envíe el trabajo escrito para la preparación de dinámica molecular a través de un terminal local. Una vez finalizado, abra el trabajo completado y continúe el tiempo de simulación desde la línea de tiempo de simulación establecida inicialmente hasta el tiempo de simulación deseado⁴⁵, por ejemplo, 100 ns, 200 ns.
    NOTA: Repita el paso 9 para los otros complejos proteína-ligando.
    1. Abra el trabajo completado en el software Schrödinger Maestro y combine los diferentes períodos de tiempo de simulación si se ejecutaron trabajos separados. Navegue hasta el botón TAREA y seleccione el diagrama de interacción de la simulación. Cargue los archivos combinados o el archivo individual para visualizar la trayectoria.
11. Genere un informe que incluya las visualizaciones y otros resultados de salida detallados.

10. Mecánica molecular con Born generalizado y área superficial (MM-GBSA)

1. Abra el archivo de trayectoria y reproduzca la trayectoria. Visualice dónde se equilibra el complejo proteína-ligando y observe el número de fotogramas. Envíe el trabajo a través del terminal para su procesamiento.
2. Repita la sección 9 (preparación de la simulación de dinámica molecular de proteínas) para el otro complejo proteína-ligando.
3. Catenar/ver el contenido del archivo de salida para analizar los resultados generados. Lea el promedio ΔG para obtener la energía libre de unión del complejo proteína-ligando.
4. Descarga el archivo CSV para visualizar las contribuciones de diferentes moléculas intramoleculares.
5. Para calcular la energía de enlace libre del complejo, tome nota de los diversos parámetros de termodinámica y desolvatación, incluida la energía de enlace (_enlace ΔG), el modelo de solvatación columbínica (ΔG_{se une} a Coulumb), el término de solvatación no polar (ΔG_{se une} a Lipo), la corrección del enlace de hidrógeno (ΔG_{se une} a Hbond), la unión covalente (ΔG_{se une a} Covalente), π-π corrección de empaquetamiento (ΔG_{se une} a Packing), la energía de solvatación electrostática de Born generalizada (_{ΔG se une} sol GB) y la interacción de van der Waals (ΔG_bind vdW).
   1. Deduje el ΔGbind final promediando los valores de_{ΔG bind} determinados para cada instantánea dentro de la simulación MD, como se muestra en la Ec 2.

Results

Generación de rejillas receptoras y acoplamiento molecular

Se utilizó la herramienta de generación de rejilla de receptores de Maestro para caracterizar adecuadamente el sitio de unión para el acoplamiento posterior. El ligando cocristalizado se utilizó para definir la cuadrícula. Se utilizó el ajuste de deslizamiento de precisión SP para el acoplamiento molecular. Se utilizó la herramienta LigPrep de Schrödinger Maestro para preparar los ligandos para el acoplamiento utilizando el campo de fuerza OPLS4. Para las simulaciones de dinámica molecular, se utilizó el campo de fuerza OPLS4 en Desmond. Los campos de fuerza son fundamentales para las simulaciones moleculares clásicas, y su precisión es crítica para la calidad de las simulaciones de unión proteína-ligando en el descubrimiento de fármacos. Para OPLS4, la carga y la asignación de parámetros se completaron con Schrödinger Maestro. La aplicación de los parámetros de OPLS4 dio lugar a mejoras significativas en las comparaciones energéticas y geométricas en comparación con los parámetros predeterminados de OPLS2005.

Esto implicó el acoplamiento de ligandos específicos que se sabe que tienen afinidad por la proteína diana del VIH-1, lo que permitió un análisis exhaustivo de las interacciones entre las moléculas del ligando y los residuos del receptor. La Tabla 1 representa un resumen de la clasificación de compuestos para el modelado QSAR.

Tras el acoplamiento de HBY561, se evaluó el protocolo de acoplamiento comparando el ligando reacoplado con el que se encuentra en el sitio activo de la proteína cristalina 1HQU. Las estructuras HBY561 acopladas y cristalizadas se proporcionan en el Archivo Suplementario 1 (Figura Suplementaria S1 y Figura Suplementaria S2). Para evaluar la similitud entre las posturas acopladas y las estructuras de referencia, un valor de desviación cuadrática media (RMSD) inferior a 2,0 Å se considera ampliamente como un criterio para obtener resultados de acoplamiento fiables. Este umbral indica que la estructura predicha se alinea estrechamente con los datos experimentales. En este estudio, los ligandos demostraron un RMSD de 1,27 Å al comparar la estructura de referencia con la posición acoplada, como se ilustra en rojo en la Figura Suplementaria S3. Esto demostró que el protocolo de acoplamiento era suficiente para este trabajo y, como resultado, todos los ligandos se acoplaron utilizando la misma configuración. Al examinar las puntuaciones de acoplamiento presentadas en la Tabla 2, Efavirenz y Etravirine han mostrado las puntuaciones más favorables a -10,432 eV y -9,647 eV en relación con la puntuación de acoplamiento del ligando cocristalizado HBY561 (-9,242 eV). La Figura Suplementaria S4 del Archivo Suplementario 1 muestra los diagramas de interacción del ligando entre la proteína VIH-1 original y el ligando Crystal, Etravirina y Efavirenz.

Los enlaces de hidrógeno, el apilamiento π-π y las interacciones hidrofóbicas son las principales fuerzas que contribuyen a la unión. Un caso específico de enlace de hidrógeno surgió entre HBY561 y la proteína designada 1HQU, involucrando explícitamente el residuo de aminoácido LYS101. Este patrón de enlace reflejó las observaciones realizadas con los ligandos Efavirenz y Etravirina, como se muestra en la Figura 14.

Además, las interacciones hidrofóbicas fueron esenciales para la unión en varias ubicaciones de proteínas que involucran HBY561, Etravirina y Efavirenz, además de las fuerzas intermoleculares, los enlaces de hidrógeno y el apilamiento de π-π. Se observó un apilamiento de π a π entre TYR318 y el anillo aromático de Efavirenz. Tanto los enlaces de hidrógeno como el apilamiento de π-π fueron esenciales para mantener las conexiones de unión entre los ligandos y la proteína. Los diagramas de interacción de ligandos de HBY_561, Nevirapina, Doravirina, Efavirenz y Etravirina se presentan en el Archivo Suplementario 1-Figura Suplementaria S5.

Estas fuerzas intermoleculares influyen en las interacciones proteína-ligando y son cruciales para el desarrollo de fármacos que reduzcan la resistencia a los antimicrobianos en el VIH-1. Su papel en la mejora de la afinidad de unión, la especificidad y el mecanismo de acción ayuda a diseñar fármacos que puedan dirigirse eficazmente al virus e inhibirlo, abordando así la creciente preocupación por la resistencia a los antimicrobianos en el contexto del tratamiento del VIH-1.

Preparación de conjuntos de datos 2D-QSAR

Las fases de entrenamiento y prueba involucraron 94 compuestos. Estos compuestos se clasificaron en cuatro clases, cada una de las cuales representa ligandos asociados con la proteína específica analizada. El proceso de capacitación utilizó el flujo de trabajo KNIME AutoQSAR con actividad, HOMO y LUMO fueron seleccionados como los tres descriptores para esta investigación.

Generación 2D-QSAR

Los valores de actividad de las 94 moléculas se determinaron a través de datos experimentales (Tabla Suplementaria S1). Los resultados generados a partir del modelo QSAR se pueden encontrar en la Tabla 3. Los compuestos de clase 1 de la Tabla Suplementaria S2 se utilizaron para el modelado QSAR, mostrando los grupos Ar agregados y sus respectivos valores de actividad. Los resultados de las cuatro clases indican que se obtuvo la puntuación más alta de 0,8223, R² de 0,815 y Q ² de 0,8182, correspondientes a la Clase 1. Esto se alinea con los criterios anteriores de apuntar a R² cerca de 1 y Q² mayor que 0.7⁴⁶. En consecuencia, seleccionamos la clase 1 para el entrenamiento de nuestro modelo QSAR. Si bien los modelos para las clases 3 y 4 demostraron un excelente valor de correlación R² de 0,8172 y 0,6673, respectivamente, no igualaron el rendimiento de la clase 1.

Se llevó a cabo una correlación cruzada para validar aún más la estabilidad del modelo QSAR propuesto de acuerdo con el criterio de que la diferencia entre la puntuación^Q2 0,8223 y R² debe ser menor o igual a 0,3⁴⁷. Nuestro modelo propuesto para la clase 1 tiene una diferencia de 0,0038. En la Figura 15 se proporciona el diagrama de dispersión que representa la actividad observada frente a la actividad predicha.

Brecha energética HOMO-LUMO

La determinación de la brecha de energía entre el orbital molecular desocupado más bajo y el orbital molecular ocupado más alto, comúnmente conocida como brecha de energía HOMO-LUMO, juega un papel crucial en la caracterización de la reactividad química y la estabilidad cinética de una molécula en el contexto de los seis compuestos NNRTI. Los orbitales moleculares fronterizos desempeñan un papel fundamental en la facilitación de las interacciones de transferencia de carga con el sitio de unión de la proteína del VIH. La confirmación del mínimo de energía se aseguró examinando las frecuencias vibratorias y confirmando la ausencia de frecuencias negativas o imaginarias; posteriormente, se obtuvieron los valores de HOMO y LUMO para cada mínimo de energía. Un valor más alto de HOMO significa la competencia de una molécula como donante de electrones, mientras que un valor más bajo sugiere que actúa como un aceptor de electrones débil. La Figura Suplementaria S6 representa las brechas de energía HOMO_LUMO para los seis NNRTI optimizados. Además, una brecha de energía reducida entre los niveles de energía HOMO y LUMO influye fuertemente en las interacciones de transferencia de carga intermolecular que ocurren entre las moléculas estudiadas debido a la fuerte capacidad de aceptación de electrones y bioactividad de las moléculas⁴⁸.

La tendencia en los valores de la brecha energética, tal como se presenta en la Tabla 4, sigue un orden descendente: Efavirenz > Etravirina > HBY-561 > Nevirapina > Delavirdina > Doravirina > Rilpivirina. La brecha energética sustancial observada para Efavirenz y Etravirine significa que los análisis de las puntuaciones de acoplamiento revelan una correlación entre la bioactividad y la brecha HOMO-LUMO. En particular, el potencial antiviral aumenta con mayores valores de brecha HOMO-LUMA. Indica no solo la estabilidad de los compuestos, sino también su potencial para formar interacciones estables con el receptor. La brecha HOMO-LUMO desempeña un papel importante en la comprensión de la bioactividad de las moléculas, especialmente en el contexto del diseño de fármacos contra el VIH-1.

Enumeración

Se han creado varias herramientas para la enumeración de bibliotecas virtuales. Las herramientas utilizadas para la enumeración incluyen Schrödinger. Se basa en el método de salto de núcleo, en el que las bibliotecas se crean sustituyendo uno o varios adjuntos en una estructura de núcleo con fragmentos de compuestos reactivos⁴⁹. La herramienta de enumeración de Maestro v13.1 se utilizó para agregar grupos laterales personalizados o átomos a cada uno de los seis NNRTI. Los nuevos compuestos también se utilizaron para predecir actividades. Hubo una mejora en los valores de actividad esperados de las moléculas enumeradas en comparación con las moléculas NNRTI optimizadas inicialmente, como se puede observar en la Tabla 5.

La mejora mostrada en los valores de actividad de los ligandos enumerados se debió al proceso de enumeración realizado ya que el grupo R personalizado agregado influyó en las fuerzas de interacción del nuevo compuesto propuesto y la proteína original. Los compuestos enumerados se prepararon para la mecánica cuántica optimizando estas moléculas y calculando sus frecuencias vibratorias. Se calcularon sus brechas de energía y se compararon con las brechas de energía de los NNRTI. La observación general, como se muestra en la Tabla 6, indica que los compuestos enumerados son más estables que sus contrapartes optimizadas.

En la Tabla 6, se observó que la brecha energética de los compuestos enumerados en comparación con los compuestos optimizados mostró una tendencia similar. Esto indica que las propiedades químicas de las moléculas enumeradas permanecieron sin cambios, independientemente de cualquier rotación conformacional. Así, fueron capaces de mantener importantes fuerzas intermoleculares con los residuos de aminoácidos de la proteína.

Antes de realizar el proceso de enumeración para los NNRTI, como se describe en la sección 6 del protocolo, los resultados de salida observados tenían sus puntuaciones de acoplamiento iniciales del proceso de enumeración, representadas en la Tabla 7 en la columna de puntuación de acoplamiento enumerada. Como se explica en la sección 4 del protocolo, se llevó a cabo el proceso de acoplamiento molecular para validar la puntuación de acoplamiento propuesta para los compuestos enumerados. Se pudo observar que después de reacoplar los compuestos enumerados, las nuevas puntuaciones de acoplamiento mejoraron, como se muestra en la columna 'ligandos enumerados reacoplados'. Las puntuaciones de reacoplamiento de los compuestos enumerados se compararon con las puntuaciones de acoplamiento de los NNRTI originales representados en la columna "puntuación de acoplamiento original" del Cuadro 7. Se pudo observar que para los compuestos enumerados, las puntuaciones de acoplamiento para HBY_561, Etravirina, Efavirenz y Doravirina fueron mejores que las de sus compuestos optimizados equivalentes. Sin embargo, Delavirdine posee la misma puntuación de acoplamiento que Delavirdine enumerada y optimizada.

Dinámica molecular

HBY 561 forma tres enlaces de hidrógeno con LYS101, los átomos de N altamente electronegativos y el OH. El ligando cristalino, o tercera molécula, establece dos enlaces de hidrógeno simultáneamente con azufre e hidrógeno y un tercer enlace de hidrógeno con GLU138. Es importante destacar que el apilamiento π-π y las interacciones hidrofóbicas contribuyen significativamente a las fuerzas intermoleculares involucradas. Además, la presencia de enlaces de hidrógeno adicionales es crucial para la dinámica molecular, particularmente reflejada en los gráficos de desviación cuadrática media (RMSD) resultantes. En total, se observa que Efavirenz forma tres enlaces de hidrógeno con el átomo de nitrógeno muy electronegativo, el átomo de oxígeno en el otro anillo no aromático y el anillo de benceno y TYR318 entre el ligando N altamente electronegativo en el anillo central. Se observa un segundo enlace de hidrógeno entre el N del anillo y el OH y el LY101. La etravirina muestra tres enlaces de hidrógeno con LYS101. La doravirina forma un enlace de hidrógeno con GLU138. La nevirapina muestra dos enlaces de hidrógeno con LY101.

En este caso, la interacción residuo de aminoácidos compartida por todos los ligandos es LYS101. A pesar de que sus estructuras difieren, todos interactúan con el mismo residuo de aminoácidos. Se llevaron a cabo simulaciones de MD con los parámetros enumerados en la sección 2.8 del protocolo para determinar qué tan bien o mal se une cada ligando (NNRTI y el NNRTI enumerado) al sitio activo de 1HQU. La interacción del ligando representada en la Figura 16 indica enlaces de hidrógeno robustos entre el aminoácido LY101 de la proteína y las moléculas HBY 561, Nevirapina, Efavirenz y Etravirina. Como se puede ver en la comparación de la Tabla 7, estas fuertes interacciones explican las altas puntuaciones de acoplamiento de cada compuesto.

Para evaluar la eficacia de unión de cada ligando, incluyendo el NNRTI y el NNRTI enumerado en el sitio activo de 1HQU, se realizaron simulaciones de dinámica molecular (MDS). En concreto, se seleccionaron los cuatro compuestos enumerados que demostraron mejores puntuaciones de acoplamiento que los combos optimizados originales. Estos compuestos elegidos se sometieron a MDS como método de validación para examinar y observar la reacción de cada molécula con la proteína VIH-1 durante un período específico, considerando las interacciones interatómicas en presencia de un ligando.

Antes de iniciar el MDS para los glicanos recientemente enumerados, era fundamental confirmar la idoneidad del protocolo de simulación para nuestro sistema. Para lograr esto, el paso inicial consistió en ejecutar MDS de la proteína libre 1HQU. No había ningún ligando presente dentro del sitio activo de la proteína (Figura 17A y Figura Suplementaria S7). Hasta ~60 ns, hay fluctuaciones considerables en la estructura de la proteína, produciendo cambios de Cα RMSD de hasta 4,5 Å; después de eso, la proteína parece estabilizarse con una fluctuación RMSD de ~ 3.5 Å hasta 200 ns. Esta estabilización nos convenció de que el protocolo MD sería apropiado para nuestros complejos proteína-ligando, que se analizarán en la siguiente sección.

El MDS de 200 ns de etravirina y la etravirina enumerada (Figura 17B, C) mostraron fluctuaciones de la desviación cuadrática media (RMSD) de etravirina cercanas a 5,0 Å y equilibrio de 4,5 Å. La etravirina enumerada mostró fluctuaciones RMSD de 4,5 Å y equilibrio de 3,5 Å. Esta estabilización indica que la etravirina enumerada puede ser un ligando potencial de NNRTI para el tratamiento del VIH/SIDA. Una trayectoria con un RMSD inferior a 5 Å significa un fuerte efecto de unión entre la proteína y el ligando del sitio activo. Esta observación se realizó para todos los compuestos mencionados anteriormente, excepto para Nevirapina y Doravirina, entre los compuestos enumerados (Archivo Suplementario 1: Figura Suplementaria S8, Figura Suplementaria S9, Figura Suplementaria S10 y Figura Suplementaria S11).

Las figuras 18 y 19 analizan con más detalle la unión entre la etravirina, la etravirina enumerada y la proteína. Los datos analizados incluyen un histograma de la interacción, los contactos ligando-proteína y proteína-ligando. El histograma de contactos de interacción para cada ligando respectivo unido a la proteína está directamente relacionado con las fuerzas de interacción correspondientes entre los residuos del aminoácido de la proteína y el ligando. La alta abundancia de LYS101 es muy distinta para la etravirina y la etravirina enumerada, y se observó una banda naranja gruesa visible. Se observó una banda de color naranja claro débilmente discernible situada en la extremidad inferior de la tabla de etravirina enumerada en correlación con TYR181. Esta correspondencia indica la existencia de dos fuerzas de atracción intermoleculares entre GLU138. Esta observación positiva para los ligandos y sus formas enumeradas se compararon para analizar un ligando mejor como un compuesto NNRTI potencial. Sobre la base de los resultados obtenidos, la etravirina enumerada posee el potencial de ser utilizada para el tratamiento del VIH/SIDA.

Mecánica molecular con cálculos generalizados de Born y área superficial (MM-GBSA)

En este estudio, la principal fuente de aporte energético hacia la energía libre de enlace, ΔG_bind, fue la contribución de la interacción de van der Waals, ΔG_VdW . La etravirina enumerada tiene un ΔG_VdW más alto de -66,146 kcal/mol que su contraparte NNRTI conocida con un ΔG_VdW de -64,669 kcal/mol. El valor más alto de_{ΔG Hbond} de -2,541 kcal/mol enumerado como etravirina indica la contribución significativa de las fuerzas de atracción del hidrógeno entre el ligando y la proteína. Las contribuciones del ΔG_Coulomb y el ΔG_Covalente para la etravirina enumerada (-17,976 y 2,807 kcal/mol) fueron mucho mayores que las de la contraparte NNRTI conocida, que tuvo -11,196 y 2,491, respectivamente.

Los resultados observados durante la unión de etravirina y la etravirina enumerada con la proteína 1HQU son algo consistentes. Se encontró que la etravirina enumerada era mejor que su contraparte, la etravirina, debido a dos enlaces de hidrógeno adicionales. El estudio también reveló que se prefirió la etravirina enumerada para unirse a la bolsa identificada. La_unión ΔG más negativa (-89,684 kcal/mol) para la etravirina enumerada en comparación con la de la etravirina (-80,551 kcal/mol) muestra que la etravirina enumerada es un buen inhibidor de la RT del VIH-1.

Figura 1: Estructuras químicas de seis inhibidores de la transcriptasa inversa sin nucleótidos aprobados por la Administración de Alimentos y Medicamentos de los Estados Unidos para el virus de inmunodeficiencia humana-1. NVP = Nevirapina; DLV = Delavirdine; EFV = Efavirenz; ETV = Etravirina; RPV = rilpivirina; DOR = Doravirina. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Apertura de la aplicación Maestro Schrödinger en Windows en el equipo local. (A) Navegando a la aplicación Maestro Schrödinger en la computadora local. (B) Cómo abrir y ejecutar la Aplicación Maestro Schrödinger en la computadora local. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Importación de una estructura de archivos PDB desde el ordenador local a la ventana del proyecto en Schrödinger. (A) Función de estructura de importación en Maestro Schrödinger. (B) Cuadro de texto PDB ID. (C) Archivo PDB descargado en la computadora local. (D) Botón Importar para permitir que se importe el archivo de ID de PDB insertado. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Estructura del archivo PDB importado en la ventana del proyecto Schrödinger. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: Flujo de trabajo de preparación de proteínas. (A) Interfaz de búsqueda del flujo de trabajo de preparación de proteínas. (B) Guardar el nombre del archivo de trabajo e iniciar el proceso de preparación de proteínas. (C) Ventana de supervisión para trabajos en ejecución. (D) Descomponer el ligando en sus componentes individuales. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6: Flujo de trabajo de preparación de ligandos. (A) Importación de estructuras desde el ordenador local a la ventana del proyecto Schrödinger de preparación de proteínas. (B) Búsqueda del proceso de preparación del ligando. (C) Ventana de flujo de trabajo de preparación de ligandos. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7: Flujo de trabajo de geometría y optimización. (A) Ventana de menú GaussView para la optimización de la geometría. (b) Tipos de trabajo disponibles en la pestaña Calcular de GaussView. (C) Opciones disponibles en la pestaña Link0 en GaussView. Haga clic aquí para ver una versión más grande de esta figura. 

Figura 8: Flujo de trabajo de generación de gride deslizante y acoplamiento molecular. (A) Interfaz de flujo de trabajo de generación de rejilla de receptores. (B) Notificación emergente para seleccionar un átomo dentro del ligando. (C) Ajustes avanzados del receptor. (D) Notificación de finalización del trabajo. Haga clic aquí para ver una versión más grande de esta figura.

Figura 9: Acoplamiento del ligando de deslizamiento. (A) Interfaz para la búsqueda de acoplamiento de ligandos deslizantes. (b) Interfaz de acoplamiento de ligandos. (C) Ajustes de precisión para el acoplamiento deslizante. Haga clic aquí para ver una versión más grande de esta figura.

Figura 10: Flujo de trabajo de preparación de KNIME QSAR. (A) Búsqueda del nodo AutoQSAR en la página web del centro de la comunidad KNIME. (B) Botón de descarga para obtener el nodo KNIME de AutoQSAR. (C) Importar el flujo de trabajo de AutoQSAR KNIME descargado. (D) Ajustes de configuración para ligandos al construir un modelo QSAR. Haga clic aquí para ver una versión más grande de esta figura.

Figura 11: Enumeración de ligandos usando el Diseñador de ligandos en Maestro Schrödinger. (A) Búsqueda de opciones de Diseñador de ligandos en Schrödinger. (B) Lista de flujos de trabajo para llevar a cabo el proceso de enumeración. Haga clic aquí para ver una versión más grande de esta figura.

Figura 12: Flujo de trabajo de generación de HOMO-LUMO. (A) Para acceder a las opciones del editor molecular en la pestaña Herramientas de GaussView. (B) Cargar un archivo Chk o FChk existente para generar orbitales moleculares fronterizos. (C) Ilustración de los orbitales fronterizos HOMO y LUMO en GaussView. (D) Ventana de visualización para mostrar los orbitales fronterizos HOMO y LUMO. (E) Salvar los orbitales fronterizos de HOMO y LUMO. (f) Interfaz de formato de visualización en GaussView. Haga clic aquí para ver una versión más grande de esta figura.

Figura 13: Flujo de trabajo de preparación, configuración, preparación y ejecución de dinámica molecular. (A) Desmond System Builder: Opciones de solvatación para determinar modelos de agua rígida. (B) Opciones de límite de Desmond System Builder para determinar la forma de la caja. (c) Desmond System Builder: Método para calcular el tamaño de la caja. Haga clic aquí para ver una versión más grande de esta figura.

Figura 14: Diagramas de interacción de ligandos entre 1HQU y 3 ligandos acoplados superiores. Fuerzas de interacción entre la proteína (1HQU) y (A) el ligando cristalino (HBY561), (B) Efavirenz y (C) Etravirina. Estas fuerzas influyen en las interacciones proteína-ligando y son cruciales para el desarrollo de fármacos que reduzcan la resistencia a los antimicrobianos en el VIH-1. Su papel en la mejora de la afinidad de unión, la especificidad y el mecanismo de acción ayuda a diseñar fármacos que puedan dirigirse eficazmente al virus e inhibirlo, abordando así la creciente preocupación por la resistencia a los antimicrobianos en el contexto del tratamiento del VIH-1. Haga clic aquí para ver una versión más grande de esta figura.

Figura 15: Un diagrama de dispersión muestra la actividad observada frente a la actividad predicha para la clase 1 del modelo QSAR. El gráfico representa el ajuste entre la clase 1 como el conjunto de entrenamiento y los compuestos NNRTI como el conjunto de prueba para dar un valor de actividad predictiva. Abreviaturas: NNRTI = inhibidores de la transcriptasa inversa no nucleótidos; QSAR = relación cuantitativa estructura-actividad. Haga clic aquí para ver una versión más grande de esta figura.

Figura 16: Diagramas de interacción de ligandos. Las fuerzas de interacción entre la proteína y (A) el ligando de cristal enumerado HBY_561, (B) la Nevirapina enumerada, (C) la Doravirina enumerada, (D) el Etravirina enumerado y (E) la Etravirina enumerada. Haga clic aquí para ver una versión más grande de esta figura.

Figura 17: Diagrama de interacción de simulación de dinámica molecular de la proteína libre Etravirina y Etravirina enumerada. (A) Diagrama de interacción de la dinámica molecular de la proteína libre. (B) Diagrama de interacción de dinámica molecular de etravirina. (C) Diagrama de interacción de la dinámica molecular de la etravirina enumerada. Haga clic aquí para ver una versión más grande de esta figura.

Figura 18: Histograma de contactos de interacción entre la etravirina y la proteína. (A) Cronología de contactos proteína-ligando para etravirina. (B) La línea de tiempo de las interacciones proteína-ligando a lo largo del tiempo, incluidos los enlaces H, los contactos hidrofóbicos, iónicos y de puente de agua. (C) Un esquema que muestra las interacciones detalladas entre los átomos de ligando y los residuos de proteínas. Solo se muestran las interacciones que se producen más del 30% del tiempo de simulación (de 0,00 a 200 ns). Haga clic aquí para ver una versión más grande de esta figura.

Figura 19: Histograma de contactos de interacción entre la Etravirina enumerada y la proteína. (A) Cronología de contactos proteína-ligando para Etravirina enumerada. (B) La línea de tiempo de las interacciones proteína-ligando a lo largo del tiempo, incluidos los enlaces H, los contactos hidrofóbicos, iónicos y de puente de agua. (C) Un esquema que muestra las interacciones detalladas entre los átomos de ligando y los residuos de proteínas. Solo se muestran las interacciones que se producen más del 30% del tiempo de simulación (de 0,00 a 200 ns). Haga clic aquí para ver una versión más grande de esta figura.

Clase	Objetivo proteico	Gama de compuestos	Número total de compuestos seleccionados
1	NL4-3 VIH-1 de tipo salvaje	(8a1-8e5 – EC50 (nM)a)	25
2	IIIB WT VIH-1	13a1-13d6 - EC50 (nM)a	23
3	RES056 Cepa resistente a NNRTI	13a1-13d6 - EC50 (nM)a	23
4	Cepa de VIH-2 de la varilla	13a1-13d6 - EC50 (nM)a	23
Total de compuestos seleccionados para el modelado QSAR			94

Tabla 1: Resumen de los criterios de clasificación de compuestos para el modelado QSAR. Kang y sus colegas^sintetizaron un conjunto de datos de 94 compuestos de pirimidina dihidrofuro[3,4-d] para atacar varias cepas de VIH, a saber, NL4-3 VIH-1 de tipo salvaje, IIIB WT VIH-1, cepa resistente a NNRTI RES056 y cepa ROD HIV-2. Estos derivados de la pirimidina se agruparon en cuatro clases según su proteína diana para la preparación para realizar nuestro entrenamiento QSAR. La tabla resume cómo estas moléculas se agruparon en cuatro clases de acuerdo con sus valores experimentales de EC₅₀ , que representan la potencia de un fármaco, operacionalizado como la concentración a la que el fármaco ejerce el 50% de su efecto máximo. Abreviaturas: NNRTI = inhibidores de la transcriptasa inversa no nucleótidos; QSAR = relación cuantitativa estructura-actividad.

Nombre de la proteína	Ligando	Puntuación de acoplamiento
1HQU	Efavirenz	-10.432
	Etravirina	-9.647
	HBY_561	-9.242
	Doravirina	-9.04
	Nevirapina	-8.825
	Rilpivirina	-7.722
	Delavirdina	-6.519

Tabla 2: Puntuaciones de acoplamiento de seis NNRTIs optimizados y la proteína VIH-1. Las puntuaciones de acoplamiento corresponden a los seis NNRTI que se están investigando. La puntuación más negativa indica una buena eficacia de unión entre el ligando y la proteína. Efavirenz y etravirina han mostrado las puntuaciones más favorables a -10,432 eV y -9,647 eV en relación con la puntuación de acoplamiento del ligando cocristalizado HBY561 (-9,242). Los ligandos potenciales fueron aquellos con una puntuación de acoplamiento más negativa, inferior a -9,242 eV.

Clase de medicamento	Ajuste de la actividad al 85 por ciento	Columna1	Columna2	Columna3	Columna4	Columna 5
	Puntuación	SD	R2	RMSE	Pregunta2	Q2 MW (hipótesis nula)
1	0.8223	0.3268	0.815	0.2479	0.8185	0.1462
2	0.5671	0.2996	0.5067	0.1996	0.2264	0.4736
3	0.8172	0.3692	0.8114	0.1536	0.9065	-1.1532
4	0.6673	0.367	0.6436	0.1709	0.8852	0.1445
*SD – desviación estándar,
R2 – correlación del conjunto de entrenamiento entre los valores de actividad reales y previstos,
Q2: correlación de la actividad real y prevista del conjunto de pruebas.
RMSE - Error cuadrático medio

Tabla 3: Parámetros estadísticos del modelo 2D-QSAR. La tabla presenta la desviación estándar, la correlación del conjunto de entrenamiento entre los valores de actividad real y pronosticada (R²) y la puntuación alta de la correlación de actividad real y predicha del conjunto de prueba para cada clase (Q²). La puntuación más alta (R²) representa la clase.

LIGANDO	HOMO	LUMO	Espacio E
Efavirenz	-0.2242	-0.06943	0.15477
Etravirina	-0.21408	-0.08141	0.13267
Nevirapina	-0.20602	-0.07759	0.12843
HBY_561	-0.19687	-0.0748	0.12207
Delavirdina	-0.19651	-0.07958	0.11693
Doravirina	-0.22413	-0.10916	0.11497
Rilpivirina	-0.21343	-0.11216	0.10127

Tabla 4: Brecha de energía HOMO-LUMO de los NNRTI optimizados. La tabla muestra los resultados de las brechas de energía de HOMO-LUMO obtenidos después de la optimización de los seis NNRTI.

Ligando	Ligandos optimizados	Ligandos enumerados
Doravirina	7.229	7.374
Rilpivirina	7.302	7.279
Etravirina	7.229	7.374
Efavirenz	7.229	7.323
Delavirdina	7.302	7.302
Nevirapina	7.229	6.988
HBY_561	7.229	7.323

Tabla 5: Puntuaciones de actividad predichas de los NNRTI optimizados frente a los NNRTI enumerados correspondientes. La tabla compara las puntuaciones de actividad predictiva entre los ligandos optimizados y enumerados. Cuanto más altas sean las puntuaciones de actividad, mejor será el compuesto como posible fármaco principal.

LIGANDO	Brecha de energía después de la optimización	Brecha de energía después de la enumeración	Diferencia de brecha entre compuestos optimizados y enumerados
Doravirina	0.115	0.126	0.011
Rilpivirina	0.101	0.127	0.030
Etravirina	0.133	0.126	0.010
Efavirenz	0.155	0.126	0.030
Delavirdina	0.117	0.126	0.010
Nevirapina	0.128	0.126	0.002
HBY_561	0.122	0.126	0.004

Tabla 6: Comparación de las brechas de energía previstas de los NNRTI enumerados y la brecha de energía original de los NNRTI optimizados. La tabla muestra una comparación de la brecha de energía HOMO-LUMO entre los ligandos optimizados y enumerados y las diferencias de brecha de energía entre ellos.

Ligando enumerado	Regla de las 5 propiedades	Columna1	Columna2	Columna3	Columna4	Columna 5	Grupo lateral añadido	Puntuación de acoplamiento enumerada	Partitura de acoplamiento original	Ligandos enumerados reacoplados
	AlogP	PSA	HBD	HBA	MW	MPO
Doravirina	2.4	125.9	2	8	441.8	0.49	Hidroxilo	-8.894	-9.04	-9.739
Etravirina	4.4	140.9	3	8	451.3	0.37	Hidroxilo	-10.258	-9.647	-10.517
Efavirenz	3.7	64.3	2	3	330.7	0.75	Amina	-10.284	-10.432	-11.025
Nevirapina	2.6	58.1	1	4	284.3	0.73	Fluoruro	-9.112	-8.825	-9.445
HBY_561	2.4	93.9	2	6	358.5	0.66	Amida	-9.596	-9.242	-10.1
AlogP - (logaritmo calculado del coeficiente de reparto octanol-agua).
PSA - (Área de Superficie Polar)
HBD - (Donantes de Bonos de Hidrógeno)
HBA - (Aceptores de enlaces de hidrógeno)
MW - (Peso molecular)
MPO - (Optimización Multi-Paramétrica)

Tabla 7: Comparación de la puntuación de acoplamiento entre los NNRTI originales y enumerados. En la tabla se muestra la comparación entre las puntuaciones de acoplamiento enumeradas, que son las puntuaciones de acoplamiento después de la enumeración. Las puntuaciones de acoplamiento originales son las puntuaciones de acoplamiento de los NNRTI optimizados. Las puntuaciones enumeradas reacopladas son las puntuaciones de acoplamiento de los ligandos enumerados. Dado que el proceso de enumeración proporciona una puntuación de acoplamiento predictiva, los ligandos tuvieron que volver a acoplarse con el mismo método que los ligandos optimizados. Los grupos añadidos son los que se añaden a los ligandos durante el proceso de enumeración.

Ligando	Enlace ΔG	ΔGCoulomb	ΔGCovalente	ΔGHbond	ΔGLipo	Paquete de ΔG	ΔGSolv	ΔGVdW
Etravirina	-80.551	-11.196	2.491	-1.509	-27.447	-4.826	26.605	-64.669
Etravirina enumerada	-89.684	-17.976	2.807	-2.541	-27.652	-4.211	26.034	-66.146
HBY561	-79.664	-12.261	0.994	-0.521	-26.052	-1.278	18.624	-59.169
Enumerado HBY561	-82.719	-13.443	1.534	-0.603	-27.053	-1.210	20.600	-62.544
Efavirenz	-71.372	-12.984	1.151	-0.834	-25.353	-1.379	14.472	-46.44
Enumerated Efavirenz	-79.125	-18.602	1.753	-2.159	-25.409	-1.198	16.619	-50.129

Tabla 8: MMGBSA reXts de ligandos seleccionados en 1HQU. La tabla representa la Mecánica Molecular con cálculos de Born generalizado y área de superficie, que muestran una energía libre de unión promedio (ΔGbind) del complejo proteína-ligando. La tabla muestra una comparación entre los ligandos originalmente optimizados que muestran buenas puntuaciones de acoplamiento en relación con los ligandos de cristal y sus homólogos enumerados. El compuesto elegido con una puntuación de acoplamiento más alta y una buena simulación dinámica molecular de la fluctuación RMSD en el equilibrio también debe satisfacer los cálculos de MMGBSA al mostrar laenergía libre de enlace más negativa de (enlace ΔG_). En este caso, la etravirina enumerada satisface ambos parámetros computacionales.

Ficha suplementaria 1: Otros rXts obtenidos en este estudio. Haga clic aquí para descargar este archivo.

Discussion

Se utilizó el método DFT²⁶ para analizar las propiedades electrónicas y la estabilidad de varios derivados de la pirimidina, lo que no es el caso en estudios similares. El uso de DFT permite una comprensión más profunda de las interacciones moleculares a nivel cuántico, mejorando el proceso de diseño de NNRTI. En este estudio, seleccionamos seis NNRTIs con valores de actividad desconocidos. Recuperamos sus estructuras moleculares de la base de datos PubChem y llevamos a cabo la optimización geométrica utilizando el conjunto de software de mecánica cuántica de mecánica cuántica Minnesota 15 Local (MN15-L)³² funcional y 6-31++G (d,p)² en el paquete de software de mecánica cuántica Gaussian 16 revisión C01³³ . Para configurar los archivos de entrada de simulación, utilizamos GaussView 6.0²⁶. A continuación, las estructuras cuánticas se acoplaron al sitio activo de la proteína VIH-1.

El estudio utilizó un enfoque QSAR⁵¹, que está diseñado para predecir la actividad biológica de los NNRTI en función de su estructura química. Este modelo se genera utilizando un conjunto de datos de 94 derivados de pirimidina dihidrofuro[3,4-d], lo que permite la identificación de grupos funcionales clave que influyen en la actividad antiviral. La incorporación de un modelo QSAR robusto es un avance crucial, ya que ayuda a filtrar los compuestos en las primeras etapas del proceso de diseño, lo que mejora la eficacia del descubrimiento de fármacos.

Se consideraron las actividades predichas de los nuevos compuestos y se validaron las puntuaciones de acoplamiento. La técnica avanzada de acoplamiento molecular exploró las interacciones de unión entre los NNRTI y la enzima transcriptasa inversa del VIH-1. Esto se complementó con simulaciones de dinámica molecular durante un período prolongado (200 ns), proporcionando información sobre la estabilidad y el comportamiento de los complejos fármaco-proteína en condiciones fisiológicas. Molecular Dynamics⁵² validó los hallazgos de los estudios de acoplamiento. Al simular el comportamiento de los complejos fármaco-enzima a lo largo del tiempo, podemos evaluar la estabilidad dinámica y las interacciones que pueden no ser capturadas en los estudios de acoplamiento estático⁵³. Este enfoque proporciona una evaluación más realista de cómo pueden comportarse los NNRTI en los sistemas biológicos. Las simulaciones mostraron que la etravirina produjo fluctuaciones de RMSD de aproximadamente 4,5 Å, mientras que la etravirina enumerada dio fluctuaciones de RMSD de 3,5 Å. Hubo varias similitudes entre la etravirina y la etravirina enumerada, con el compuesto enumerado que posee interacciones de aminoácidos mejoradas dentro del sitio activo de la proteína. La RMSD más baja, las interacciones de aminoácidos mejoradas y la energía libre de unión más alta sugieren que la etravirina enumerada podría servir como una alternativa viable para el tratamiento del VIH/SIDA.

El uso de técnicas de enumeración⁵⁴ para generar estereoisómeros y realizar escaneo isostérico es un aspecto notable de esta investigación. Este método permite a los investigadores explorar un espacio químico más amplio para los posibles NNRTI mediante la modificación sistemática de las estructuras existentes, lo que puede conducir al descubrimiento de compuestos con mayor eficacia y menor resistencia.

La investigación integra el análisis HOMO-LUMO derivado de cálculos de mecánica cuántica para evaluar la reactividad y estabilidad de los compuestos. Este aspecto a menudo se pasa por alto en estudios similares⁵⁵, sin embargo, proporciona información valiosa sobre las propiedades electrónicas que pueden influir en la actividad biológica

El uso del método MMGBSA en este estudio para estimar las energías libres de unión de los NNRTIs enumerados como potenciales inhibidores de la transcriptasa inversa (RT) del VIH-1 presenta un aspecto novedoso que aumenta la importancia y el impacto potencial de este trabajo en el desarrollo del tratamiento contra el VIH.

La aplicación de MMGBSA en este estudio proporciona una estimación más precisa de las energías libres de enlace para la Etravirina enumerada en comparación con su contraparte. Mediante el cálculo de los valores de energía libre de unión, el estudio evalúa cuantitativamente la afinidad de unión de la etravirina enumerada, que fue considerablemente mayor (9,133 kcal/mol) que la de la etravirina estándar. Este nivel de detalle en los cálculos de energía de enlace permite una comprensión más matizada de cómo las modificaciones estructurales pueden influir en la eficacia de los NNRTI, lo que a menudo falta en estudios similares que pueden basarse únicamente en evaluaciones cualitativas.

El valor_covalente de ΔG reportado de 1.477 kcal/mol indica aún más la fuerza de la interacción para el compuesto enumerado. El enfoque comparativo es innovador, ya que no solo identifica a un candidato prometedor, sino que también lo sitúa dentro del contexto más amplio de las terapias existentes, proporcionando un punto de referencia para el desarrollo futuro de NNRTI.

La comparación que se muestra en la Tabla 8 también indica que la etravirina enumerada puede ser un compuesto potencial para ser utilizado como una alternativa a la TAR, ya que su energía libre de unión de (enlace_ΔG) es la más alta en comparación con la etravirina, HBY56, etravirina y sus contrapartes enumeradas.

Los resultados de nuestro estudio podrían tener un impacto significativo en el desarrollo de nuevos agentes terapéuticos para la infección por VIH. Además, este enfoque puede permitir identificar al candidato anti-VIH más prometedor. Estos hallazgos pueden allanar el camino para el diseño racional de nuevos NNRTI para el VIH-1.

La incorporación de MMGBSA junto con otros métodos computacionales (como el acoplamiento molecular, el modelado QSAR y las simulaciones de dinámica molecular) mejora la solidez de los hallazgos. Este enfoque integrado permite una evaluación exhaustiva de los compuestos, desde la optimización estructural hasta el comportamiento dinámico en un contexto biológico. Esta metodología es relativamente novedosa en la investigación de NNRTI, donde los estudios a menudo se centran en métodos aislados sin una visión holística del proceso de diseño de fármacos. La investigación destaca varios resultados prometedores y una mejor comprensión de las interacciones moleculares entre los NNRTI y la enzima transcriptasa inversa, que pueden informar futuros esfuerzos de diseño de fármacos.

Mientras que otros estudios en el campo del desarrollo de NNRTI a menudo se centran en métodos computacionales únicos o análisis básicos de acoplamiento, esta investigación se destaca por combinar cálculos químicos cuánticos con dinámica molecular y modelado QSAR, empleando un enfoque de enumeración sistemática que amplía el espacio químico potencial para NNRTI, y utilizando un in-silico integral que no solo predice las afinidades de unión, sino que también evalúa la estabilidad y la dinámica de las interacciones fármaco-enzima.

En general, la novedad de esta investigación radica en su enfoque multifacético, que aprovecha técnicas computacionales avanzadas para abordar los desafíos de la resistencia a los medicamentos en el tratamiento del VIH, allanando así el camino para el desarrollo de NNRTI más efectivos. Los hallazgos subrayan el potencial para desarrollar NNRTI más efectivos que puedan superar las limitaciones de las terapias actuales.

Algunas aplicaciones futuras del enfoque descrito en este protocolo incluyen las siguientes.

Integración con machine learning

Los estudios futuros podrían integrar MMGBSA con algoritmos de aprendizaje automático para mejorar el poder predictivo de las estimaciones vinculantes de energía libre. Al entrenar modelos en grandes conjuntos de datos, los investigadores podrían mejorar la precisión y la fiabilidad de las predicciones, lo que permite una mejor identificación de los candidatos prometedores de NNRTI.

Aplicación en el diseño de fármacos basados en fragmentos

MMGBSA se puede utilizar eficazmente en el diseño de fármacos basados en fragmentos, donde los fragmentos moleculares pequeños se optimizan para mejorar la afinidad de unión. Este enfoque podría conducir a la identificación de nuevos NNRTI con mayor potencia y selectividad contra el VIH-1.

Exploración de los mecanismos de resistencia a los fármacos

La técnica se puede aplicar para estudiar las interacciones de unión de los NNRTIs con cepas mutantes del VIH-1. Al comparar las energías libres de unión de los NNRTI con las variantes de tipo salvaje y resistentes, los investigadores pueden obtener información sobre los mecanismos de resistencia a los medicamentos e informar el diseño de inhibidores de próxima generación.

Evaluación de las propiedades farmacocinéticas

El MMGBSA también puede emplearse para evaluar las propiedades farmacocinéticas de los NNRTI, como la solubilidad y la permeabilidad. Al comprender cómo estas propiedades se correlacionan con la afinidad de unión, los investigadores pueden optimizar los candidatos a fármacos para obtener mejores perfiles terapéuticos.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GaussView	GaussView		V6.1.1
KNIME	KNIME		V4.7.1
Schrödinger Maestro V13.6	SCHRODINGER INC.		Año de lanzamiento de la licencia 2023-2