Evaluación computacional de las interacciones de la oleuropeína con proteínas relacionadas con la enfermedad de Alzheimer mediante acoplamiento molecular y dinámica molecular

Resumen

Este estudio presenta un flujo de trabajo integrado de acoplamiento molecular y dinámica molecular para evaluar computacionalmente las interacciones de la oleuropeína con proteínas clave relacionadas con la enfermedad de Alzheimer, revelando interacciones de unión predichas y estabilidad compleja preliminar a través de múltiples objetivos.

Resumen

La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo multifactorial asociado con la agregación amiloide, la patología de la tau y la neuroinflamación. En este estudio, se empleó un flujo de trabajo computacional integrado que combinaba la predicción de ADMET, el cribado de actividad basado en PASS, acoplamiento molecular y simulaciones de dinámica molecular (MD) para evaluar las interacciones de la oleuropeína con cinco dianas proteicas relacionadas con la EA, incluyendo β-amiloide, tau, apolipoproteína E4 (ApoE4), receptor desencadenante expresado en células mieloides 2 (TREM2) y proteína complementaria C1q. Los análisis ADMET y PASS predijeron propiedades farmacocinéticas y posibles actividades biológicas asociado con vías relacionadas con enfermedades neurodegenerativas. El análisis de acoplamiento predijo afinidades favorables de unión entre los objetivos investigados, observándose la interacción predicha más fuerte para la proteína C1q (-7,5 kcal/mol). Se utilizaron análisis de trayectoria de dinámica molecular (DM), incluyendo desviación cuadrática media (RMSD), fluctuación cuadrática media raíz (RMSF), radio de giro (Rg), matriz dinámica de correlación cruzada (DCCM), análisis de componentes principales (PCA) y métricas basadas en distancias, para evaluar el comportamiento dinámico de los complejos proteína-ligando durante las simulaciones. Los análisis computacionales sugirieron interacciones relativamente estables para los complejos tau, C1q y TREM2, mientras que β-amiloide y ApoE4 mostraron una variabilidad conformacional comparativamente mayor durante partes de las simulaciones. Estos hallazgos proporcionan una evaluación computacional preliminar de las interacciones de la oleuropeína con proteínas relacionadas con el EA y pueden apoyar futuros estudios experimentales que investiguen su posible relevancia biológica en modelos de enfermedades neurodegenerativas.

Introducción

La EA representa el tipo de demencia más común que genera desafíos graves y crecientes en todo^{el mundo.} La EA surge de una combinación de factores genéticos y ambientales. Se han propuesto múltiples hipótesis patógenas para explicar la EA, incluyendo colinérgica, amiloide, tau, inflamatoria, estrés oxidativo, iones metálicos, excitotoxicidad, eje microbiota-intestino-cerebro y mecanismos relacionados^{con la autofagia 3}. La EA es un trastorno multifactorial que implica deposición de β-amiloide, patología tau, neuroinflamación y factores de riesgo genéticos como ApoE4 y^{TREM2 4,5}. Debido a la naturaleza multifactorial de la EA, los ligandos dirigidos a múltiples objetivos (MTDL) han surgido como estrategias terapéuticas prometedoras basadas en interacciones polifarmacológicas con Aβ, tau, ApoE4, la función microglial mediada por TREM2 y la neuroinflamación impulsada por ^{complemento 3,6,7}. La agregación β-amiloide es una característica patológica clave de la EA que altera la función neuronal y está modulada por isoformas de ApoE4 y respuestas^{inmunitarias 8,9}.

La hiperfosforilación y otras modificaciones postraduccionales de la tau, incluyendo el truncamiento, la acetilación, la ubiquitinación y la glicosilación, contribuyen significativamente a la formación de enredos neurofibrilares (NFTs), una de las principales características patológicas de la EA. Estas modificaciones reducen la afinidad de la tau por los microtúbulos, lo que conduce a desestabilización de microtúbulos, deterioro del transporte axonal, disfunción sináptica, anomalías mitocondriales y degeneración neuronal progresiva. Además, la agregación anormal de tau se ha asociado fuertemente con el deterioro cognitivo y la gravedad de la enfermedad en la EA, correlacionándose a menudo más estrechamente con la neurodegeneración que con la carga amiloide en sí. Además, cada vez hay más evidencia que sugiere que la patología de la tau interactúa estrechamente con las vías de señalización neuroinflamatoria, donde la microglía activada y los mediadores inflamatorios pueden agravar aún más la propagación de la tau y el daño^neuronal 10,11,12.

La activación microglial mediada por TREM2 se ha asociado con respuestas neuroinflamatorias durante la progresión de la^{EA 13}. Las proteínas del complemento como C1q y C3 han estado implicadas en la pérdida sináptica, la neuroinflamación mediada por el complemento y la señalización inflamatoria asociada con la patología del^{EA 14,15}. La señalización de muescas, el estrés oxidativo, las vías inflamatorias y el ApoE4 aceleran aún más la progresión de la^{EA 9,16}.

El extracto de hoja de olivo (OLE) es un fitocomplejo bioactivo rico en secoiridoides, flavonoides, triterpenos y ácidos fenólicos, como se resume en la Tabla 1. Estos componentes se han asociado con actividades biológicas antioxidantes y antiinflamatorias en estudios^{previos 17}. La oleuropeína es el principal secoiridoide identificado en las hojas de olivo, ya que constituye el componente fenólico principal en estas hojas. Esto convierte a la oleuropeína en el secoiridoide fenólico más abundante identificado en las hojas de olivo, y su estructura química se ilustra en la Figura 1.

Estudios previos han reportado actividades biológicas de la oleuropeína asociadas a agregación amiloide, patología relacionada con la tau, estrés oxidativo y vías de señalización^{inflamatoria 18,19}. Estudios adicionales también han sugerido posibles interacciones de la oleuropeína con vías relacionadas con ApoE4, la activación microglial mediada por TREM2 y la neuroinflamación asociada al^{complemento 20,21}.

A pesar del creciente interés por la oleuropeína, sus interacciones con múltiples objetivos proteicos relacionados con la EA no han sido evaluadas de forma exhaustiva dentro de un marco computacional unificado. La mayoría de los estudios previos se han centrado principalmente en sus propiedades antioxidantes o en sus posibles efectos sobre las vías patológicas individuales, especialmente la agregación amiloide y la toxicidad relacionada con la tau. Por ello, el presente estudio empleó simulaciones de acoplamiento molecular y dinámica molecular para evaluar computacionalmente las interacciones predichas y el comportamiento dinámico de la oleuropeína frente a cinco dianas proteicas relacionadas con la EA, incluyendo β-amiloide, tau, ApoE4, TREM2 y C1q. Estos objetivos fueron seleccionados porque representan mecanismos patológicos distintos pero interconectados implicados en la progresión del EA. β-amiloide desempeña un papel central en la formación de placas extracelulares, disfunción sináptica, estrés oxidativo y toxicidad neuronal, mientras que la patología tau está estrechamente asociada con la formación de enredos neurofibrilares, la alteración del citoesqueleto y el deterioro cognitivo^{progresivo 22}. ApoE4 representa el factor de riesgo genético más fuerte para la EA esporádica y contribuye a una eliminación deteriorada del amiloide, mayor neurotoxicidad, desregulación lipídica y aumento de las respuestas^{neuroinflamatorias 23}. TREM2 es un regulador clave de la activación microglial y la señalización neuroinmune, y ha estado implicado en la eliminación de amiloides, la regulación inflamatoria y las respuestas microgliales asociadas a enfermedades durante la progresión de la^{EA 24}. Además, la proteína del complemento C1q desempeña un papel fundamental en la neuroinflamación mediada por el complemento, la poda sináptica aberrante y la degeneración sináptica asociada a la microglia en^{el año 25} de la AD.

El flujo de trabajo global in silico utilizado para evaluar la oleuropeína frente a los objetivos proteicos seleccionados relacionados con la enfermedad de Alzheimer se resume en la Figura 2.

Protocolo

1. Predicción de ADMET

Las propiedades farmacocinéticas y de toxicidad de la oleuropeína se evaluaron utilizando una plataforma computacional de predicción ADMET. Los parámetros predichos incluían absorción, distribución, metabolismo, excreción, permeabilidad a la BBB, permeabilidad del sistema nervioso central (SNC) y propiedades relacionadas con la toxicidad. Se realizó un análisis ADMET para evaluar el perfil farmacocinético previsto y las posibles propiedades de similitud con fármacos de la oleuropeína antes del acoplamiento molecular y las simulaciones de MD²⁶.

2. Predicción de la actividad anti-Alzheimer y neuroprotectora

La representación canónica SMILES de la oleuropeína se utilizó para la predicción computacional de actividades anti-Alzheimer y^{neuroprotectoras 27}. Se registraron los valores de probabilidad de actividad (Pa) y probabilidad de inactividad (Pi), y solo se consideraron potencialmente relevantes las actividades con valores de Pa superiores a los de Pi para análisis computacionales posteriores.

3. Preparación de la estructura de ligandos oleuropeína

La estructura tridimensional (3D) de la oleuropeína fue recuperada de una base de datos química pública en formato SDF. Se realizaron optimizaciones de la geometría de ligandos y minimización de energía utilizando el campo de fuerzas MMFF94 hasta lograr la convergencia. La estructura minimizada de ligandos se convirtió en formato PDB y posteriormente se preparó para acoplamiento molecular mediante la asignación de átomos de hidrógeno polar y cargas parciales antes de su conversión al formato PDBQT.

La oleuropeína se modeló en su forma predominantemente neutra, y se asumió que todos los residuos ionizables estaban protonados bajo condiciones fisiológicas (pH 7,4) durante simulaciones de acoplamiento molecular y dinámica molecular.

4. Recuperación y preparación de proteínas

Las estructuras proteicas asociadas con la patología de la EA se recuperaron del Banco de Datos de Proteínas, incluyendo β-amiloide (2BEG), tau (5O3L), ApoE4 (1B68), TREM2 (5ELI) y C1q (2JG9). La información estructural específica de cada objetivo, incluyendo la selección de cadenas y el tipo de estructura experimental, se resume en la Tabla 2.

Se eliminaron moléculas de agua, iones, ligandos cocristalizados y heteroátomos no esenciales antes de la preparación del receptor. Las estructuras se inspeccionaban visualmente en busca de residuos incompletos, átomos ausentes y discontinuidades estructurales antes del acoplamiento y la configuración de la simulación. Posteriormente se asignaron átomos de hidrógeno polares y cargas de Kollman, y las estructuras receptoras se convirtieron en formato PDBQT para estudios de acoplamiento. Durante la preparación del receptor se aplicaron estados de protonación predeterminados correspondientes a condiciones fisiológicas (pH 7,4), y se asumió que todos los residuos ionizables adoptaban sus estados de protonación predominantes bajo condiciones fisiológicas de pH. Para β-amiloide, se seleccionó el Modelo 1 del conjunto de RMN depositado, y todas las cadenas dentro del conjunto oligomérico depositado (cadenas A-E) se mantuvieron durante la preparación del receptor. Para la proteína tau, todas las cadenas dentro del conjunto de filamento crio-EM depositado (cadenas A-J) se retuvieron durante la preparación del receptor. De manera similar, todas las cadenas dentro del conjunto multimérico C1q (cadenas A-F) se conservaron para preservar la estructura cuaternaria depositada. Para ApoE4 y TREM2, las cadenas biológicamente relevantes depositadas se mantuvieron durante la preparación del receptor.

5. Acoplamiento molecular

1. Predicción del sitio de unión y definición de caja de cuadrícula
   Se predijeron bolsas potenciales de unión a ligandos utilizando un flujo de trabajo de predicción basado en estructuras en el sitio de unión que evalúa la geometría de la cavidad, volumen de bolsillo, profundidad, hidrofobicidad y descriptores fisicoquímicos asociados con el potencial de unión al ligando y la capacidad de^{fármacos 28}.
   Los bolsillos predichos se clasificaron según la puntuación de toxicomania y características geométricas. Se seleccionó el bolsillo accesible al disolvente de mayor rango para cada objetivo para análisis de acoplamiento molecular. Los residuos correspondientes al bolsillo de unión seleccionado se extrajeron de los archivos de salida de residuos de bolsillo generados y posteriormente se visualizaron junto con las estructuras proteicas correspondientes mediante software de visualización molecular.
   Se calcularon y usaron las coordenadas del centro de masa de los residuos seleccionados de la bolsa de unión para la generación de cajas de rejilla de acoplamiento. Las dimensiones de la cuadrícula se definieron para abarcar completamente la región de unión predicha para cada proteína objetivo. Las coordenadas exactas del centro de la cuadrícula de acoplamiento y las dimensiones de todos los objetivos se resumen en la Tabla 3.
   NOTA: El flujo de trabajo completo ejecutable en línea de comandos y los scripts usados para cálculos en el centro de masa se proporcionan en el Archivo de Codificación Suplementario 1.
2. Parámetros de acoplamiento y ejecución
   Los cálculos de acoplamiento molecular se realizaron utilizando AutoDock Vina 4.2.6 con un valor de exhaustividad de 8 y 10 modos de unión de salida para cada complejo proteína-ligando. Se seleccionó la pose de unión con la afinidad de unión predicha más baja para análisis posteriores. Las interacciones proteína-ligando se visualizaron mediante software de visualización molecular.
   NOTA: La estructura de mandos se adapta para cada proteína dependiendo del nombre del archivo receptor y las coordenadas de la cuadrícula. Los archivos de salida de acoplamiento se dividían en modos de asignación individuales y se convertían a formato PDB usando herramientas de línea de comandos. Los comandos completos se proporcionan en el Archivo de Codificación Suplementario 1.

6. Simulaciones de dinámica molecular (MD)

El flujo de trabajo MD se ejecutaba dentro de un entorno computacional Conda/Miniforge en la nube, configurado para simulación biomolecular y análisis de trayectorias. Se utilizaron recursos de ejecución acelerados por GPU para todas las simulaciones de producción. En el Archivo de Codificación Suplementaria 2 se proporcionan scripts completos de configuración del entorno ejecutable, comandos de instalación de dependencias y flujos de trabajo de simulación.

Se utilizaron complejos proteína-ligando generados por acoplamiento molecular como estructuras iniciales para simulaciones de MD. Se seleccionaron posturas de ligandos acoplados correspondientes a las conformaciones de afinidad de unión predichas más bajas para la generación de topología y el ensamblaje del sistema. Las estructuras proteicas se prepararon tras la eliminación de moléculas cristalográficas de disolventes y heteroátomos no esenciales antes de la preparación de la simulación.

La generación de topología y el ensamblaje del sistema se realizaron utilizando el campo de fuerzas de la proteína ff19SB y el campo de fuerzas del ligando GAFF2. Los complejos se resolvieron utilizando el modelo explícito de agua TIP3P y se neutralizaron con iones NaCl a una concentración iónica final de 0,15 M bajo condiciones periódicas de frontera.

NOTA: Todas las simulaciones de dinámica molecular se ejecutaron en un entorno de portátil basado en la nube, configurado con tiempo de ejecución en Python 3, aceleración por hardware de GPU T4 y la última versión de ejecución disponible en el momento del análisis.

1. Parámetros de equilibrio MD y minimización de energía
   Tras la generación de topología, se realizó la minimización de energía durante 50.000 pasos antes de la equilibración. Posteriormente se realizaron simulaciones de equilibrio NPT durante 5 ns utilizando restricciones posicionales aplicadas a átomos de la columna vertebral de proteínas bajo las siguientes condiciones: (1) paso de tiempo de integración = 2 fs; (2) temperatura = 298 K; (3) presión = 1 bar; (4) constante de fuerza de retención armónica = 700 Kj.mol⁻1,nm⁻²; (5) fotogramas de trayectoria guardados cada 10 ps; y (6) archivos de registro registrados cada 10 ps.
   NOTA: Los scripts completos de equilibrio ejecutable y los comandos de simulación se proporcionan en el Archivo de Codificación Suplementario 2.
2. Parámetros de producción de MD y producción de NPT de ejecución
   Las simulaciones de MD en producción se realizaron bajo condiciones NPT para un tiempo total analizado de trayectoria de producción de 10 ns usando los siguientes parámetros: (1) paso de tiempo de integración = 2 fs; (2) temperatura = 298 K; (3) presión = 1 bar; (4) fotogramas de trayectoria guardados cada 10 ps; y (5) archivos de registro grabados cada 10 p.s.
   NOTA: Los scripts completos de simulación ejecutable de MD se proporcionan en el Archivo de Codificación Suplementario 2.
3. Concatenación y alineación de trayectorias
   Las trayectorias de producción generadas a partir de múltiples pasos de simulación se concatenaron en trayectorias continuas tras obtener imágenes bajo condiciones periódicas de frontera. Se eliminaron artefactos periódicos de límite, moléculas de disolvente e iones antes de la alineación estructural y los análisis aguas abajo.
   La alineación de la trayectoria se realizó utilizando átomos de columna vertebral de proteína Cα en relación con la estructura de referencia equilibrada para asegurar una orientación consistente a lo largo de los análisis de trayectoria.
4. Análisis de interacción proteína-ligando
   Se analizaron las huellas dactilares de interacción proteína-ligando y la persistencia de la interacción a lo largo de las trayectorias de la MD utilizando enfoques de perfilado de interacción basados en trayectorias. Se realizaron análisis de redes de interacción utilizando trayectorias de producción procesadas tras la eliminación del disolvente y la alineación estructural.
   NOTA: Los flujos de trabajo completos de análisis de interacción ejecutable se proporcionan en el Archivo de Codificación Suplementario 2.
5. Análisis de trayectoria MD
   Los análisis de trayectoria se realizaron utilizando trayectorias de producción alineadas tras la eliminación de disolventes, concatenación, imágenes bajo condiciones periódicas de frontera y alineación estructural. Todos los análisis se realizaron sobre las trayectorias de producción de 10 ns tras la eliminación de moléculas e iones de disolvente. Los fotogramas se analizaron a intervalos de 10 ps. Salvo que se indique lo contrario, los análisis estructurales se realizaron tras la alineación de mínimos cuadrados de los átomos de proteína Cα con la estructura inicial equilibrada de cada complejo correspondiente.
   Se calcularon análisis RMSD, RMSF y radio de giro (Rg) utilizando átomos de proteína Cα para evaluar la estabilidad estructural y la dinámica conformacional a lo largo de las simulaciones. La RMSD se calculó para átomos de proteína Cα en relación con la estructura de referencia equilibrada. El RMSF se calculó para átomos de proteína Cα a lo largo de la trayectoria de producción alineada. La Rg se calculó utilizando átomos de proteína Cα para monitorizar la compacidad global.
   Posteriormente se realizaron análisis de Energía de Interacción Lineal (LIE), mediciones de distancias intermoleculares, análisis de componentes principales (PCA) y análisis de matriz dinámica de correlación cruzada (DCCM) utilizando marcos de trayectoria muestreados a intervalos de 10 ps a lo largo de las trayectorias de producción analizadas. Se calculó un análisis de interacción de energía entre la oleuropeína y los átomos de proteína de cada complejo a lo largo de la trayectoria de producción. La distancia del centro de masa se calculó entre la oleuropeína y los residuos seleccionados de bolsillos de unión usados para la generación de la rejilla de acoplamiento, mientras que la distancia mínima se calculó como la distancia átomo a átomo más corta entre la oleuropeína y los residuos correspondientes de bolsas de unión proteica en cada fotograma. La ACP se realizó utilizando coordenadas de proteína Cα tras la alineación de la trayectoria. El análisis DCCM se calculó a partir de fluctuaciones atómicas de la proteína Cα a lo largo de la trayectoria de producción alineada.
   NOTA: Cada paso de simulación de dinámica molecular y análisis de trayectoria se proporciona como una sección de código ejecutable separada en el Archivo de Codificación Suplementario 2. El Archivo de Codificación Suplementario 2 incluye los scripts y comandos utilizados para la preparación del sistema, simulación de producción, procesamiento de trayectorias y análisis posteriores. La versión completa del flujo de trabajo correspondiente al manuscrito enviado está archivada en Zenodo con https://doi.org/10.5281/zenodo.20134270, y la versión correspondiente de GitHub está disponible en: https://github.com/Elshekh00/molecular-dynamics-protein-ligand/releases/tag/v1.0.0.

Resultados

Predicción del perfil de ADMET

El perfil farmacocinético y de toxicidad predicho de la oleuropeína se evaluó utilizando un flujo de trabajo de predicción ADMET in silico . Las propiedades ADMET previstas de la oleuropeína, incluyendo toxicidad AMES, hepatotoxicidad, inhibición de hERG I y II, así como toxicidad aguda y crónica oral en ratas, se enumeran en la Tabla 4. Se predijo que la oleuropeína no era mutagénica (A...

Discusión

El objetivo principal de este estudio integrado in silico fue evaluar el potencial de interacción multi-diana previsto de la oleuropeína contra proteínas patológicas seleccionadas implicadas en la EA. Los hallazgos de la predicción ADMET, análisis PASS, acoplamiento molecular y simulaciones de MD proporcionan una base computacional para considerar la oleuropeína como una molécula con potencial de interacción multi-objetivo predicho frente a proteínas relacionadas con la AD selec...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
AmberTools 24.8	Equipo de desarrollo de AmberMD	N/A; https://ambermd.org/AmberTools.php	Utilizado para la preparación de topología y manejo de archivos de simulación molecular. Instalado desde conda-forge. RRID: SCR_018497
AutoDock Tools 1.5.7	Instituto de Investigación Scripps	N/A; https://autodocksuite.scripps.edu/adt/	Utilizado para la preparación de receptores y ligandos y generación de archivos PDBQT. RRID: SCR_012746
AutoDock Vina 4.2.6	Instituto de Investigación Scripps	N/A; https://vina.scripps.edu/	Motor de acoplamiento utilizado para cálculos de acoplamiento molecular. La versión debe reportarse de acuerdo con el entorno de ejecución del flujo de trabajo. RRID: SCR_011958
Avogadro 2.0.0	Software de Química Avogadro	N/A; https://avogadro.cc/	Utilizado para visualización de ligandos, asignación de campos de fuerza y minimización de energía. RRID: SCR_015983
Conda 25.3.1	Anaconda, Inc. / comunidad conda-forge	N/A; https://docs.conda.io/	Gestor de paquetes y entornos utilizado en el flujo de trabajo computacional. RRID: SCR_018317
Discovery Studio Visualizer 2025	Dassault Systèmes	N/A; https://discover.3ds.com/discovery-studio-visualizer-download	Utilizado para visualización de proteínas y preprocesamiento. RRID: SCR_008398
DoGSiteScorer / ProteinsPlus	Centro ZBH de Bioinformática	N/A; https://proteins.plus/	Utilizado para la predicción de sitios de unión y puntuación de viabilidad de bolsillos. RRID: No disponible
Campo de fuerza ff19SB	Familia de campos de fuerza AMBER	N/A; https://ambermd.org/	Campo de fuerza de proteínas utilizado para la preparación del sistema de dinámica molecular. RRID: No disponible
Campo de fuerza GAFF2	Familia de campos de fuerza AMBER	N/A; https://ambermd.org/	Campo de fuerza de ligandos utilizado para la preparación del sistema de dinámica molecular. RRID: No disponible
Google Colab	Google	N/A; https://colab.research.google.com/	Entorno de notebook en la nube utilizado para la ejecución del flujo de trabajo. Tipo de ejecución: Python 3; acelerador de hardware: GPU T4. RRID: SCR_018009
Mamba 2.1.1	QuantStack / comunidad conda-forge	N/A; https://mamba.readthedocs.io/	Gestor de paquetes rápido utilizado para la instalación de paquetes Conda. RRID: No disponible
Matplotlib 3.10.0	Equipo de desarrollo de Matplotlib	N/A; https://matplotlib.org/	Utilizado para la generación de gráficos de análisis de dinámica molecular. RRID: SCR_008624
MDAnalysis 2.8.0	Equipo de desarrollo de MDAnalysis	N/A; https://www.mdanalysis.org/	Utilizado para el procesamiento de trayectorias y análisis estructural. RRID: SCR_025610
MDTraj 1.11.1	Equipo de desarrollo de MDTraj	N/A; https://www.mdtraj.org/	Utilizado para el manejo y análisis de trayectorias de dinámica molecular. RRID: No disponible
Miniforge	comunidad conda-forge	N/A; https://github.com/conda-forge/miniforge	Distribución de entorno basada en Conda utilizada para instalar dependencias científicas. RRID: No disponible
NumPy 2.0.2	Equipo de desarrollo de NumPy	N/A; https://numpy.org/	Dependencia de computación numérica utilizada en el flujo de trabajo computacional. RRID: SCR_008633
Open Babel 3.1.0	Proyecto Open Babel	N/A; https://openbabel.org/	Utilizado para la conversión de formatos de archivos moleculares. RRID: SCR_014920
OpenMM 8.5.1	Equipo de desarrollo de OpenMM	N/A; https://openmm.org/	Motor de simulación de dinámica molecular utilizado para la configuración del sistema, la equilibración y las simulaciones de producción. RRID: SCR_000436
pandas 2.3.3	Equipo de desarrollo de pandas	N/A; https://pandas.pydata.org/	Utilizado para el manejo de datos tabulares y análisis de resultados. RRID: SCR_018214
ParmEd 4.3.1	Equipo de desarrollo de ParmEd	N/A; https://parmed.github.io/ParmEd/html/index.html	Utilizado para el manejo de archivos de topología y parámetros. RRID: No disponible
PASS-Way2Drug Server	Way2Drug	N/A; https://www.way2drug.com/passonline/	Utilizado para la elaboración de perfiles de actividad biológica predicha. RRID: SCR_001971
PDBFixer 1.12	Equipo de desarrollo de OpenMM	N/A; https://github.com/openmm/pdbfixer	Utilizado para la reparación y preparación de estructuras de proteínas cuando sea necesario. Instalado desde conda-forge. RRID: No disponible
pkCSM Server	Universidad de Melbourne	N/A; https://biosig.lab.uq.edu.au/pkcsm/	Utilizado para la elaboración de perfiles ADMET predichos. RRID: No disponible
ProLIF	Equipo de desarrollo de ProLIF	N/A; https://prolif.readthedocs.io/	Utilizado para el análisis de huellas de interacción proteína-ligando. El importe de tiempo de ejecución informó la versión como 0+desconocida. RRID: No disponible
Base de datos PubChem	Centro Nacional de Información Biotecnológica / Institutos Nacionales de Salud	N/A; https://pubchem.ncbi.nlm.nih.gov/	Utilizado para la recuperación de estructuras de ligandos. RRID: SCR_004284
py3Dmol 2.5.4	Equipo de desarrollo de py3Dmol	N/A; https://3dmol.csb.pitt.edu/	Utilizado para la visualización molecular en el flujo de trabajo del notebook. RRID: No disponible
PyMOL 3.1.6.1	Schrödinger, LLC	N/A; https://pymol.org/	Utilizado para la visualización molecular y la inspección de coordenadas del bolsillo de unión. RRID: SCR_000305
Python 3.12.13	Fundación de Software Python	N/A; https://www.python.org/	Lenguaje de programación utilizado para ejecutar el flujo de trabajo computacional. RRID: SCR_008394
pytraj 2.0.6	AmberMD / equipo de desarrollo de pytraj