Un flujo de trabajo computacional bilingüe para identificar posibles inhibidores de PLK1 en la lengua de signos americana y en inglés
April 3rd, 2026
Este protocolo bilingüe proporciona un flujo de trabajo computacional de descubrimiento de fármacos que evalúa las interacciones proteína-ligando de quinasas tipo polo 1 a 3 (PLK1–3) y de las propiedades de absorción, distribución, metabolismo, excreción, toxicidad y estabilidad (ADMET-S) de moléculas naturales procedentes de bases de datos.
Un flujo de trabajo computacional bilingüe. Introducción. Las investigaciones muestran que PLK1 está sobreexpresado en varios tipos de cáncer. Se ha demostrado que la inhibición de PLK1 a través de su dominio polo-box, PBD, induce apoptosis.
El objetivo de este estudio es identificar inhibidores selectivos de PLK1-PBD con propiedades medicinales y farmacocinéticas deseadas. Los homólogos PLK2 y PLK3 fueron sometidos a los mismos protocolos para evaluar la selectividad. Protocolo. Preparación de proteínas objetivo.
Aquí utilizamos CHARMM-GUI para optimizar PLK1, 4HCO, del Banco de Datos de Proteínas, PDB. Esto garantiza que la proteína no tenga residuos o hidrógenos faltantes. Vamos a seguir con la herramienta.
En Generador de entrada, selecciona Manipulador lector PDB. Desplázate hacia abajo hasta el cuadro de entrada. Asegúrate de que la opción PDB esté seleccionada antes de introducir 4HCO para PLK1.
En la página siguiente, desselecciona la cadena proteica B para procesar solo la cadena A. Proceder. Desplázate hacia abajo en la Información del PDB y continúa. De las cuatro salidas, seleccionamos el archivo PDB y lo guardamos.
Finalmente, procede a abrir el archivo PDB con un editor de texto. Encuentra y reemplaza el estado de protonación de histidina de HSD a HIS. Cribado de bases de datos de productos naturales.
El enfoque para obtener una muestra de moléculas pequeñas que ciblen PLK1 emplea una base de datos de productos naturales y consta de tres partes. Las bases de datos de productos naturales son extensas, por lo que los compuestos iniciales provienen de la selección de una enfermedad y un límite de confianza. En este ejemplo, se utiliza SuperNatural 3.0.
SuperNatural 3.0 se utiliza para obtener moléculas mediante selección de enfermedades. Una forma de consultar es a través de vías humanas. Aquí se selecciona el cáncer de mama.
El ID KEGG de esta vía está aquí. Luego escribimos el ID KEGG en la vía SuperNatural 3.0. Alternativamente, podemos hacer clic en Enfermedad, seleccionar cáncer de mama y guardar el archivo completo de resultados.
En las preguntas frecuentes, se puede descargar toda la biblioteca de la base de datos. Adelante. Procede a descomprimir los archivos comprimidos, obtener el CSV y eliminar el archivo zip. Abre R Studio o un IDE de tu elección.
Tras importar datos en R Studio, los resultados iniciales completos tienen 73.046 moléculas. Hay 1.193 moléculas tras la aplicación de los límites de confianza. Muestreo en racimo.
Después de aplicar la regla de los cinco de Lipinski con el RDkit. Paquete químico, nos quedamos con 999 moléculas. Aquí es evidente que tenemos 999 moléculas.
A continuación, aplicamos el agrupamiento K-means para derivar 50 moléculas representativas. El agrupamiento se basa en la similitud con Tanimoto. Cálculo de acoplamiento proteína-ligando y afinidad de unión.
El objetivo de este método es acoplar PLK1 a cada ligando para lograr afinidad de unión. Procede a abrir CB-Dock2. Procede a la pestaña de Dock.
Aquí subimos el 4hco. PDB como proteína objetivo para acoplamiento. Sube un ligando.
Aquí empezamos con ligando uno. Alternativamente, puedes escribir o pegar esta cadena SMILES. Procede a escribir tu correo electrónico para facilitar la recopilación de datos.
Después, haz clic en Acoplamiento Automático a ciegas. Los resultados se envían en el correo electrónico. Guarda el archivo zip de los resultados del acoplamiento.
Tras guardar, se extrae el archivo zip y dentro de él hay una variedad de archivos. Elimina todos los archivos, excepto el complejo. Pdb.
Debería haber un complejo de cinco por defecto. Pdb. Limpia el directorio eliminando los archivos zip no extraídos.
Tras completar el acoplamiento proteína-ligando con CB-Dock2, que clasificó las poses por puntuaciones de Vina, el siguiente paso es calcular la afinidad de unión con PRODIGY. La afinidad de unión con PRODIGY garantiza una evaluación competitiva de la selectividad proteica. Es favorable que los ligandos sean selectivos de PLK1, y no de los homólogos estructurales.
Procede al servidor web PRODIGIO. Selecciona la pestaña PRODIGY-LIGAND. Refiera a un complejo.
Archivo PDB para determinar los identificadores de proteínas y cadenas de ligandos. El complejo. El archivo PDB se abre con un editor de texto.
El identificador de cadena de la proteína es P.That se inserta en el servidor web. La cadena de ligandos suele comenzar en HETATM. Busca eso.
El identificador de cadena del ligando es A:UNL. Eso se inserta en el servidor web. Los cinco complejos proporcionados para cada combinación de ligandos proteicos se cargarán de una vez.
Se utiliza un script de gestión de archivos desarrollado en R para esta tarea. El script comprime el archivo pdb para todas las combinaciones de acoplamiento. Tras comprimir, los archivos se suben manualmente a PRODIGY.
Procede a enviar el ligando PRODIGY. Hay una lista de afinidades de vinculación para cada cinco poses en la combinación subida. Delta-Gnoelec es la puntuación de afinidad de enlace excluyendo los cálculos electrostáticos.
Procede a guardar los resultados, que están bloqueados. Al abrir el archivo zip, aparece una carpeta de salida con las puntuaciones de afinidad. Evaluación ADMET-S.
La evaluación de ADMET, sin estabilidad, implica tres herramientas diferentes. ADMET evalúa la farmacéutica y biodisponibilidad utilizando más de 120 propiedades. ORCA aplica la Teoría del Funcional de la Densidad, DFT, para analizar las propiedades de los fármacos.
Sigamos. Crea un directorio para la estabilidad. Recupera la cadena SMILES de una molécula pequeña.
Abre Avogadro, o editor de moléculas que prefieras. Usa la cadena SMILES para construir tu pequeña molécula. Guarda la molécula después de construir.
Asegúrate de que esté ubicado en un subdirectorio de estabilidad. Procede a optimizar la geometría. A continuación, se genera un archivo de entrada ORCA.
Copia y pega el nivel de teoría deseado, como se ve en la cuarta línea del documento de ejemplo. Procede a reemplazar el nivel predeterminado de teoría. Procede a generar el archivo.
Guarda en esta carpeta de estabilidad. Añade el archivo sh o el archivo de trabajos bash. Procede a personalizar los parámetros del archivo de trabajo.
Por ejemplo, el correo electrónico a notificar puede personalizarse. Resultados representativos. Primero, tenemos PCA para la reducción de dimensionalidad múltiple.
Esta figura muestra diferentes grupos numerados agrupados en elipses grises. A continuación, los resultados del ligando 1 y PLK1-PBD de la muestra. En la parte superior izquierda hay una representación del ligando 1 en verde, con residuos no deseados, rojo y naranja.
A la derecha hay un modelo representativo tras la limpieza y preparación con CHARMM-GUI. A continuación se encuentra el complejo acoplado con PLK1, PBD y ligando 1. Además, CB-Dock2 muestra las cinco cavidades de acoplamiento principales y sus afinidades en forma de puntuaciones Vina.
Las afinidades de unión predichas de PRODIGY pueden visualizarse con mapas de calor. El mapa de calor muestra los roles de los homólogos PLK1, 2 y 3. El rojo representa afinidad débil e indeseable, y el verde lo contrario.
La evaluación ADMET-S puede representarse con una variedad de cifras. El primero es el huevo cocido. El mapa de calor identifica el estado inhibidor y no sustrato con el verde y rojo de los ligandos frente a diferentes indicadores metabólicos.
Para la liberación, un gráfico de líneas que muestra los umbrales de tiempo ideales para que el fármaco se distribuya antes de la expresión. También se pueden compilar diversas métricas en un útil mapa de radar. El número de toxicóforos en cada ligando puede representarse mediante un gráfico de columnas.
Toxtree genera tanto una clasificación de toxicidad de fármacos como un razonamiento cualitativo basado en el árbol de decisión de reglas de Cramer. La estabilidad o reactividad molecular puede representarse mediante un gráfico lineal con umbrales adecuados de brecha HOMO-LUMO. Conclusión. En resumen, este protocolo utiliza una variedad de herramientas virtuales de detección de fármacos, afinidad de unión y ADMET-S a nivel de secundaria o de grado.
Los resultados generados por este protocolo tienen el potencial de aumentar el rendimiento de un descubrimiento favorable de fármacos.
Visión general
Este protocolo demuestra un flujo de trabajo computacional bilingüe para identificar posibles inhibidores de PLK1. Enfatiza la importancia de evaluar las interacciones proteína-ligando y las propiedades ADMET-S en el descubrimiento de fármacos.
Componentes clave del estudio
Área de la ciencia
- Química
- Biología computacional
- Farmacología
Antecedentes
- PLK1 está sobreexpresada en varios tipos de cáncer.
- La inhibición de PLK1 puede inducir apoptosis.
- El estudio tiene como objetivo identificar inhibidores selectivos de PLK1-PBD.
- Se utilizan bases de datos de productos naturales para examinar posibles inhibidores.
Propósito del estudio
- Desarrollar un flujo de trabajo para identificar inhibidores de PLK1.
- Evaluar las propiedades medicinales y farmacocinéticas de los candidatos.
- Utilizar herramientas computacionales para el descubrimiento de fármacos.
Métodos utilizados
- Preparación de proteínas utilizando CHARMM-GUI.
- Examen de bases de datos de productos naturales con SuperNatural 3.0.
- Docking de proteína-ligando y cálculos de afinidad de unión.
- Evaluación ADMET-S para la farmacologización y biodisponibilidad.
Principales resultados
- Identificación de 999 moléculas candidatas después del examen.
- Afinidades de unión calculadas usando PRODIGY.
- La evaluación ADMET-S proporciona información sobre las propiedades del fármaco.
- Visualización de resultados a través de varias representaciones gráficas.
Conclusiones
- El protocolo ofrece un enfoque integral para el examen virtual de fármacos.
- Tiene aplicaciones potenciales para mejorar los esfuerzos de descubrimiento de fármacos.
- El flujo de trabajo es adecuado para fines educativos a nivel de escuela secundaria o universitario.
Preguntas frecuentes
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
