Name: Modelado de farmacóforos para objetivos con extensas bibliotecas de ligandos: un estudio de caso sobre SARS-CoV-2 Mpro (Video) | JoVE Journal
Uploaded: 2025-09-26T14:30:00.000+00:00
Duration: 5 min 50 s
Description: Aprende a construir modelos de farmacóforos de consenso para SARS-CoV-2 Mpro usando grandes bibliotecas de ligandos. Este método computacional mejora el descubrimiento de fármacos mediante el cribado virtual y el diseño racional.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

1. Método 1
<ol>
	<li>Preparar ligandos para la generación de farmacóforos de consenso<ol>
		<li>Alinee todos los complejos proteína-ligando usando el software PyMOL11.</li>
		<li>Extraiga cada conformador de ligando alineado y guárdelo como un archivo separado en formato SDF. NOTA: También se pueden utilizar otros formatos como MOL, MOL2 y PDB para el protocolo descrito aquí.</li>
	</ol>
	</li>
	<li>Generación de archivos JSON de farmacóforo con Pharmit12
	<ol>
		<li>Cargue cada archivo de ligando individualmente en Pharmit mediante la opción Cargar características (consulte Tabla de materiales para obtener un enlace a Pharmit).</li>
		<li>Utilice la opción Guardar sesión para descargar el archivo JSON de farmacomega correspondiente.</li>
	</ol>
	</li>
	<li>Organizar los archivos JSON para su uso en ConPhar<ol>
		<li>Almacene todos los archivos JSON descargados en una sola carpeta. Estos archivos se cargarán en el entorno de Google Colab en el siguiente método.</li>
	</ol>
	</li>
</ol>
2. Método 2
<ol>
	<li>Configurar el entorno de Google Colab<ol>
		<li>Iniciar un nuevo bloc de notas de Google Colab: Abre Google Colab en el navegador web, crea un nuevo bloc de notas y ajusta la configuración para usar una versión anterior seleccionando Tiempo de ejecución → Cambiar el tiempo de ejecución → versión del entorno de ejecución 2025.07.</li>
		<li>Instale Conda y PyMOL. El código necesario para instalar Conda y PyMOL en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. 
		# Instalar CondaColab: Habilita el soporte del entorno Conda en Google Colab 
		desde IPython.utils import io 
		importar tqdm.notebook 
		Importar sistema operativo 
		total = 100 con tqdm.notebook.tqdm(total=total) como pbar: con io.capture_output() como capturado: # Instalar CondaColab !pip install -q condacolab Importar condacolab condacolab.install() pbar.update(10) # Actualizar la ruta de Python para localizar los paquetes instalados 
		importar sys sys.path.append('/usr/local/lib/python3.7/site-packages/') pbar.update(20) # Instalar el paquete PyMOL usando mamba desde el canal Schrödinger %shell mamba install -c schrodinger pymol-bundle --yes pbar.update(90)</li>
		<li>Verificar la ejecución correcta: ejecute la celda haciendo clic en el icono de reproducción o presionando Mayús + Entrar. Aparecerá una barra verde horizontal sobre la celda tras la ejecución exitosa (consulte la Figura 1).</li>
	</ol>
	</li>
	<li>Instale el paquete ConPhar Python e importe los módulos necesarios<ol>
		<li>Instale e importe ConPhar. El código necesario para instalar el paquete ConPhar e importar los módulos necesarios en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. 
		# Instalar el paquete de análisis de farmacóforos ConPhar importar pymol !pip install conphar De Conphar. Los farmacóforos importan parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore Importar sistema operativo importar pandas como pd NOTA: La declaración de importación de conphar. Pharmacophores se divide en varias líneas para mayor claridad, pero debe ingresarse como una sola línea continua. La herramienta ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) está en desarrollo activo. El protocolo actual utiliza una versión estable (0.1.2), que ha sido validada para el procedimiento descrito. Se recomienda a los usuarios que utilicen esta versión para garantizar la reproducibilidad.</li>
		<li>Confirme la instalación exitosa: ejecute la celda haciendo clic en el icono de reproducción o presionando Mayús + Entrar. Aparecerá un mensaje de confirmación tras la instalación e importación exitosas de las herramientas de ConPhar (consulte la Figura 2).</li>
	</ol>
	</li>
	<li>Cargar modelos de farmacóforos individuales desde archivos JSON<ol>
		<li>Cree una carpeta para archivos JSON de farmacóforo. El código necesario para crear una carpeta para almacenar los archivos de entrada de farmacóforos en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. 
		# Crear una carpeta para almacenar archivos JSON de entrada 
		os.makedirs("JSON_FOLDER", exist_ok=Verdadero) NOTA: Este comando crea la carpeta automáticamente si aún no existe.</li>
		<li>Cargar archivos JSON en la carpeta: haga clic en el icono de la carpeta en el panel izquierdo de Colab, abra la carpeta recién creada y haga clic con el botón derecho para seleccionar Cargar. Agregue los archivos JSON necesarios (consulte la figura 3). NOTA: Asegúrese de que los archivos sigan el formato esperado generado por Pharmit.</li>
	</ol>
	</li>
	<li>Analizar y consolidar las características farmacofóricas<ol>
		<li>Extraiga características farmacofóricas de los archivos cargados. El código necesario para analizar los archivos JSON cargados, extraer características farmacofóricas y almacenarlas en un solo DataFrame en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el Archivo de soporte 1. 
		p4_table=pd. DataFrame() for archivo en os.listdir('/content/JSON_FOLDER'): si '.json' en el archivo: probar: p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}") p4['ligando']=archivo.replace('.json','') p4_table=pd.concat([p4_table,p4],ignore_index=Verdadero) excepto Excepción: pasar p4_table</li>
		<li>Ejecute la celda haciendo clic en el icono de reproducción o presionando Mayús + Entrar para generar el DataFrame consolidado (consulte la figura 4). El DataFrame consolidado resultante compila todas las características farmacofóricas extraídas de ligandos individuales en una tabla unificada, lo que facilita la agrupación posterior y el análisis estadístico. NOTA: El script incluye un control básico de excepciones para omitir archivos JSON con formato incorrecto durante el procesamiento para evitar la interrupción del flujo de trabajo. Dada la gran cantidad de archivos, verificar cada uno de antemano no es práctico; En su lugar, el script se puede modificar para imprimir el nombre de cualquier archivo que no se cargue, de modo que el usuario pueda inspeccionarlo y corregirlo individualmente.</li>
	</ol>
	</li>
	<li>Generar y guardar el consenso Farmacóforo<ol>
		<li>Mostrar todos los descriptores farmacofóricos. El código necesario para visualizar los descriptores farmacofóricos extraídos de los archivos de entrada en Google Colab se proporciona aquí en cursiva como referencia, y la secuencia de comandos ejecutable completa también está disponible en el archivo de soporte 1. 
		show_pharmacophoric_descriptors(p4_table)</li>
		<li>Ejecute la celda haciendo clic en el icono de reproducción o presionando Mayús + Entrar para visualizar la agrupación de características farmacofóricas (consulte la Figura 5). Las salidas agrupadas en entidades agrupan características farmacofóricas similares en varios ligandos en función de sus posiciones espaciales, lo que permite la identificación de patrones de interacción conservados.</li>
		<li>Guarde el modelo de farmacóforo en formato PyMOL. El código necesario para generar y guardar el modelo de farmacóforo de consenso en formato compatible con PyMOL en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. 
		save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')</li>
		<li>Ejecute la celda para generar el archivo .pse correspondiente (consulte la figura 6).</li>
		<li>Guarde el modelo de farmacóforo en formato JSON. El código necesario para generar y guardar el modelo de farmacóforo de consenso en formato compatible con Pharmit en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. ​save_pharmacophore_to_json(p4_table,out_file= 'ConPhar_pharmit.json')</li>
		<li>Ejecute la celda para producir el archivo .json correspondiente (consulte la figura 6).</li>
		<li>Genere salidas agrupadas en entidades y dendrogramas. El código necesario para generar archivos de farmacóforos de consenso agrupados por tipo de función, incluidos los formatos compatibles con PyMOL y Pharmit, y las visualizaciones de dendrogramas en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. consenso,enlaces=compute_concensus_pharmacophore (p4_table,save_data_per_descriptor=Verdadero,out_folder='/contenido')</li>
		<li>Ejecute la celda haciendo clic en el icono de reproducción o presionando Mayús + Entrar (consulte la Figura 7). Los resultados muestran visualizaciones de dendrogramas, que en forma de árbol representan las relaciones jerárquicas entre las características farmacofóricas agrupadas, lo que ayuda a los usuarios a interpretar el grado de similitud y proximidad espacial entre los grupos. NOTA: Este paso guarda varios archivos y figuras de salida en la carpeta especificada.</li>
		<li>Exporte los resultados del farmacóforo de consenso a un archivo CSV. El código necesario para guardar la tabla de farmacóforos de consenso final en formato CSV en Google Colab se proporciona aquí en cursiva como referencia, y el script ejecutable completo también está disponible en el archivo de soporte 1. 
		concensus.to_csv('consensus_result.csv', index=False)</li>
		<li>Ejecute la celda haciendo clic en el icono de reproducción o presionando Mayús + Entrar para exportar los datos del farmacóforo de consenso a un archivo CSV llamado consensus_result.csv para su posterior análisis (consulte la Figura 8). NOTA: El archivo CSV facilita las aplicaciones posteriores, como el análisis estadístico o la visualización en software de hoja de cálculo.</li>
	</ol>
	</li>
	<li>Utilice el Pharmacophore de consenso para el cribado virtual<ol>
		<li>Exporte el farmacóforo de consenso en formato JSON. Asegúrese de que el archivo incluya coordenadas espaciales para todas las entidades. Este formato es directamente compatible con herramientas de detección basadas en la web, como Pharmit12. Para realizar un cribado virtual, cargue el archivo JSON del farmacólogo en el servidor de Pharmit a través de la opción Cargar características . El servidor permite refinar el modelo modificando, agregando o eliminando características, así como la detección en grandes bibliotecas de compuestos, como PubChem13o ZINC14. NOTA: Todos los scripts necesarios para reproducir los análisis descritos en este estudio se proporcionan en el archivo de soporte 1 y también se puede acceder a ellos de forma interactiva a través de https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. Se anima a los lectores a crear una copia personal del cuaderno de Colab para ejecutar y modificar los análisis sin alterar el script original.</li>
	</ol>
	</li>
</ol>
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68933/68933fig1.jpg"> 
Figura 1: Captura de pantalla del primer bloque de código utilizado para configurar el entorno de Google Colab mediante la instalación de CondaColab. Aparece una barra de progreso azul horizontal sobre la celda durante la ejecución y se vuelve verde al completarla correctamente. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68933/68933fig2.jpg"> 
Figura 2: Captura de pantalla del segundo bloque de código utilizado para instalar el paquete ConPhar en Google Colab. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig2large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68933/68933fig3.jpg"> 
Figura 3: Captura de pantalla que muestra los archivos JSON de farmacóforo cargados correctamente en la carpeta designada en Google Colab. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig3large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68933/68933fig4.jpg"> 
Figura 4: Captura de pantalla que muestra el código utilizado para extraer características farmacofóricas de los archivos JSON y consolidarlas en un solo DataFrame. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig4large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68933/68933fig5.jpg"> 
Figura 5: Visualización de la agrupación de características farmacofóricas generadas durante la construcción del modelo de farmacóforo de consenso. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig5large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68933/68933fig6.jpg"> 
Figura 6: Captura de pantalla que muestra la generación exitosa de los archivos de farmacóforos de consenso en formatos compatibles con PyMOL y Pharmit. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig6large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68933/68933fig7.jpg"> 
Figura 7: Captura de pantalla que muestra la generación de archivos de farmacóforos de consenso agrupados por tipo de característica, incluidas las salidas para visualizaciones de PyMOL, Pharmit y dendrogramas. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig7large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68933/68933fig8.jpg"> 
Figura 8: Captura de pantalla que muestra la exportación exitosa de los datos de farmacóforos de consenso al archivo consensus_result.csv. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig8large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

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

<table><tbody><tr><td>Google Colab</td><td>Google LLC</td><td>https://colab.google</td><td>Plataforma basada en web para ejecutar cuadernos de Python; se utiliza aquí para ejecutar scripts ConPhar y PyMOL para el modelado de farmacóforos de consenso.</td></tr><tr><td>Farmacia</td><td>Laboratorio Koes en la Universidad de Pittsburgh</td><td>https://pharmit.csb.pitt.edu/search.html</td><td>Plataforma web para la detección virtual interactiva de farmacóforos y la exploración química del espacio, que permite la carga de archivos de ligandos y la generación de características de farmacóforos</td></tr><tr><td>PyMOL</td><td>Schr&ouml; dinger, Inc.</td><td>https://www.pymol.org</td><td>Software de visualización molecular y alineación estructural utilizado para proteínas Superposición y análisis de complejos de ligandos</td></tr><tr><td>Compatibilidad con el script de flujo de trabajo de farmacóforo del archivo 1</td><td>Google LLC</td><td>https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing</td><td>Secuencia de comandos ejecutable completa para instalar Conda, PyMOL y ejecutar el flujo de trabajo de farmacóforo en Google Colab. También se proporciona como archivo de apoyo 1.</td></tr></tbody></table>

modelado de farmacóforos para objetivos con extensas bibliotecas de ligandos: un estudio de caso sobre sars-cov-2 mpro

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

Se alinearon cien complejos Mpro cocristalizados con diferentes inhibidores no covalentes, como se ejemplifica en la Figura 9A. Luego, cada ligando se extrajo como un archivo individual (Figura 9B) y posteriormente se cargó en el servidor de Pharmit. La sesión se guardó para generar un archivo JSON correspondiente (consulte la Figura 9C).
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/68933/68933fig9.jpg"> 
Figura 9: Preparación de ligandos para el modelado de farmacóforos de consenso. (A) Alineación estructural de tres complejos Mpro representativos cocristalizados con inhibidores no covalentes. (B) Superposición de los 100 ligandos incluidos en este estudio. (C) Carga de cada ligando al servidor de Pharmit mediante la opción "Cargar funciones", seguida de la generación de archivos JSON a través de la opción "Guardar sesión". Ambas opciones se indican con flechas rojas. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig9large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
El conjunto completo de archivos JSON se utilizó para generar el modelo de farmacóforo de consenso, que comprendía 1450 características farmacofóricas agrupadas en 110 grupos: 23 aromáticos (Aro), 30 aceptores de enlaces de hidrógeno (HBA), 16 donantes de enlaces de hidrógeno (HBD), 36 hidrofóbicos (Hyd) y 5 grupos cargados negativamente (Anion) (Figura 10A, Tabla complementaria 1). Identificamos los grupos más grandes para cada característica para su incorporación al modelo de consenso. Entre los clústeres de Aro, seleccionamos aquellos con más de 20 elementos. De los grupos HBA, HBD e Hyd, conservamos grupos con al menos 50 elementos. Ninguno de los cúmulos aniónicos tenía más de 4 miembros, por lo que fueron excluidos del modelo de consenso (Figura 10B). Estos umbrales numéricos (&gt;20 miembros para Aro; ≥50 para HBA, HBD e Hyd) se definieron empíricamente en función de la distribución de los tamaños de los conglomerados para priorizar los patrones de interacción más conservados y densamente poblados.
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/68933/68933fig10.jpg"> 
Figura 10: Agrupación de características farmacofóricas de 100 complejos Mpro-ligando. (A) Distribución de 1450 características farmacofóricas: aromática (Aro) en púrpura, aceptor de enlaces de hidrógeno (HBA) en naranja, donante de enlaces de hidrógeno (HBD) en blanco, hidrofóbico (Hyd) en verde y cargado negativamente (Anion) en rojo. (B) Se muestran los grupos que contienen ≥10 miembros para Aro, HBA, HBD e Hyd; se muestran todos los clústeres de aniones. Los clústeres más grandes, definidos como aquellos con ≥20 miembros para Aro, y ≥50 miembros para HBA, HBD y Hyd, y ≥4 miembros para Anion, se resaltan con esferas punteadas. El número de miembros en cada uno de los clústeres más grandes se indica explícitamente. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig10large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Por lo tanto, nuestro modelo de farmacóforo de consenso incluyó 11 características: 3 características aromáticas (Aro), Aro 1, 2 y 3, derivadas de grupos con 20, 24 y 45 miembros, respectivamente; 4 aceptores de enlaces de hidrógeno (HBA), HBA 1, 2, 3 y 4, de grupos con 51, 55, 77 y 81 miembros, respectivamente; 2 donantes de enlaces de hidrógeno (HBD) de grupos con 51 y 71 miembros, respectivamente; y 2 características hidrofóbicas (Hyd) de cúmulos con 50 y 52 miembros, respectivamente (ver Figura 11A).
Se utilizó el modelo de farmacóforo para buscar en la base de datos PubChem utilizando la estrategia previamente reportada10, pero no se encontraron coincidencias. Para aumentar la flexibilidad de búsqueda, se eliminó la característica aromática Aro 1, derivada del racimo más pequeño y menos representativo. Este ajuste condujo a la identificación de dos resultados, incluido un conformador del compuesto con CID de PubChem 101267741 y 10285538 (ver Figura 11B). La estructura química 2D del compuesto 101267741 se muestra en la Figura 11C. Curiosamente, este compuesto identificado encaja bien dentro del bolsillo de encuadernación Mpro. Un análisis comparativo con el ligando cocristalizado 38a15 (ID de PDB: 9HAJ) muestra que el conformador de coincidencia de farmacoforos de 101267741 está enterrado incluso más profundo que 38a dentro de los subbolsillos S1 y S2 de Mpro. Sin embargo, 38a ocupa una región más amplia del bolsillo, principalmente debido a su cadena lateral de etil carboxamida, que se extiende hacia el bolsillo S1 ′. Sin embargo, las interacciones intermoleculares clave de 38a involucran otras partes en lugar de esta cadena lateral. Por el contrario, el compuesto 101267741 forma 11 interacciones intermoleculares, incluidos siete enlaces de hidrógeno y cuatro contactos hidrofóbicos. En comparación con los tres enlaces de hidrógeno y las dos interacciones hidrofóbicas formadas por 38a, el modo de unión del compuesto 101 parece más fuerte (Figura 11D).
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/68933/68933fig11.jpg"> 
Figura 11: Búsqueda de farmacóforos en la base de datos PubChem. (A) El modelo farmacoforo de consenso completo contiene 11 características: 3 aromáticas (púrpura), 4 aceptores de enlaces de hidrógeno (naranja), 2 donantes de enlaces de hidrógeno (blanco) y 2 hidrofóbicos (verde). (B) El conformador del compuesto PubChem 101267741 alineado con el modelo de farmacróforo reducido después de la eliminación de la característica Aro 1, y (C) Estructura química bidimensional del compuesto identificada. (D) Análisis comparativo de los modos de unión del compuesto 38a (magenta; de PDB ID: 9HAJ) y el compuesto PubChem CID 101267741 (verde) a la bolsa catalítica Mpro del SARS-CoV-2. Las interacciones intermoleculares correspondientes para cada compuesto se muestran a la derecha. Los enlaces de hidrógeno y las interacciones hidrofóbicas se muestran como líneas discontinuas en azul y gris, respectivamente. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig11large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Archivo de soporte 1: Script de flujo de trabajo de farmacóforo. <a href="https://www.jove.com/files/ftp_upload/68933/Supporting%20File%201%20Pharmacophore%20Workflow%20Script.txt" target="_blank">Haga clic aquí para descargar este archivo.</a>
Tabla de apoyo 1: Resumen de agrupamiento de características farmacofóricas. Número de clústeres, miembros por clúster, coordenadas centroides y radios de clúster <a href="https://www.jove.com/files/ftp_upload/68933/Table_S1.xlsx" target="_blank">Haga clic aquí para descargar este archivo.</a>

Modelado de farmacóforos para objetivos con extensas bibliotecas de ligandos: un estudio de caso sobre SARS-CoV-2 Mpro

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

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

Research

Investigación

JoVE Journal

Biochemistry

Bioquímica

Este estudio tenía como objetivo presentar una estrategia para identificar las interacciones entre fármacos y péptidos. La estrategia consiste en la biopanning de péptidos cortos que reconocen fármacos basados en un biosensor de micropeso de cristal de cuarzo (QCM), seguido de análisis bioinformática para evaluar cuantitativamente la información obtenida para el reconocimiento de fármacos y la anotación de los sitios de unión a fármacos sobre proteínas.

Estrategia de análisis bioaformático y bioinformática basada en biosensores para la validación global de interacciones entre fármacos y proteínas

Este artículo describe el proceso completo de XChem para el cribado de fragmentos basados en cristales, desde la solicitud de acceso y todos los pasos posteriores hasta la difusión de los datos.

Lograr un cribado eficiente de fragmentos en las instalaciones de XChem en Diamond Light Source

Una habilidad clave en el modelado biomolecular es mostrar y anotar sitios activos en proteínas. Esta técnica se demuestra utilizando cuatro programas gratuitos populares para la visualización macromolecular: iCn3D, Jmol, PyMOL y UCSF ChimeraX.

Modelado de un sitio activo enzimático utilizando software gratuito de visualización molecular

Este protocolo presenta las herramientas disponibles para modelar ligandos de moléculas pequeñas en mapas crioEM de macromoléculas.

Modelado de ligandos en mapas derivados de la criomicroscopía electrónica

El experimento utilizado aquí muestra un método de acoplamiento molecular combinado con un ensayo de desplazamiento térmico celular para predecir y validar la interacción entre moléculas pequeñas y proteínas objetivo.

Predicción y validación de dianas proteicas de compuestos de moléculas pequeñas

Aquí presentamos un protocolo para el diseño guiado por la estructura de la interacción de unión proteína-ligando entre la sangliferina A y la ciclofilina A/Ganoderiol-F, esencial para descubrir nuevos fármacos. La estabilidad del complejo ligando-receptor se evaluó mediante simulación de dinámica molecular.

Diseño y desarrollo guiados por la estructura de nuevos inhibidores de la ciclofilina A y derivados de ganoderiol-F: un enfoque in-silico

Los métodos computacionales son prometedores para acelerar el descubrimiento de fármacos, pero con frecuencia pasan por alto la naturaleza dinámica de las estructuras de las proteínas. Aquí, discutimos el análisis de acoplamiento basado en conjuntos para incorporar indirectamente la flexibilidad de las proteínas, lo que podría mejorar la precisión y la confiabilidad de los esfuerzos de descubrimiento de fármacos.

Incorporación de la flexibilidad y la dinámica de la estructura de la proteína diana en el descubrimiento computacional de fármacos mediante el análisis de acoplamiento basado en conjuntos

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.

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

Este protocolo utiliza tanto la co-expresión de subunidades y de mezcla para un examen más a fondo de ensamblaje proteasoma subunidad recombinante postlysis.

El examen de la Asamblea proteasoma con recombinante arqueano Proteasomas y desnaturalizante PÁGINA: El Caso de un enfoque combinado

Este artículo describe un método para evaluar las interacciones y ensamblajes de proteínas integrales de membrana in vitro con varios factores asociados en un entorno proximal de lípidos.

El uso de andamios liposomas para reconstituir las interacciones proteína-proteína-lípidos proximal In Vitro

Aprende a construir modelos de farmacóforos de consenso para SARS-CoV-2 Mpro usando grandes bibliotecas de ligandos. Este método computacional mejora el descubrimiento de fármacos mediante el cribado virtual y el diseño racional.

Modelado de farmacóforos para objetivos con extensas bibliotecas de ligandos: un estudio de caso sobre SARS-CoV-2 Mpro

Explorar más videos