Article de méthode

Intégration de la flexibilité et de la dynamique de la structure de la protéine cible dans la découverte de médicaments computationnelle à l’aide de l’analyse d’amarrage basée sur l’ensemble

DOI :

10.3791/67174

⸱

20 juin 2025

 , 
1Bioinformatics Programme, Institute of Biological Sciences, Faculty of Science, Universiti Malaya, 2Centre of Research in Systems Biology, Structural Bioinformatics and Human Digital Imaging (CRYSTAL), Universiti Malaya

Dans cet article

Résumé

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

Les méthodes informatiques promettent d’accélérer la découverte de médicaments, mais elles négligent souvent la nature dynamique des structures protéiques. Ici, nous discutons de l’analyse d’amarrage basée sur l’ensemble pour incorporer indirectement la flexibilité des protéines, améliorant potentiellement la précision et la fiabilité des efforts de découverte de médicaments.

Résumé

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

Le processus de découverte de médicaments est une opération rigoureuse, longue et coûteuse. L’approche computationnelle dans la découverte de médicaments permet aux chercheurs de hiérarchiser les composés les plus prometteurs pour des tests supplémentaires, ce qui réduirait considérablement les ressources requises, conduisant à une augmentation de l’efficacité globale dans les pipelines de découverte de médicaments. La découverte de médicaments basée sur la structure est une approche courante qui nécessite les informations structurelles de la protéine cible dans un format tridimensionnel. Cependant, la limitation actuelle de la plupart des stratégies de découverte de médicaments assistées par ordinateur est leur incapacité à introduire la flexibilité et la dynamique de la structure de la protéine cible lors de la simulation d’amarrage ligand-protéine. Alors que l’amarrage induit et l’amarrage basé sur l’ensemble visent tous deux à aborder la flexibilité des protéines dans la procédure d’amarrage, ce dernier peut fournir une vue plus complète du comportement dynamique des protéines en incorporant plusieurs conformations tout au long de la simulation. Dans ce rapport, nous démontrons et discutons de l’application d’une technique appelée analyse d’amarrage basée sur l’ensemble qui introduit indirectement la flexibilité et la dynamique de la structure de la protéine cible dans le processus d’amarrage moléculaire. La protéine et le ligand sélectionnés pour les études d’amarrage basées sur l’ensemble étaient respectivement le lysozyme et le Flovokawain B (FB). Il a déjà été rapporté que FB avait une activité de liaison avec le lysozyme. Une simulation de dynamique moléculaire (DM) a été réalisée sur le lysozyme en présence d’eau, et l’énergie totale, l’écart quadratique moyen (RMSD) et la fluctuation quadratique moyenne (RMSF) ont été examinés. Le clustering de conformation a été généré sur la base de plusieurs valeurs de coupure de clustering et a été choisi pour une analyse d’amarrage supplémentaire avec FB. Le cluster n° 2 donne l’énergie de liaison la plus faible à -29,37 kJ/mol. Des images d’amarrage moléculaire ont été générées pour anticiper la présence de forces de liaison. En intégrant la dynamique structurelle de la protéine, l’approche d’amarrage basée sur l’ensemble peut mieux saisir la gamme de scénarios de liaison possibles, ce qui conduit à des prédictions plus fiables des résultats de liaison.

Introduction

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

Dans la découverte computationnelle de médicaments (CDD), les techniques de l’informatique, de la chimie, de la biologie et de la physique sont intégrées pour explorer un vaste espace chimique, prédire les interactions médicament-cible et optimiser les candidats médicaments avec une efficacité plus élevée et des coûts inférieurs par rapport aux méthodes expérimentales traditionnelles seules. Il s’agit d’une approche puissante qui s’appuie sur des méthodes de calcul et des algorithmes pour accélérer la découverte et l’optimisation de nouveaux composés thérapeutiques 1,2,3. La CDD a révolutionné la découverte de médicaments. Cependant, il existe des limites associées à la dynamique de la structure tridimensionnelle (3D) des protéines qui peuvent affecter l’exactitude et la fiabilité des prédictions computationnelles4. Les structures 3D des protéines servent de modèles dans le CDD pour la conception ou l’optimisation de candidats médicaments en fonction des interactions protéine-médicament cibles. Bien que les modèles de cristallographie aux rayons X des structures protéiques fournissent des informations structurelles précieuses sur les protéines, il est essentiel de reconnaître la nature dynamique des structures protéiques et les limites des modèles statiques 5,6,7. De plus, les progrès récents de la cryo-microscopie électronique (cryo-EM) et les prédictions informatiques telles qu’AlphaFold ont également considérablement élargi la disponibilité des données structurelles pour capturer le spectre complet de la flexibilité et de la dynamique des protéines 8,9,10,11,12.

Les simulations de dynamique moléculaire (DM) simulent le mouvement et les interactions des atomes et des molécules au fil du temps, fournissant des informations sur le comportement dynamique et la flexibilité de la structure 3D des protéines13,14. Les simulations MD sont utilisées pour générer des structures 3D de protéines représentant divers états conformationnels, qui servent d’entrée pour l’analyse d’amarrage basée sur l’ensemble. Grâce à l’échantillonnage de diverses conformations protéiques, l’analyse d’amarrage basée sur l’ensemble tient compte de la flexibilité et de la dynamique inhérentes des cibles biologiques, ce qui permet une exploration plus complète des modes de liaison et des interactions des ligands3.

Il est essentiel de comprendre la flexibilité des protéines, car elle influence la façon dont les médicaments exercent leurs effets biologiques, détermine l’emplacement et l’orientation des sites de liaison et affecte la cinétique de liaison, le métabolisme et le transport15,16. La capture de cette nature dynamique peut améliorer considérablement la précision et la fiabilité des prédictions d’amarrage. En 1994, Kearsley et al. ont introduit une technique d’amarrage flexible, un cadre qui modélise la flexibilité des ligands et des protéines. Cette approche permet à la conformation de la protéine de s’ajuster pendant l’amarrage, améliorant ainsi les prédictions des interactions ligand-récepteur en tenant compte de la flexibilité structurelle17. De même, en 1999, Carlson et al. ont fait état de l’amarrage d’ensemble, qui applique une modélisation pharmacophore flexible à des modèles statiques et dynamiques de l’intégrase du VIH-1, soulignant ainsi l’importance de tenir compte de la dynamique des protéines dans les études d’amarrage18. De plus, Cavasotto et al. ont également signalé l’amélioration de la précision de l’amarrage des ligands en incorporant la flexibilité du récepteur dans le processus d’amarrage à l’aide de l’analyse en mode normal19. Plus récemment, des techniques basées sur des ensembles 20,21,22,23,24,25,26,27 ont élargi la découverte de médicaments en identifiant de nouveaux sites de liaison de ligands potentiels et en fournissant des estimations plus précises de l’énergie de liaison ligand-récepteur libre. Ces avancées ont été appliquées à des cibles telles que l’ADN quadruplex-duplex20, le facteur de croissance de l’endothélium vasculaire 165 (VEGF-165)21, l’enzymecible 22 du SRAS-CoV-2, les enzymes P450 du cytochrome P450 du foie humain23 et les protéines anticancéreuses24.

Flavokawain B (FB), classé comme flavonoïde, a été documenté pour présenter diverses propriétés pharmacologiques 28,29,30. Sur la base d’analyses expérimentales et informatiques, FB a été rapporté comme formant un complexe stable avec le lysozyme (LYZ)31, une protéine largement reconnue pour son activité antimicrobienne et a également été identifiée comme un transporteur de ligand 32,33,34. Dans ce rapport, nous analysons plus en détail la nature de l’interaction de FB avec LYZ à l’aide d’une analyse d’amarrage basée sur l’ensemble pour intégrer l’impact de la flexibilité des protéines dans la formation du complexe FB-LYZ. L’objectif de cette méthode est de fournir aux chercheurs un processus reproductible étape par étape pour l’analyse d’amarrage basée sur l’ensemble. En outre, il est conseillé aux chercheurs de sélectionner les structures protéiques de l’organisme cible pour la recherche.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

1. Préparation de la structure du ligand B de Flavokawain

  1. Ouvrez le site Web de PubChem. Recherchez Flavokawain B. Sélectionnez Télécharger , puis Enregistrer pour la structure SDF 2D en tant que SDF Structure2D_COMPOUND_CID_5356121.MDL.
  2. Ouvrez le logiciel Avogadro. Déplacez le fichier SDF dans l’espace vide du logiciel. Cliquez sur Oui.
    REMARQUE : Le logiciel Avogadro construira automatiquement une géométrie tridimensionnelle (3D).
  3. Dans l’onglet, cliquez sur l’icône, comme illustré à la figure 1. Dans l’onglet du menu de gauche, changez le champ de force en MMFF9435,36. Ajustez le nombre d’étapes par mise à jour à 15. Réglez l’algorithme sur Descente la plus raide et cliquez sur Démarrer.
    REMARQUE : Ne déplacez aucun atome pendant la rotation. Une fois terminé, cliquez sur Arrêter. MMFF94 convient à une large gamme de ligands à petites molécules (y compris neutres et chargés) et est largement utilisé pour la minimisation de l’énergie et la modélisation moléculaire37. La méthode de descente la plus raide est choisie pour la minimisation de l’énergie initiale car elle est simple, efficace en termes de calcul et efficace pour éliminer les grandes contraintes structurelles et atteindre un état de minimisation de base 38,39,40.
  4. Dans l’onglet de menu, allez dans Fichier et cliquez sur Enregistrer sous. Lorsqu’un dossier Enregistrer la molécule sous apparaît, écrivez le nom du fichier ligand.pdb et cliquez sur Enregistrer.

2. Préparation de la structure protéique du lysozyme

  1. Ouvrez le site Web de la banque de données sur les protéines du RCSB. Rechercher lysozyme, code : 1LYZ. Cliquez sur Télécharger les fichiers et sélectionnez Format PDB. Enregistrer sous 1lyz.pdb.
  2. Ouvrez le logiciel Chimera. Dans l’onglet, cliquez sur Fichier et Ouvrir. Dans le dossier, sélectionnez le fichier 1lyz.pdb .
    REMARQUE : Une structure 3D de lysozyme sera construite à l’aide d’un logiciel.
  3. Dans l’onglet, cliquez sur Sélectionner > Résidu > HOH. Cliquez ensuite sur Actions > Atom/Bonds > Supprimer. Cliquez sur Sélectionner et Effacer la sélection.
    REMARQUE : Cela éliminera toute eau de la protéine.
  4. Dans l’onglet, cliquez sur Sélectionner > chaîne > A. Cliquez ensuite sur Outils > Modification de la structure > AddH. Une boîte de paramètre sortira et la laissera par défaut. Cliquez sur OK. Cliquez sur Sélectionner et Effacer la sélection (Figure 2).
    REMARQUE : Cela ajoutera de l’hydrogène à la protéine. Le résidu d’histidine est également protoné pour créer un système neutre. Le logiciel peut effectuer des calculs de pKa en intégrant PROPKA41,42.
  5. Dans l’onglet, cliquez sur Outils, Modification de la structure et Ajouter des frais. Une boîte de paramètres sortira ; sélectionnez Gasteiger. Cliquez sur OK. REMARQUE : Cela ajoutera des charges partielles à la protéine.
  6. Pour enregistrer le fichier, dans l’onglet cliquez sur Fichier > Enregistrer la base de données pluggable. Enregistrer sous protein.pdb.
    REMARQUE : Dans cette étude, la structure du lysozyme a été choisie pour comparer avec le résultat31 précédemment rapporté. Il est conseillé aux lecteurs de sélectionner soigneusement les structures protéiques de l’organisme cible qui les intéresse.

3. Simulation MD du lysozyme dans l’eau

REMARQUE : Les ordinateurs personnalisés pour la simulation de dynamique moléculaire (MD) utilisés dans cette étude sont Intel CORE i7 11th Gen pour CPU, NVIDIA Geforce RTX 2060 pour GPU et DDR4 128 GB memory. Le système d’exploitation est Ubuntu 22.04.4 LTS. La simulation MD se fait à l’aide du logiciel GROMACS. Le support GPU est CUDA.

  1. Téléchargez tous les documents requis à partir de ce lien : http://www.mdtutorials.com/gmx/lysozyme/01_pdb2gmx.html (Tutoriel GROMACS, Lysozyme dans l’eau)43.
    REMARQUE : Les documents nécessaires sont em.mdp, ions.mdp, md.mdp.npt.mdp, nvt.mdp, charmm36 ff et protein.pdb (à partir de l’étape 2.5). Pour la configuration du système, em.mdp sert à minimiser l’énergie, et ions.mdp à ajouter des ions et à neutraliser le système. Pour l’équilibration, nvt.mdp est pour l’équilibrage de la température, tandis que npt.mdp est pour l’équilibre de la pression. Pour la production, md.mdp est destiné à la simulation. Charmm36 ff est pour la topologie.
  2. Cliquez avec le bouton droit de la souris sur l’espace vide du dossier (le répertoire de travail) et cliquez sur Ouvrir le terminal. Tapez gmx pour ouvrir le logiciel GROMACS. REMARQUE : GROMACS n’a pas d’interface utilisateur graphique ; Tout provient de la commande écrite sur le terminal.
  3. Pour la génération de la topologie protéique, tapez gmx pdb2gmx -f protéine.pdb -o protéine.gro -ignh. Une liste de champs de force est donnée, et le type 1 pour le champ de force tous atomesCHARMM 44, suivi du type 1 pour TIP3P pour le modèle d’eau.
    REMARQUE : La version mise à jour, CHARMM36, est également disponible et peut être téléchargée à partir de http://mackerell.umaryland.edu/charmm_ff.shtml45.
  4. Définissez une boîte cubique pour couvrir toute la structure protéique. Tapez gmx editconf -f complex.gro -o newbox.gro -c -d 1.0 -bt cubic. REMARQUE : La protéine est placée à au moins 1 nm du bord de la boîte. Assurez-vous que la taille de la boîte d’eau est suffisamment grande pour les protéines, les solvants et les ions. De plus, la boîte à eau doit être adéquate pour empêcher les interactions entre les images périodiques de la protéine. La distance minimale recommandée entre la protéine et le bord de la boîte est d’au moins 1,0 à 1,5 nm.
  5. Pour la configuration de solvant46, tapez gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro.
  6. Ajoutez des ions tels que le sodium et/ou le chlorure en tapant gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro.
    REMARQUE : Les ions sodium et/ou chlorure sont/sont utilisés pour neutraliser le système.
  7. Neutralisez le système en tapant gmx genion -s ions.tpr -o solv_ions.gro -p topol.top -pname NA -nname CL -neutral. Sélectionnez 13 pour le groupe SOL.
    REMARQUE : Pour le lysozyme, 8 molécules de soluté ont été remplacées par des ions chlorure (Figure 3).
  8. Dans le fichier CHARMM 36, recherchez le dossier ions.itp . L’abréviation de l’ion chlorure est CLA.
  9. Ouvrez topol.top fichier, ajoutez CLA et le numéro 8 comme illustré à la figure 4.
  10. Ouvrez le fichier solv_ions.gro et échangez tous les CL dans CLA.
    REMARQUE : Assurez-vous que les fichiers solv_ions.gro et topol.top ont la même abréviation des ions respectifs, sinon un avertissement s’affichera. Le changement de nom de l’ion est conforme à la version du fichier CHARMM 36 ff. Étant donné que l’abréviation de chlorure est déjà CL, il n’est pas nécessaire de renommer les ions dans l’ancienne version. Néanmoins, vérifiez toujours l’abréviation des ions.
  11. Détendez la structure protéique en minimisant l’énergie de descente la plus raide avec le nombre maximum de 50 000 pas. Pour cela, tapez gmx grompp -f em.mdp -c solv_ions.gro -p topol.top -o em.tpr suivi de gmx mdrun -v -deffnm em.
    REMARQUE : Le solvant et les ions sont équilibrés autour de la protéine en deux phases : (i) le nombre de particules (N), le volume du système (V) et la température (T) sont constants (NVT), et (ii) le nombre de particules (N), la pression du système (P) et la température (T) sont constants (NPT). Le couplage de température (phase NVT) est réglé à 300 K sur la base d’un thermostat Berendsen modifié, tandis que le couplage de pression (phase NPT) est réglé à 1 bar sur la base de Parrinello-Rahman. Les interactions électrostatiques à longue portée et la recherche du voisin le plus proche sont calculées automatiquement à l’aide de la méthode d’Ewald à maillage de particules (PME) et de l’algorithme Verlet, respectivement.
  12. Pour l’équilibre de NVT, tapez gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -n index.ndx -o nvt.tpr suivi de gmx mdrun -v -deffnm nvt.
    REMARQUE : Le temps nécessaire à l’équilibrage de la température est d’environ 5 min, en fonction du CPU et du GPU. Pour l’équilibre du système, le temps de simulation est de 100 ps.
  13. Pour l’équilibre du NPT, tapez gmx grompp -f npt.mdp -c nvt.gro -r nvt.gro -t nvt.cpt -p topol.top -o npt.tpr suivi de gmx mdrun -v -deffnm npt.
    REMARQUE : Le temps nécessaire à l’équilibrage de la pression est d’environ 5 minutes, en fonction du CPU et du GPU. Pour l’équilibre du système, le temps de simulation est de 100 ps.
  14. Faites en sorte que le système effectue des cycles d’équilibrage pendant 1 ns, suivis de l’exécution de production à l’aide de la fonction mdrun d’une durée de 100 ns. Ouvrez le fichier md.mdp. Au bout de n pas, passer à 50000000 ; 2 ' 50000000 = 100000 ps (100 ns).
  15. Pour la production de dynamique moléculaire, tapez gmx grompp -f md.mdp -c npt.gro -t npt.cpt -p topol.top -o md.tpr suivi de gmx mdrun -v -deffnm md.
    REMARQUE : Le temps pour cela est d’environ ~2 jours. Les images de trajectoire générées à partir de la simulation MD sont capturées à des intervalles de 10 ps et utilisées pour l’analyse de clustering basée sur l’écart quadratique moyen (RMSD).

4. Analyse de clustering basée sur RMSD

  1. Après la simulation MD, poursuivez l’analyse de la commande. Les protéines se diffusent à travers la cellule unitaire et peuvent apparaître « cassées » ou « sauter » de l’autre côté de la boîte. Tapez gmx trjconv -s md.tpr -f md.xtc -o md_center.xtc -center -pbc mol -ur compact. Type 1 pour le centrage de la protéine et 0 pour la sortie du système. Tapez vmd em.gro pour visualiser la protéine.
  2. Pour l’analyse de l’énergie totale, tapez gmx energy -f md.edr -o totalenergy.xvg, puis passez à la page 14 pour l’énergie totale.
    REMARQUE : La surveillance de l’énergie totale est fondamentale pour garantir la fiabilité et l’exactitude des simulations MD47,48.
  3. Pour l’analyse RMSD, tapez gmx rms -s md.tpr -f md_center.xtc -o rmsd.xvg -tu ns. Passez à la saisie 3 pour le C-alpha de l’ajustement des moindres carrés et 3 pour le C-alpha du calcul de la RMSD (Figure 5).
  4. Pour l’analyse RMSF, tapez gmx rmsf -s md.tpr -f md_center.xtc -o rmsf.xvg –res. Passez au type 1 pour les protéines.
  5. Pour utiliser grace, tapez cette commande xmgrace totalenergy.xvg. Ajustez les axes en double-cliquant sur la ligne de la boîte graphique. Une boîte Grace : Haches apparaîtra. Cliquez sur Accepter.
  6. Dans le menu de l’onglet, cliquez sur Fichier et Print_setup. A Grace : La configuration de l’appareil apparaîtra. Changez le périphérique de PostScript à JPEG. Cliquez sur Accepter. Cliquez maintenant sur Imprimer dans le menu Fichier. Enregistrer sous totalenergy.jpg.
  7. Répétez les étapes 4.5 et 4.6 pour xmgrace rmsd.xvg et xmgrace rmsfxvg.
  8. Pour l’analyse de cluster, tapez gmx cluster –s md.tpr –f md_center.xtc –g cluster.log –sz cluster-size.xvg –clid clus-id.xvg –cl cluster.pdb –cutoff 1.0. Passez au type 1 (groupe protéique) pour calculer l’ajustement des moindres carrés et à la RMSD et au type 1 (groupe protéique) pour la sortie du système.
    REMARQUE : Ajustez la valeur de coupure en fonction du résultat du clustering. La commande -cl représente les sorties de moyenne pour chaque cluster.
  9. Ouvrez cluster-size.xvg.
    1. Sur la base des informations fournies, augmentez la valeur limite RMSD si le nombre de clusters est faible ou diminuez la valeur limite RMSD si le nombre de clusters est élevé.
  10. Répétez l’étape 4.8 avec des valeurs limites différentes.
    REMARQUE : Le regroupement avec différentes valeurs de coupure jusqu’à ce qu’une valeur de coupure RMSD optimale ait été déterminée sur la base des critères suivants : (1) Le nombre total de grappes doit être limité à moins de 30. (2) Il est préférable de minimiser la présence de grappes avec un seul membre. (3) Il est souhaitable que plus de 90 % de la trajectoire soit représentée dans moins de 10 groupes.
  11. Ouvrez le logiciel Chimera et recherchez cluster.pdb.
    REMARQUE : cluster.pdb contient une moyenne pour chaque groupe de clusters.
  12. Cliquez sur Cadeaux et publication 1 (silhouette, ruban arrondi).
  13. Ensuite, allez dans Fichier > Enregistrer l’image > Enregistrer.
  14. Cliquez sur Sélectionner > chaîne > (sans ID) > cluster.pdb . Cliquez sur Sélectionner > Inverser (tous les modèles). Cliquez sur Actions > Atomes/Liaisons > supprimer.
    REMARQUE : Cela supprimera tous les clusters de groupes, à l’exception du cluster 1.
  15. Ensuite, allez dans Fichier > enregistrer la base de données PDB > enregistrer. Enregistrez sous le nom cluster1.pdb.
  16. Répétez les étapes 4.11 à 4.15 pour différents clusters. Enregistrez sous les noms cluster2.pdb, cluster3.pdb et cluster4.pdb.
    REMARQUE : Étant donné que le nombre total des 4 premiers groupes représente plus de 90 % des trajectoires totales, chaque représentant des 4 premiers groupes est extrait et soumis à une analyse d’amarrage moléculaire à l’aide de Chimera (voir la figure 6).

5. Amarrage basé sur l’ensemble

  1. Double-cliquez sur le logiciel Autodock Tools .
    REMARQUE : Pour l’amarrage, cette étude a utilisé AutoDock et les logiciels AutoDocktools 13,49,50,51.
  2. Placez les fichiers cluster1.pdb et ligand.pdb dans un nouveau dossier.
  3. Dans le menu, cliquez sur Fichier > Préférences > Définir. Une boîte de dialogue Définir les préférences de l’utilisateur s’affiche. Copiez l’adresse du « nouveau dossier » sous forme de texte. Collez l’adresse dans le répertoire de démarrage dans la zone Définir les préférences de l’utilisateur . Cliquez sur Définir.
    REMARQUE : Il s’agit d’une étape importante si vous utilisez le système d’exploitation Windows.
  4. Cliquez sur l’image bleue du dossier. Un dossier de molécule lu apparaîtra. Sélectionnez cluster1.pdb.
    REMARQUE : Les outils d’amarrage automatique lisent la structure moléculaire de la protéine.
  5. Cliquez sur Modifier les frais > > Ajouter des frais Kollman. Cliquez ensuite sur OK. Cliquez sur Modifier > hydrogènes > fusionner non polaire.
    REMARQUE : Des charges de Kollman sont ajoutées à la protéine.
  6. Cliquez sur Grille > macromolécules > choisir. Une boîte de dialogue Choisir les macromolécules s’affiche. Sélectionnez cluster1 et cliquez sur Sélectionner des molécules. Cliquez sur OK. Un fichier de macromolécule AutoDock4 modifié apparaîtra. Enregistrez sous le nom cluster1.pdbqt.
  7. Videz l’espace de travail en cliquant sur Modifier > Supprimer > Supprimer toutes les molécules. Cliquez sur Continuer.
  8. Cliquez sur Ligand > entrée > Ouvrir.  Un fichier Ligand pour le dossier Autodock4 apparaîtra. Choisissez Tous les fichiers, sélectionnez ligand.pdb, puis cliquez sur Ouvrir. Cliquez sur OK.
    REMARQUE : Le ligand de configuration comprendra l’incorporation des charges Gasteiger et la fusion de l’hydrogène non polaire.
  9. Cliquez sur Ligand > Arbre de torsion > Détecter la racine.
  10. Cliquez sur ligand > sortie > Enregistrer en tant que PDBQT. Un dossier Formatted Autotors Molecules apparaîtra. Enregistrer sous le nom ligand.pdbqt.
  11. Videz l’espace de travail en cliquant sur Modifier > Supprimer > Supprimer toutes les molécules. Cliquez sur Continuer.
    REMARQUE : Suivez la même procédure que celle décrite à l’étape 5.6.
  12. Cliquez sur Grille > macromolécules > Ouvrir. Sélectionnez cluster1.pdbqt et cliquez sur Ouvrir. Cliquez sur Oui. Cliquez sur OK.
  13. Cliquez sur Grille > définir les types de carte > ouvrir le ligand. Sélectionnez ligand.pdbqt et cliquez sur Ouvrir.
    REMARQUE : Dans l’espace de travail, il y a des protéines et des ligands.
  14. Cliquez sur Grille et Zone de grille. Une boîte d’options de grille apparaîtra. Dans Nombre de points dans la dimension x, réglez le paramètre sur 120 et définissez Nombre de points dans la dimension y sur 120, définissez Nombre de points dans la dimension z sur 120. Réglez l’espacement (angström) sur 0,375. Laissez les paramètres de la boîte de grille centrale par défaut. Cliquez sur Fichier et fermez Enregistrement actuel.
    REMARQUE : La boîte de grille recouvre toute la protéine, ce qui signifie qu’il s’agit d’un amarrage aveugle.
  15. Cliquez sur Grille > sortie > Enregistrer GPF. Un fichier de sortie de paramètre de grille apparaîtra. Dans le nom du fichier, tapez grid.gpf et cliquez sur Enregistrer.
  16. Cliquez sur Exécuter et Exécuter AutoGrid. Une boîte Exécuter AutoGrid apparaîtra. Dans l’onglet Nom de fichier du paramètre , cliquez sur Parcourir. Un fichier de paramètres Autogrid apparaîtra. Sélectionnez grid.gpf. Cliquez sur Ouvrir. Dans le chemin d’accès du programme > parcourir. Un fichier autogrid4 apparaîtra. Recherchez autogrid4.exe et cliquez sur Ouvrir > Lancer.
    REMARQUE : Assurez-vous que le nom du dossier ne contient pas d’espaces, car cela pourrait entraîner une erreur lors de l’exécution. Le dossier autogrid4.exe peut être installé à partir de https://autodock.scripps.edu/download-autodock4/.
  17. Cliquez sur Ancrage > macromolécules > définir des noms de fichiers rigides. Un fichier PDBQT Macromolecules apparaîtra. Sélectionnez cluster1.pdbqt et cliquez sur Ouvrir.
  18. Cliquez sur Ancrage > ligand > de choisir. La boîte Choisir les ligands s’affiche. Sélectionnez le ligand et cliquez sur Sélectionner un ligand. Une boîte de dialogue AutoDpf4 Ligand Parameter (Paramètre de ligand AutoDpf4 ) apparaît. Cliquez sur Accepter.
  19. Cliquez sur Ancrer > paramètre de recherche >algorithme génétique. Une boîte de dialogue Paramètres de l’algorithme génétique s’affiche. Modifiez le nombre d’exécutions GA à 100. Laissez les paramètres restants par défaut. Cliquez sur Accepter.
  20. Cliquez sur Ancrage > sortie > Lamarckian GA(4.2). Un fichier de sortie du paramètre d’ancrage GALS Autodock4.2 apparaît. Pour le nom du fichier, tapez docking.dpf et cliquez sur Enregistrer.
  21. Cliquez sur Exécuter > Exécuter AutoDock. Une boîte Exécuter l’ancrage automatique apparaîtra. Dans Nom de fichier de paramètre , cliquez sur Parcourir. Un fichier de paramètres autodock4 s’affiche. Sélectionnez docking.dpf. Cliquez sur Ouvrir. Dans Nom du chemin d’accès du programme, cliquez sur Parcourir. Un fichier autodock4 apparaîtra. Recherchez autodock4.exe et cliquez sur Ouvrir. Cliquez sur Lancer.
    REMARQUE : assurez-vous que le nom du dossier ne contient pas d’espaces, car cela pourrait entraîner une erreur lors de l’exécution. Le temps nécessaire est de ~30 min. Le dossier autodock4.exe peut être installé à l’aide du lien : https://autodock.scripps.edu/download-autodock4/.
  22. Supprimez toutes les molécules comme décrit à l’étape 5.7.
  23. Répétez les étapes 5.1 à 5.22 pour cluster2.pdb, cluster3.pdb et cluster4.pdb.
    REMARQUE : Les 4 groupes d’accueil seront utilisés pour l’analyse.

6. Analyse d’amarrage basée sur l’ensemble

  1. Utilisez le logiciel AutoDock Tools pour poursuivre l’analyse. Cliquez sur Analyser > ancrage > Ouvrir. Un fichier journal d’ancrage apparaît. Sélectionnez docking.dlg et cliquez sur Ouvrir. Cliquez ensuite sur OK.
  2. Cliquez sur Analyser > macromolécules > Ouvrir.
  3. Cliquez sur Analyser > conformations > jeu, classées par énergie. Une boîte de ligand apparaîtra.
  4. Dans le nouveau dossier, ouvrez le dossier docking.dlg à l’aide d’un bloc-notes. Recherche d’analyse de conformation en grappes. À partir des informations fournies, recherchez la course de conformation (appelée Run), qui a l’énergie de liaison la plus faible.
    REMARQUE : Puisqu’il y a 100 conformations exécutées, une seule a la plus forte affinité de liaison entre le ligand et la protéine. Le terme pour l’énergie de liaison la plus faible est défini comme ayant une affinité de liaison plus forte 52,53,54.
  5. À partir de l’étape 6.3 (boîte de ligand ), saisissez la course de conformation (à partir de l’étape 6.4) et appuyez sur Entrée.
    REMARQUE : Le ligand se positionnera en conséquence à l’intérieur de la protéine.
  6. Au niveau de la boîte de ligand , cliquez sur le bouton ouvrir le panneau pour changer l’option de lecture. Une boîte de dialogue Définir l’option de jeus’affiche. Cliquez sur Écrire complexe. Un complexe d’écriture du dossier récepteur apparaîtra. Enregistrez sous complex.pdb.
    REMARQUE : Comme il existe 4 groupes de clusters, le fichier complex.pdb peut être nommé en conséquence, par exemple complex1.pdb pour le groupe de clusters 1.
  7. Ouvrez le logiciel Chimera et recherchez complex.pdb (comme à l’étape 6.6).
  8. Cliquez sur Paramètres prédéfinis > Interactif 1 (rubans) > Publication 1 (silhouette, ruban arrondi).
  9. Ensuite, allez dans Fichier et cliquez sur Enregistrer l’image.
    REMARQUE : L’image enregistrée est la structure du ruban du complexe FB-LYZ.
  10. Cliquez sur Préréglages > Interactive 3 (surface hydrophobe) > Publication 1 (silhouette, ruban arrondi).
    REMARQUE : L’image enregistrée est la structure du ballon du complexe FB-LYZ.
  11. Ouvrez le logiciel Discovery Studio.
  12. Faites glisser le fichier complex.pdb dans l’espace vide du logiciel.
  13. Cliquez sur l’onglet Outils et sélectionnez Afficher le diagramme 2D.
    REMARQUE : Le logiciel génère automatiquement la structure 2D du complexe (Figure 7).
  14. Cliquez sur Fichier et Enregistrer sous. Écrivez le nom du fichier et cliquez sur Enregistrer.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

La structure chimique et la représentation structurale 3D de FB après optimisation sont illustrées à la figure 8A. La figure 8B montre la structure 3D du lysozyme avec le code pdb 1LYZ à l’état initial avant la simulation MD. Afin d’étudier la dynamique et la flexibilité de la structure 3D du lysozyme, une simulation MD pour 100 ns a été réalisée. L’énergie totale de la structure protéique était stable pendant la simulation, comm...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

L’application basée sur les ensembles dans la découverte de médicaments par ordinateur implique l’utilisation de nombreux ensembles conformationnels dérivés de structures cristallines, d’études par résonance magnétique nucléaire (RMN) ou de simulations de dynamique moléculaire26. L’exploitation de multiples conformations computationnelles permettrait à l’analyse d’intégrer la dynamique et la flexibilité d’une structure protéique, ce qui permettrait d’améliorer la ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents connus ou de relations personnelles qui auraient pu sembler influencer les travaux rapportés dans cet article.

Remerciements

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

Ce travail a été soutenu par la subvention RMF de l’Universiti Malaya, projet numéro RMF1392-2021 de l’Universiti Malaya.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
AutoDockThe Scripps Research Institute,version américaine 4.2.6
Outils AutoDockThe Scripps Research Institute,version américaine 1.5.6
AvogadroGeoffrey R Hutchison, Département de chimie, Université de Pittsburgh, Pittsburgh, États-UnisVersion 1.95
Discovery StudioDassault Systè ; mes, Massachusetts, États-UnisVersion 2021
GROMACsUniversité de Groningue
Royal Institute of Technology
Université d’Uppsala, Suède		Version 2023
UCSF ChimeraResource for Biocomputing, Visualization, and Informatics
Université de Californie		Version 1.16

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Niazi, S. K., Mariam, Z. Computer-aided drug design and drug discovery: a prospective analysis. Pharmaceuticals (Basel). 17 (1), 22(2023).
  2. Sadybekov, A. V., Katritch, V. Computational approaches streamlining drug discovery. Nature. 616 (7958), 673-685 (2023).
  3. Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E. W. Jr Computational methods in drug discovery. Pharmacol Rev. 66 (1), 334-395 (2014).
  4. Adelusi, T. I., et al. Molecular modeling in drug discovery. Informatics Med Unlocked. 29, 100880(2022).
  5. Durrant, J. D., McCammon, J. A. Computer-aided drug-discovery techniques that account for receptor flexibility. Curr Opin Pharmacol. 10 (6), 770-774 (2010).
  6. Korb, O., et al. Potential and limitations of ensemble docking. J Chem Inf Model. 52 (5), 1262-1274 (2012).
  7. Strecker, C., Meyer, B. Plasticity of the binding site of renin: optimized selection of protein structures for ensemble docking. J Chem Inf Model. 58 (5), 1121-1131 (2018).
  8. Pak, M. A., et al. Using AlphaFold to predict the impact of single mutations on protein stability and function. PLoS One. 18 (3), e0282689(2023).
  9. Jumper, J. M., et al. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  10. Bai, X. C., McMullan, G., Scheres, S. H. How cryo-EM is revolutionizing structural biology. Trends Biochem Sci. 40 (1), 49-57 (2015).
  11. Nakane, T., Kimanius, D., Lindahl, E., Scheres, S. H. Characterisation of molecular motions in cryo-EM single-particle data by multi-body refinement in RELION. eLife. 8, e36861(2018).
  12. Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47 (2), 124-135 (2022).
  13. Zhao, H., Caflisch, A. Molecular dynamics in drug design. Eur J Med Chem. 91, 4-14 (2015).
  14. Meng, X. Y., Zhang, H. X., Mezei, M., Cui, M. Molecular docking: a powerful approach for structure-based drug discovery. Curr Comput Aided Drug Des. 7 (2), 146-157 (2011).
  15. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  16. Teague, S. J. Implications of protein flexibility for drug discovery. Nat Rev Drug Discov. 2 (7), 527-541 (2003).
  17. Kearsley, S. K., Underwood, D. J., Sheridan, R. P., Miller, M. D. Flexibases: a way to enhance the use of molecular docking methods. J Comput Aided Mol Des. 8 (5), 565-582 (1994).
  18. Carlson, H. A., Masukawa, K. M., McCammon, J. A. Method for including the dynamic fluctuations of a protein in computer-aided drug design. J Phys Chem A. 103 (49), 10213-10219 (1999).
  19. Cavasotto, C. N., Kovacs, J. A., Abagyan, R. A. Representing receptor flexibility in ligand docking through relevant normal modes. J Am Chem Soc. 127 (26), 9632-9640 (2005).
  20. Akbari, Z., et al. HOMO-LUMO analysis and ensemble docking studies of Zn(II) complexes of bidentate and tetradentate Schiff base ligands as antileukemia agents. J Mol Struct. 1301, 137400(2024).
  21. Go, Y. J., Kalathingal, M., Rhee, Y. M. An ensemble docking approach for analyzing and designing aptamer heterodimers targeting VEGF165. Int J Mol Sci. 25 (7), 4066(2024).
  22. Ismail, C. M. K. H., et al. An ensemble docking-based virtual screening and molecular dynamics simulation of phytochemical compounds from Malaysian Kelulut Honey (KH) against SARS-CoV-2 target enzyme, human angiotensin-converting enzyme 2 (ACE-2). J Biomol Struct. , (2024).
  23. Roy, P., et al. Elucidating the mechanism of metabolism of cannabichromene by human cytochrome P450s. J Nat Prod. 87 (4), 639-651 (2024).
  24. Garai, S., Thomas, J., Dey, P., Das, D. LGBM-ACp: an ensemble model for anticancer peptide prediction and in silico screening with potential drug targets. Mol Divers. 28 (4), 1965-1981 (2024).
  25. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  26. Amaro, R. E., et al. Emerging methods for ensemble-based virtual screening. Curr Top Med Chem. 10 (1), 3-13 (2010).
  27. Amaro, R. E., et al. Ensemble docking in drug discovery. Biophys J. 114 (10), 2271-2278 (2018).
  28. Chlipała, P., et al. Multienzymatic biotransformation of flavokawain B by entomopathogenic filamentous fungi: structural modifications and pharmacological predictions. Microb Cell Fact. 23 (1), 65(2024).
  29. Kuo, Y. -F., et al. Flavokawain B, a novel chalcone from Alpinia pricei Hayata with potent apoptotic activity: involvement of ROS and GADD153 upstream of mitochondria-dependent apoptosis in HCT116 cells. Free Radic Biol Med. 49 (2), 214-226 (2010).
  30. Mohd Sakeh, N., et al. Melanogenic inhibition and toxicity assessment of flavokawain A and B on B16/F10 melanoma cells and zebrafish (Danio rerio). Molecules. 25, (2020).
  31. Feroz, S. R., et al. Interaction of flavokawain B with lysozyme: a photophysical and molecular simulation study. J Luminescence. 160, 101-109 (2015).
  32. Ding, F., et al. Potential toxicity and affinity of triphenylmethane dye malachite green to lysozyme. Ecotoxicol Environ Saf. 78, 41-49 (2012).
  33. Paramaguru, G., Kathiravan, A., Selvaraj, S., Venuvanalingam, P., Renganathan, R. Interaction of anthraquinone dyes with lysozyme: evidences from spectroscopic and docking studies. J Hazard Mater. 175 (1), 985-991 (2010).
  34. Ding, F., Zhao, G., Huang, J., Sun, Y., Zhang, L. Fluorescence spectroscopic investigation of the interaction between chloramphenicol and lysozyme. Eur J Med Chem. 44 (10), 4083-4089 (2009).
  35. Halgren, T. A. Merck molecular force field. II. MMFF94 van der Waals and electrostatic parameters for intermolecular interactions. J Comput Chem. 17 (5-6), 520-552 (1996).
  36. Sulimov, A. V., et al. Evaluation of the novel algorithm of flexible ligand docking with moveable target-protein atoms. Comput Struct Biotechnol J. 15, 275-285 (2017).
  37. Ehrman, J. N., et al. Improving small molecule force fields by identifying and characterizing small molecules with inconsistent parameters. J Comput Aided Mol Des. 35 (3), 271-284 (2021).
  38. Chaudhuri, D., Majumder, S., Giri, K. Repurposing of drugs targeting heparan sulphate binding site of dengue virus envelope protein: an in silico competitive binding study. Mol Divers. 29 (1), 87-101 (2024).
  39. Wu, N., et al. Elucidation of protein-ligand interactions by multiple trajectory analysis methods. Phys Chem Chem Phys. 26 (8), 6903-6915 (2024).
  40. Brooks, B. R., et al. CHARMM: a program for macromolecular energy, minimization, and dynamics calculations. J Comput Chem. 4 (2), 187-217 (1983).
  41. Li, H., Robertson, A. D., Jensen, J. H. Very fast empirical prediction and rationalization of protein pKa values. Proteins. 61 (4), 704-721 (2005).
  42. Powers, N., Jensen, J. H. Chemically accurate protein structures: validation of protein NMR structures by comparison of measured and predicted pKa values. J Biomol NMR. 35 (1), 39-51 (2006).
  43. Lemkul, J. A. From proteins to perturbed Hamiltonians: a suite of tutorials for the GROMACS-2018 molecular simulation package [Article v1.0]. Living J Comput Mol Sci. 1 (1), 5068(2018).
  44. Best, R. B., et al. Optimization of the additive CHARMM all-atom protein force field targeting improved sampling of the backbone ϕ, ψ and side-chain χ1 and χ2 dihedral angles. J Chem Theory Comput. 8 (9), 3257-3273 (2012).
  45. Huang, J., et al. CHARMM36m: an improved force field for folded and intrinsically disordered proteins. Nat Methods. 14 (1), 71-73 (2017).
  46. Bondi, A. van der Waals volumes and radii. J Phys Chem. 68 (3), 441-451 (1964).
  47. Shukla, R., Tripathi, T. Computer-aided drug design. , Springer Singapore. Singapore. (2020).
  48. Vlachakis, D., Bencurova, E., Papangelopoulos, N., Kossida, S. Advances in Protein Chemistry and Structural Biology. , Elsevier, Academic Press. Swansea. (2014).
  49. Forli, S., Olson, A. J. A force field with discrete displaceable waters and desolvation entropy for hydrated ligand docking. J Med Chem. 55 (2), 623-638 (2012).
  50. Cosconati, S., et al. Virtual screening with AutoDock: theory and practice. Expert Opin Drug Discov. 5 (6), 597-607 (2010).
  51. Morris, G. M., et al. AutoDock4 and AutoDockTools4: automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  52. Fu, Y., Zhao, J., Chen, Z. Insights into the molecular mechanisms of protein-ligand interactions by molecular docking and molecular dynamics simulation: a case of oligopeptide binding protein. Comput Math Methods Med. 2018, 3502514(2018).
  53. Ivanova, L., Karelson, M. The impact of software used and the type of target protein on molecular docking accuracy. Molecules. 27 (24), 9041(2022).
  54. Mohapatra, R. K., et al. Comparison of the binding energies of approved mpox drugs and phytochemicals through molecular docking, molecular dynamics simulation, and ADMET studies: an in silico approach. J Biosaf Biosecur. 5 (3), 118-132 (2023).
  55. Mude, L., et al. Molecular insights in repurposing selective COX-2 inhibitor celecoxib against matrix metalloproteinases in potentiating delayed wound healing: a molecular docking and MMPB/SA based analysis of molecular dynamic simulations. J Biomol Struct Dyn. 42 (5), 2437-2448 (2024).
  56. Uttarkar, A., Rao, V., Bhat, D., Niranjan, V. Disaggregation of amyloid-beta fibrils via natural metabolites using long timescale replica exchange molecular dynamics simulation studies. J Mol Model. 30 (3), 61(2024).
  57. Liang, J. J., Pitsillou, E., Hung, A., Karagiannis, T. C. A repository of COVID-19 related molecular dynamics simulations and utilisation in the context of nsp10-nsp16 antivirals. J Mol Graph Model. 126, 108666(2024).
  58. Hollingsworth, S. A., Dror, R. O. Molecular dynamics simulation for all. Neuron. 99 (6), 1129-1143 (2018).
  59. Polikar, R. Ensemble based systems in decision making. IEEE Circ Syst Mag. 6 (3), 21-45 (2006).
  60. Ballester, P. J., Mitchell, J. B. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking. Bioinformatics. 26 (9), 1169-1175 (2010).
  61. Yang, X., Huang, K., Yang, D., Zhao, W., Zhou, X. Biomedical big data technologies, applications, and challenges for precision medicine: a review. Global Chall. 8 (1), 2300163(2024).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Ensemble Based DockingProtein Structure FlexibilityMolecular Dynamics SimulationStructure Based Drug DiscoveryProtein Conformation ClusteringLigand DockingRoot Mean Square DeviationFlavokawain B BindingElectrostatic Surface MappingComputational Drug Discovery

Articles connexes