Relation quantitative structure-activité, prédiction de l’activité et dynamique moléculaire des inhibiteurs non nucléotidiques de la transcriptase inverse

Summary

Cette étude a utilisé des stratégies in silico pour identifier l’étravirine énumérée comme un agent thérapeutique prometteur pour le VIH. Nos résultats sur les interactions moléculaires et la dynamique soutiennent la conception rationnelle de nouveaux INNTI comme alternatives possibles au traitement du VIH.

Abstract

L’incidence croissante de la résistance aux médicaments antirétroviraux du VIH-1 pose un défi à l’efficacité des traitements antirétroviraux combinés, en particulier en Afrique australe. Le développement d’une résistance aux inhibiteurs non nucléotidiques de la transcriptase inverse (INNTI) menace le succès à long terme du traitement antirétroviral. En 2019, la résistance aux antimicrobiens était responsable d’environ 1,27 million de décès dans le monde. Cette étude a utilisé une approche in silico pour étudier les médicaments NNTRI et leurs dérivés. Les techniques utilisées comprenaient les calculs de la théorie de la fonctionnelle de la densité, l’amarrage moléculaire, le dénombrement, l’analyse des relations quantitatives structure-activité (QSAR), la simulation de la dynamique moléculaire (MDS) et la mécanique moléculaire avec des méthodes généralisées de Born et de surface. L’analyse s’est concentrée sur divers dérivés de la pyrimidine et six médicaments INNTI, en examinant leurs interactions avec la protéine VIH-1 (code PDB 1HQU).

Un modèle RQSA a été élaboré pour prédire l’activité biologique des six INNTI à l’étude. En utilisant 94 dérivés de pyrimidine, le modèle QSAR a atteint un R² de 0,822 et un Q² de 0,815, ce qui indique un haut niveau de précision prédictive.

Des SMD ont été menées pour évaluer la stabilité de divers ligands et de leurs alternatives nouvellement développées, en s’assurant qu’ils restaient liés au site actif de la protéine sur une période de simulation de 200 nanosecondes. L’étravirine présentait des fluctuations de l’écart quadratique moyen (RMSD) d’environ 4,5 Å, tandis que ses dérivés énumérés présentaient des fluctuations RMSD de 3,5 Å. Grâce à l’amarrage moléculaire, aux MDS et aux calculs d’énergie libre, l’étravirine dénombrée a démontré les meilleures performances, avec une valeur d’activité de 7,373 et un score d’amarrage de -10,517 kcal/mol. De plus, l’énergie libre de liaison calculée pour l’étravirine énumérée était de -89,684 kcal/mol, surpassant les autres ligands à l’étude. L’amélioration significative suggère que l’étravirine modifiée présente un potentiel prometteur en tant que nouvel agent dans la thérapie antirétrovirale.

La valeur RMSD plus faible obtenue, les interactions améliorées entre les acides aminés et l’énergie libre de liaison la plus élevée indiquent que l’étravirine énumérée pourrait servir d’alternative viable pour le traitement du VIH/sida.

Introduction

Malgré les progrès remarquables réalisés dans le domaine du traitement, la grave menace pour la santé mondiale que représente le syndrome d’immunodéficience acquise (sida), causé par le virus de l’immunodéficience humaine 1 (VIH-1), demeure une menace persistante¹. Des médicaments antirétroviraux connus sous le nom d’inhibiteurs de la transcriptase inverse (IVR) sont utilisés pour traiter l’infection par le VIH. La transcriptase inverse, une enzyme polymérase de l’acide désoxyribonucléique (ADN) virale essentielle à la réplication du rétrovirus, est inhibée par les inhibiteurs de la transcriptase inverse (IVR). Les inhibiteurs nucléosidiques de la transcriptase inverse (INTI) et les inhibiteurs non nucléotidiques de la transcriptase inverse (INNTI) sont les principaux RTI².

La thérapie antirétrovirale hautement active (HAART), une combinaison de divers médicaments antiviraux, est devenue le traitement standard contre le VIH, contrôlant efficacement la propagation du sida et transformant cette maladie autrefois mortelle en une maladie chronique gérable³. À l’heure actuelle, les INNTI pour le VIH-1 constituent une partie importante du régime multithérapie⁴. La résistance aux antimicrobiens (RAM) est l’une des menaces les plus critiques pour la santé mondiale, avec environ 1,27 million de décès⁵. Par conséquent, il est urgent de dépanner la résistance aux antimicrobiens et d’identifier de nouveaux agents antimicrobiens. Selon l’Organisation mondiale de la santé (OMS), la résistance aux antimicrobiens a atteint des niveaux alarmants dans de nombreuses régions du monde.

Cela pose un risque grave pour la réalisation des objectifs de développement durable, car cela compromet la sécurité alimentaire, la croissance économique et la sécurité sanitaire tout en contribuant aux inégalités sociales et économiques⁶. La prévalence des virus résistants aux médicaments est en augmentation, même dans les médicaments antirétroviraux conçus pour lutter contre le VIH. Selon des statistiques récentes, près de 30 millions de personnes dans le monde suivaient un traitement antirétroviral à la fin de l’année 2022⁷.

L’OMS a mené 30 enquêtes et a découvert que dans 21 d’entre elles, plus de 10 % des personnes ayant commencé leur traitement antirétroviral de première intention présentaient une résistance à la névirapine ou à l’éfavirenz⁸. De plus, les personnes ayant déjà été exposées à des médicaments antirétroviraux sont jusqu’à trois fois plus susceptibles d’avoir une résistance aux INNTI que celles qui n’y ont pas été exposées⁹. Des études ont révélé qu’un nombre important de nourrissons de moins de 18 mois nouvellement diagnostiqués avec le VIH présentaient des taux élevés de souches résistantes aux médicaments ^10,11. Étonnamment, près de la moitié d’entre eux avaient une souche résistante à la (NNRTI) avant même de commencer le traitement. Ces résultats soulignent la nécessité d’accélérer les études visant à concevoir des traitements novateurs contre le VIH.

Le développement de souches résistantes aux médicaments et les effets secondaires indésirables d’une utilisation prolongée ont inévitablement posé des défis à l’utilisation clinique des INNTI¹². L’instauration d’un traitement antirétroviral combiné (cTAR) prolonge l’espérance de vie des personnes vivant avec le VIH malgré le risque d’effets secondaires indésirables. Ces effets secondaires englobent le risque de développer des maladies non transmissibles, notamment la lipodystrophie, l’hyperlipidémie, la réduction de la densité minérale osseuse, l’élévation de la glycémie entraînant un diabète sucré de type 2, l’hypertension, un risque accru d’accident vasculaire cérébral et des problèmes liés à l’obésité¹³. Un diagnostic précoce et un accès rapide à des soins médicaux appropriés dans la phase initiale de l’infection par le VIH offrent des avantages considérables tant d’un point de vue clinique que public. L’instauration rapide d’un traitement antirétroviral et d’une prophylaxie contre les infections opportunistes permet de réduire considérablement les maladies et la mortalité liées au VIH.

L’utilisation du TAR peut également contribuer à réduire le risque de transmission ultérieure du VIH en réduisant le taux d’acide ribonucléique du VIH circulant. En outre, le traitement d’autres maladies sexuellement transmissibles et de co-infections peut également diminuer la probabilité d’une nouvelle infection par le VIH¹⁴. Les INNTI font partie des classes de traitement facultatives d’inhibiteurs qui interagissent avec la RT en se liant à la région allostérique ou au site du VIH. Ce type d’inhibition est communément appelé inhibiteur non compétitif car l’INNTI ne se lie pas au site actif du substrat, mais plutôt à l’extérieur. L’effet modifie la conformation du site de liaison du substrat, empêchant le substrat standard de se lier et conduisant à une terminaison prématurée de la chaîne. En raison de leur toxicité réduite par rapport aux INTI, de leur structure simple, de leur biodisponibilité améliorée par rapport aux inhibiteurs de la protéase et de leur excellente sélectivité, les INNTI sont devenus les inhibiteurs du VIH les plus attrayants¹⁵. Par conséquent, la synthèse et la conception de nouveaux INNTI sont cruciales d’un point de vue pharmacocinétique^16,17.

Les INNTI sont essentiels dans le traitement du VIH/sida en raison de leur forte efficacité et de leur faible toxicité. Cependant, les INNTI précoces comme la névirapine, la delavirdine et l’éfavirenz rencontrent une résistance due à des mutations virales dans le site de liaison des INNTI¹⁸. Ces médicaments, qui font partie de la famille des diarylpyrimidines (DAPY), présentent une activité puissante contre diverses souches d’INNTI, y compris celles résistantes aux INNTI précoces¹⁹, probablement en raison de leur flexibilité moléculaire et de leur barrière de résistance plus élevée contre le VIH-1 ^20,21. Malgré leur succès, le taux de mutation élevé dans le VIH-1 RT et l’absence d’activité de relecture intrinsèque ont conduit à de nouveaux profils de résistance chez les patients utilisant l’étravirine et la rilpivirine^22,23. Ces mutations virales diffèrent les unes des autres, tout comme celles associées aux premiers INNTI²⁴. Plus de 50 classes de composés structurellement diversifiés ont été identifiées comme des INNRT. Notamment, six INNTI ont obtenu l’approbation pour le traitement du VIH-1. Ces agents approuvés comprennent la névirapine (NVP), la delavirdine (DLV), l’éfavirenz (EFV), l’étravirine (ETR), la rilpivirine (RPV) et la doravirine (DOR). La figure 1 montre les structures chimiques de ces six INNTI approuvés²⁵.

Dans une étude récente²⁶, les calculs DFT et l’amarrage moléculaire suggèrent que la lovastatine et la simvastatine présentent un potentiel en tant qu’agents anti-coronavirus. Le criblage virtuel a permis d’identifier cinq nouvelles molécules candidates approuvées par la FDA similaires à l’échafaudage de l’éfavirenz, avec une affinité de liaison supérieure dans la poche active de la protéase principale de la COVID-19.

Soltan et ^coll.27 ont mené une étude similaire sur l’identification de nouvelles molécules permettant d’améliorer la capacité de liaison au RT du VIH en employant une stratégie basée sur les fragments avec des médicaments approuvés par la FDA pour concevoir des dérivés chimiques. Ils ont spécifiquement exploité les structures de la délavirdine, de l’éfavirenz, de l’étravirine et de la rilpivirine comme échafaudages fondamentaux. La ressemblance médicamenteuse de ces dérivés a été évaluée par Swiss-ADME, puis leur amarrage dans des structures cristallines apparentées. L’étude s’est conclue par la sélection de composés présentant des affinités de liaison supérieures à celles de leurs échafaudages parentaux, notant en particulier une amélioration plus prononcée des dérivés conçus à partir des INNTI de deuxième génération, l’étravirine et la rilpivirine. Par exemple, les dérivés RPV01 et RPV15 ont montré des améliorations significatives des valeurs d’énergie amarrée par rapport à la rilpivirine, indiquant une utilité potentielle dans le ciblage des formes sauvages et mutantes de la RT du VIH.

Murugesan et ses collègues²⁸ ont mené des recherches proposant diverses approches de chimie médicinale pour améliorer l’efficacité et minimiser la résistance dans le traitement du VIH. L’étude a utilisé l’hybridation moléculaire, le remplacement bioisostérique et le criblage à haut débit. Dans leur étude, ils ont réussi à identifier de nouveaux échafaudages d’INNTI très puissants contre les souches de VIH de type sauvage et résistantes aux médicaments. Ils ont développé des dérivés de DAPY qui présentent une excellente sélectivité et une faible toxicité, certains composés montrant une inhibition efficace à des concentrations nanomolaires.

Dernièrement, l’utilisation d’outils informatiques parallèlement à la recherche in silico a gagné en popularité en raison de son analyse pratique des caractéristiques chimiques quantiques d’un médicament²⁹. Dans cette étude, la conception de médicaments assistée par ordinateur, la théorie de la fonctionnelle de la densité, la relation qualitative structure-activité et la dynamique moléculaire ont été appliquées pour découvrir de puissants INNTI.

Protocol

1. Détails du calcul - préparation des protéines

1. Cliquez sur l’icône Fenêtre sur l’écran du moniteur et cliquez sur Toutes les applications. Faites défiler vers le bas pour accéder au dossier Schrödinger, ouvrez le dossier, cliquez sur l’icône Maestro illustrée à la figure 2B, puis sélectionnez ouvrir comme illustré à la figure 2B pour lancer le logiciel.
2. Récupérez la structure protéique de votre choix en naviguant dans l’onglet Fichier du logiciel. Dans le menu court qui s’affiche, sélectionnez Obtenir la base de données pluggable, comme illustré à la figure 3A, et entrez le code de base de données de votre choix dans la zone de texte, comme illustré à la figure 3B. Cliquez sur le bouton de téléchargement et le fichier PDB sélectionné s’affichera dans la fenêtre du projet.
3. Vous pouvez également télécharger la protéine de votre choix sur l’ordinateur local à partir de la banque de données sur les protéines en entrant le code d’identification de la base de données de protéines (ID PDB) dans la boîte de recherche et en cliquant sur télécharger pour télécharger le fichier PDB sur l’ordinateur local. Accédez à l’onglet Fichier et sélectionnez l’option Importer des structures . À partir de l’interface d’importation , recherchez le fichier PDB téléchargé comme illustré à la figure 3C , puis sélectionnez le bouton Importer comme indiqué à la figure 3D.
   REMARQUE : La structure protéique sera ouverte en tant que structure 3D dans une fenêtre séparée, comme illustré à la figure 4.
4. Naviguez vers le coin supérieur droit du logiciel, sélectionnez l’option de tâche et tapez préparation de protéines dans la barre de recherche . Cliquez sur Protein Preparation Workflow (Flux de préparation des protéines ) dans l’affichage de droite, comme illustré à la figure 5A.
5. Dans la fenêtre Workflow de préparation des protéines qui s’affiche, écrivez le nom du Job comme nom de fichier à enregistrer et cliquez sur le bouton vert Exécuter dans le coin inférieur droit, comme illustré à la Figure 5B.
6. Surveillez l’exécution de la tâche en cliquant sur le bouton Tâches dans le coin supérieur droit, comme illustré à la figure 5C.
7. Sélectionnez et cliquez avec le bouton droit de la souris sur la protéine préparée et sélectionnez le ligand divisé, comme illustré à la figure 5D. Choisissez de diviser en ligands, eau et autres. Il s’agit d’avoir les composants protéiques en tant qu’entrées indépendantes dans le navigateur de l’espace de travail

2. Préparation du ligand

1. Téléchargez les composés chimiques souhaités à partir de la base de données PubChem³⁰ en tapant le nom du composé de votre choix dans la barre de recherche . Parcourez les structures et sélectionnez les structures en 3D (3D). Cliquez sur Télécharger dans la fenêtre supérieure droite pour télécharger les coordonnées de la structure sous forme de fichier de données structurées (SDF). Si une structure 3D n’est pas disponible, téléchargez-la et utilisez d’autres outils pour générer une structure 3D à partir d’une structure 2D.
2. Cliquez sur l’onglet Fichier dans Schrödinger et sélectionnez Importer des structures, comme illustré à la figure 6A. Naviguez jusqu’à l’emplacement du fichier où les structures sont enregistrées au format de fichier SDF pour charger les composés à préparer.
3. Sélectionnez Tâche dans le coin supérieur droit du logiciel Schrödinger. Tapez LigPrep dans la barre de recherche et sélectionnez LigPrep dans la fenêtre de droite à gauche, comme illustré à la figure 6B.
4. Sélectionnez Utiliser les structures de pour sélectionner des fichiers dans le tableau Espace de travail ou Projet. Sélectionnez les options préférées dans la fenêtre LigPrep , enregistrez le fichier sur l’ordinateur local et cliquez sur Exécuter pour soumettre le travail pour la préparation du ligand, comme illustré à la Figure 6C.

3. Géométrie et optimisation des ligands

1. Ouvrez le logiciel³¹ pour l’optimisation de la géométrie des structures téléchargées. Accédez à l’onglet Fichier (Figure 7A) et sélectionnez Ouvrir pour choisir le fichier SDF téléchargé dans la base de données PubChem.
   REMARQUE : Le fichier se chargera dans la fenêtre principale. Cliquez sur l’autre fenêtre violette pour visualiser les mêmes composés chimiques. Chaque paramètre implémenté affichera le résultat dans la fenêtre violette.
2. Accédez à l’onglet Calculer et sélectionnez l’onglet Configuration du calcul gaussien. Accédez à l’onglet Type de tâche illustré à la figure 7B et choisissez Optimisation ou Opt+Freq.
   REMARQUE : En fonction du nombre (de taille) d’atomes ou de composés, optimisez d’abord, puis appuyez sur la fréquence. Si le composé est plus petit, effectuez Opt+Freq. Plus la molécule est grosse, plus il faut de temps pour effectuer à la fois Opt+Freq par rapport à l’optimisation suivie de la fréquence.
3. Accédez à l’onglet Méthode et sélectionnez les méthodes de chimie quantique , puis la fonctionnelle de densité d’échange-corrélation globale-hybride de Kohn-Sham de choix, l’ensemble de bases, la charge et le spin de choix dans les flèches déroulantes de chaque section.
4. Naviguez jusqu’au titre et spécifiez un nom pour le composé à l’étude.
5. Accédez à l’onglet Lien 0 et spécifiez la limite de mémoire et les processeurs partagés de votre choix. Décochez les cases Chemin d’accès complet comme illustré à la figure 7C.
6. Cliquez sur le bouton Modifier en bas pour enregistrer le fichier d’entrée gaussien, comme illustré à la figure 3C. Enregistrez le fichier à l’emplacement de votre choix avec le nom de fichier de votre choix en tant que fichier de travail gaussien (gjf).
   REMARQUE : Après avoir enregistré le fichier d’entrée gaussien, une fenêtre contextuelle apparaîtra montrant le contenu du fichier dans le Bloc-notes. Modifiez le contenu du fichier, y compris les options telles que la modification des frais et des fonctions qui n’étaient pas disponibles dans les options de paramètres. Le fichier de travail gaussien préparé sera utilisé comme fichier d’entrée pour la soumission afin d’exécuter les calculs d’optimisation et de fréquence via un ordinateur local.
   Par la suite, l’optimisation géométrique de ces structures a été réalisée à l’aide de la fonctionnelle MN15-L³² et de l’ensemble de base 6-31++G(d,p)³³. Cependant, si des problèmes surviennent dans le fonctionnement du processus d’optimisation et de fréquence, on peut soumettre le travail à l’aide d’un HPC.

4. Génération de grille de récepteurs

1. Accédez à Tâches et sélectionnez Génération de grille de récepteurs³⁴. L’interface de génération de la grille réceptrice illustrée à la figure 8A identifie le site actif de la protéine où le ligand cœur-cristal est lié. Cliquez sur Pick pour identifier le ligand et vérifier si un ligand cocristallisé est présent à partir de la notification contextuelle supérieure illustrée à la figure 8B.
2. Sélectionnez les ligands et/ou les résidus dans l’espace de travail, et les composés d’intérêt sélectionnés seront mis en surbrillance en bleu dans l’espace de travail.
3. Sélectionnez l’onglet des paramètres dans le panneau de génération de la grille du récepteur pour définir la taille de la boîte de grille. La taille par défaut de la boîte de grille est de 10 Å x 10Å x 10Å. Modifiez les dimensions de la boîte dans l’onglet Boîte de grille en saisissant directement les valeurs souhaitées ou en redimensionnant manuellement la boîte dans l’espace de travail.
   REMARQUE : Vous pouvez également définir des paramètres supplémentaires à partir de l’onglet Avancé, comme illustré à la Figure 8C , si nécessaire. Vérifiez tous les paramètres pour vous assurer de leur exactitude.
4. Cliquez sur Exécuter pour commencer la génération de la grille. Une fois l’opération terminée, enregistrez les fichiers de grille générés pour les simulations d’amarrage suivantes. Un message de notification s’affiche lorsque la tâche est terminée, comme illustré à la figure 8D.

5. Amarrage moléculaire

1. Chargez la protéine et les ligands préparés en accédant à Tâches, Amarrage³⁵ et Amarrage du ligand (amarrage par glissement), comme illustré à la figure 9A.
2. Chargez le fichier de grille à partir de l’étape 4.1 ci-dessus et sélectionnez les ligands dans l’espace de travail à l’aide de l’option Utiliser le ligand de l’option de la figure 9B.
3. Choisissez la méthode de précision d’ancrage préférée dans l’onglet des paramètres illustré à la Figure 9 C (la précision d’amarrage par défaut est Precision Standard Precision (SP)).
4. Réglez le champ de force sur OPLS4 pour une modélisation précise des interactions moléculaires. Définissez des contraintes (par exemple, des liaisons hydrogène) dans l’onglet Contraintes .
5. Vérifiez tous les paramètres et enregistrez la tâche ou le fichier d’ancrage. Cliquez sur RUN pour démarrer le processus de station d’accueil.
6. Une notification indique que le travail est terminé et que la table du projet s’ouvre pour les résultats de l’ancrage. Examinez les poses de liaison, les scores et les interactions.

6. Génération de modèles 2D-QSAR

1. Rendez-vous sur la page Web du hub communautaire KNIME et recherchez AutoQsar dans la barre de recherche . Sélectionnez la deuxième entrée AutoQsar illustrée à la Figure 10A.
2. Cliquez sur l’icône download workflow et sélectionnez télécharger le workflow dans le menu contextuel illustré à la Figure 10B. Enregistrez le flux de travail sur l’ordinateur local.
3. Assurez-vous que KNIME³⁶ est installé, puis ouvrez-le à partir de l’ordinateur local. Compilez une feuille de calcul avec les sourires canoniques, le nom de la structure, les valeurs d’activité/IC₅₀ (en micromolaires) et -log(activity/IC) ou tout autre descripteur chimique de votre choix. Enregistrez le fichier au format CSV (valeurs séparées par des virgules) sur l’ordinateur local.
4. Accédez à Fichier et importez le flux de travail AutoQSAR³⁷. Dans la fenêtre contextuelle, cliquez sur Importer le flux de travail KNIME pour sélectionner le flux de travail AutoQSAR téléchargé, comme illustré à la Figure 10C , puis sélectionnez Ouvrir | Suivant | Terminer.
5. Le flux de travail AutoQsar s’affichera dans la fenêtre de l’explorateur KNIME en haut à gauche. Double-cliquez sur le flux de travail pour l’afficher dans la fenêtre principale.
6. Double-cliquez sur l’icône du lecteur moléculaire (vers MAE) et, dans l’onglet Paramètres , cliquez sur Ajouter un ou plusieurs fichiers pour ajouter la feuille de calcul avec les données ou les paramètres d’entrée de données.
7. Sélectionnez l’onglet Stratégie de mémoire et cliquez sur Écrire les tables sur le disque | D’accord.
8. Cliquez avec le bouton droit de la souris sur le bouton Extraire les propriétés et sélectionnez Configurer, comme illustré à la figure 10D.
9. Sélectionnez et filtrez les propriétés moléculaires ou chimiques de votre choix dans la fenêtre Inclure de la fenêtre Exclure . Cliquez sur Appliquer.
10. Cliquez avec le bouton droit de la souris sur Modèle de construction AutoQSAR et cliquez sur Configurer. Entrez le nom dumodèle Q SAR dans la boîte de dialogue contextuelle.
11. Cliquez surle bouton de sélection et sélectionnez la propriété à adapter parmi celles incluses. Choisissez la valeur aléatoire de l’ensemble d’apprentissage (par exemple, 85 % : 15 %) et plusieurs modèles à conserver. Cliquez sur Appliquer.
12. Faites un clic droit sur le lecteur de molécules inférieur et sélectionnez Configurer. Chargez les ligands de test à partir d’un fichier Excel CSV préparé contenant les ligands à tester.
13. Faites un clic droit sur Extraire les propriétés et définissez les paramètres de votre choix.
14. Faites un clic droit sur le lecteur de molécules supérieur et sélectionnez Exécuter.
    REMARQUE : Un point orange indique que le processus a commencé, et un voyant vert indiquera l’exécution réussie du processus. L’étape suivante se poursuivra jusqu’à ce que tous les nœuds aient été exécutés avec succès.
15. . Exécutez le deuxième lecteur de molécules pour les ligands de test.
16. Enregistrez le dossier zip avec les résultats du test et de l’ensemble d’entraînement après l’exécution réussie de tous les nœuds.
    REMARQUE : Sélectionnez le modèle le plus performant en fonction des résultats de validation croisée tels que SD (écart-type), R2 (corrélation de l’ensemble d’apprentissage entre les valeurs d’activité réelles et prédites) et Q2 (corrélation de l’activité réelle et prédite de l’ensemble de tests).
17. Évaluez les performances du flux de travail en évaluant les performances du modèle à l’aide d’un marqueur ou de nœuds statistiques.
18. Pour interpréter les résultats, identifiez les descripteurs principaux ou clés à l’aide de l’importance de la caractéristique. Visualisez les résultats sous forme de nuage de points ou de graphique à barres pour déterminer la relation entre les performances et les descripteurs. Enregistrez le flux de travail et exportez les données de résultat, les prédictions et les visualisations sous forme de nuage de points et/ou de fichiers CSV.

7. Énumération

1. Accédez à Tâche et recherchez Ligand Designer, comme illustré à la figure 11A.
2. Sélectionnez une paire de la protéine amarrée et du complexe de ligands dans le navigateur de l’espace de travail. Cliquez sur Analyser l’espace de travail dans la fenêtre du concepteur Liband. Pour générer et évaluer de nouveaux ligands, sélectionnez le balayage Isostere dans la liste des flux de travail qui s’affichent, comme le montre la figure 11B implique la méthode de croissance qui étend le ligand en ajoutant des fragments aux parties existantes de la molécule.
3. Après avoir défini l’option denumération e, cliquez sur énumérer dans la fenêtre de notification Isostere Scanning qui s’affiche. Répétez l’étape 6.2 pour la même protéine et un ligand différent jusqu’à ce que tous les ligands aient exécuté le même processus. Examinez les ligands énumérés dans le tableau Projects.
4. Enregistrez les structures en exportant les ligands conçus.
   REMARQUE : La méthode d’énumération a généré un ensemble de scores d’amarrage à la fin de la simulation.
5. Sélectionnez individuellement les composés énumérés avec les scores d’amarrage les plus négatifs et réamarrez-les en utilisant la procédure d’amarrage décrite à la section 4.

8. HOMO et LUMO

1. Ouvrez le logiciel et téléchargez le ligand optimisé au format de fichier de travail gaussien.
2. Accédez aux outils et sélectionnez l’éditeur MO en points rouges et verts, comme illustré à la figure 12A.
   REMARQUE : La méthode d’énumération a généré un ensemble de scores d’amarrage à la fin de la simulation.
3. Dans le panneau de l’éditeur MO , sous la méthode, chargez le fichier FChk en cliquant sur charger Mos à partir du fichier Chk ou FChk existant, comme illustré à la figure 12B.
4. Cliquez sur l’onglet Visualiser | Mettre à jour. Attendez ~10 s pour que la surface actuelle apparaisse, comme illustré à la figure 12D.
5. Cliquez sur l’une des deux cases à cocher à côté des chiffres jaunes en surbrillance pour sélectionner la surface HOMO ou LUMO³⁸ à afficher dans la fenêtre à côté.
6. Faites un clic droit sur le fond violet et sélectionnez Fichier. Cliquez sur enregistrer le fichier image pour enregistrer l’image de la surface actuelle, comme illustré à la figure 12E.
7. Faites un clic droit sur le fond violet et sélectionnez Afficher. Choisissez le format d’affichage pour modifier l’arrière-plan dans l’onglet Général, la transparence de la surface dans l’onglet Surface, la taille et la couleur de la police dans l’onglet Texte, la qualité de l’image et la disposition préférée de la surface sous l’onglet Molécule, comme illustré à la figure 12F.
8. Vous pouvez également générer un fichier cube et télécharger le fichier FChk dans GaussView. Accédez à l’onglet Résultats et choisissez Surfaces/Contours. Cliquez sur les actions du cube et chargez le cube. Cliquez sur Actions de surface et choisissez une nouvelle surface. Répétez l’étape 8.7 pour modifier la surface.
   REMARQUE : Plus l’écart d’énergie entre l’HOMO et le LUMO³⁹ est petit (la différence entre LUMO et HOMO), plus une molécule devrait être réactive. Calculez l’écart d’énergie_{(écart E}) en utilisant l’équation 1 pour chaque molécule.
   

9. Simulation de la dynamique moléculaire – Préparation et minimisation du système

1. Assurez-vous que la suite Schrödinger a été installée dans l’ordinateur local et chargez les structures complexes protéine-ligand dans l’espace de travail⁴⁰.
2. Cliquez sur le bouton Tâche et choisissez Desmond System Builder⁴¹. Dans le panneau du constructeur de système , sélectionnez l’onglet Solvatation et choisissez le modèle de solvant prédéfini comme illustré à la figure 13A, la forme de la boîte comme illustré à la figure 13B et la méthode de calcul de la taille de la boîte comme illustrée à la figure 13C⁴², qui conviennent au complexe protéine-ligand.
3. Sélectionnez l’onglet ions et cliquez sur recalculer pour neutraliser le système en ajoutant des contre-ions et en réglant la concentration de sel souhaitée.
4. Choisissez l’OPLS^43,44 de votre choix comme champ de force.
5. Nommez le travail de manière appropriée et enregistrez-le sur l’ordinateur local. Cliquez sur Exécuter pour soumettre le travail à préparer.
   REMARQUE : Assurez-vous que le nom de la tâche est enregistré. Utilisez un nom détaillé.
6. Equilibration et production
7. Affichez le projet dans l’espace de travail Après la préparation du système. Sélectionnez le complexe protéine-ligand dans le navigateur de l’espace de travail, naviguez dans la tâche et choisissez dynamique moléculaire (Desmond).
8. Chargez le complexe ligand-protéine à partir de l’espace de travail dans le panneau de dynamique moléculaire. Sélectionnez la chronologie de simulation souhaitée dans l’onglet Simulation . Sélectionnez NPT comme classe d’ensemble⁴⁵.
9. Nommez le travail de manière appropriée et écrivez-le. Cliquez sur Fermer pour quitter la fenêtre de dynamique moléculaire.
10. Soumettez le travail écrit pour la préparation de la dynamique moléculaire via un terminal local. Une fois l’opération terminée, ouvrez le travail terminé et poursuivez le temps de simulation à partir de la chronologie de simulation initiale définie jusqu’au temps de simulation souhaité⁴⁵, par exemple, 100 ns, 200 ns.
    REMARQUE : Répétez l’étape 9 pour les autres complexes protéine-ligand.
    1. Ouvrez la tâche terminée dans le logiciel Schrödinger Maestro et fusionnez les différentes périodes de simulation si des tâches distinctes ont été exécutées. Naviguez jusqu’au bouton TÂCHE et sélectionnez le diagramme d’interaction de simulation. Chargez les fichiers fusionnés ou le fichier unique pour visualiser la trajectoire.
11. Générez un rapport qui inclut les visualisations et d’autres résultats de sortie détaillés.

10. Mécanique moléculaire avec Born généralisé et surface (MM-GBSA)

1. Ouvrez le fichier de trajectoire et lisez-le. Visualisez l’équilibre du complexe protéine-ligand et notez le nombre de trames. Soumettez la tâche via le terminal pour traitement.
2. Répétez la section 9 (préparation de la simulation de la dynamique moléculaire des protéines) pour l’autre complexe protéine-ligand.
3. Caténer/afficher le contenu du fichier de sortie pour analyser les résultats générés. Lire la moyenne ΔG pour obtenir l’énergie libre de liaison du complexe protéine-ligand.
4. Téléchargez le fichier CSV pour visualiser les contributions des différentes molécules intramoléculaires.
5. Pour calculer l’énergie de liaison libre du complexe, notez les différents paramètres thermodynamiques et de désolvatation, y compris l’énergie de liaison (liaison ΔG), le modèle_de solvatation colombique (ΔG_lie Coulumb), le terme de solvatation non polaire (ΔG_lie Lipo), la correction de liaison hydrogène (ΔG_lie Hbond), la liaison covalente (ΔG_lie Covalent), la correction de garnissage π-π (ΔG_lie Packing), l’énergie de solvatation électrostatique de Born généralisée (liaison_ΔG sol GB), et l’interaction de van der Waals (ΔG_bind vdW).
   1. Dérivez la liaison ΔG finale en faisant la moyenne des valeurs_{de liaison} ΔG déterminées pour chaque instantané dans la simulation MD, comme indiqué dans l’équation 2.

Results

Génération de grille de récepteurs et amarrage moléculaire

L’outil de génération de grille de récepteurs de Maestro a été utilisé pour caractériser correctement le site de liaison pour l’amarrage ultérieur. Le ligand cocristallisé a été utilisé pour définir la grille. Le réglage de précision SP Glide pour l’amarrage moléculaire a été utilisé. L’outil LigPrep de Schrödinger Maestro a été utilisé pour préparer les ligands à l’amarrage à l’aide du champ de force OPLS4. Pour les simulations de dynamique moléculaire, le champ de force OPLS4 a été utilisé dans Desmond. Les champs de force sont fondamentaux pour les simulations moléculaires classiques, et leur précision est essentielle pour la qualité des simulations de liaison protéine-ligand dans la découverte de médicaments. Pour OPLS4, l’attribution des charges et des paramètres a été effectuée à l’aide de Schrödinger Maestro. L’application des paramètres OPLS4 a permis d’améliorer considérablement les comparaisons énergétiques et géométriques par rapport aux paramètres par défaut de OPLS2005.

Cela impliquait l’amarrage de ligands spécifiques connus pour avoir une affinité pour la protéine cible du VIH-1, ce qui a permis une analyse approfondie des interactions entre les molécules de ligand et les résidus de récepteurs. Le tableau 1 présente un résumé de la classification des composés pour la modélisation QSAR.

Lors de l’amarrage de HBY561, le protocole d’amarrage a été évalué en comparant le ligand réamarré avec celui trouvé dans le site actif de la protéine cristalline 1HQU. Les structures HBY561 amarrées et cristallisées sont fournies dans le fichier supplémentaire 1 (figure supplémentaire S1 et figure supplémentaire S2). Pour évaluer la similitude entre les poses ancrées et les structures de référence, une valeur d’écart quadratique moyen (RMSD) inférieure à 2,0 Å est largement considérée comme un critère pour des résultats d’amarrage fiables. Ce seuil indique que la structure prédite s’aligne étroitement avec les données expérimentales. Dans cette étude, les ligands ont démontré une RMSD de 1,27 Å en comparant la structure de référence à la pose amarrée, comme illustré en rouge dans la figure supplémentaire S3. Cela a montré que le protocole d’amarrage était suffisant pour ce travail et, par conséquent, tous les ligands ont été amarrés en utilisant les mêmes paramètres. En examinant les scores d’amarrage présentés dans le tableau 2, l’éfavirenz et l’étravirine ont montré les scores les plus favorables à -10,432 eV et -9,647 eV par rapport au score d’amarrage du ligand cocristallisé HBY561 (-9,242 eV). La figure supplémentaire S4 du fichier supplémentaire 1 montre les diagrammes d’interaction des ligands entre la protéine originale du VIH-1 et le ligand Crystal, l’étravirine et l’éfavirenz.

La liaison hydrogène, l’empilement π-π et les interactions hydrophobes sont les principales forces contribuant à la liaison. Un cas spécifique de liaison hydrogène est apparu entre HBY561 et la protéine désignée 1HQU, impliquant explicitement le résidu d’acide aminé LYS101. Ce modèle de liaison reflète les observations faites avec les ligands éfavirenz et étravirine, comme le montre la figure 14.

De plus, les interactions hydrophobes étaient essentielles pour la liaison dans plusieurs localisations protéiques impliquant HBY561, l’étravirine et l’éfavirenz, en plus des forces intermoléculaires, de la liaison hydrogène et de l’empilement π-π. π-π d’empilement a été observé entre TYR318 et le cycle aromatique de l’éfavirenz. Les liaisons hydrogène et l’empilement π-π étaient essentiels pour maintenir les connexions de liaison entre les ligands et la protéine. Les diagrammes d’interaction des ligands de HBY_561, de névirapine, de doravirine, d’éfavirenz et d’étravirine sont présentés dans le fichier supplémentaire 1-SupplementalFigureS5.

Ces forces intermoléculaires influencent les interactions protéine-ligand et sont cruciales pour le développement de médicaments qui réduisent la résistance aux antimicrobiens dans le VIH-1. Leur rôle dans l’amélioration de l’affinité de liaison, de la spécificité et du mécanisme d’action aide à concevoir des médicaments capables de cibler et d’inhiber efficacement le virus, répondant ainsi à la préoccupation croissante de la résistance aux antimicrobiens dans le contexte du traitement du VIH-1.

Préparation de l’ensemble de données 2D-QSAR

Les phases d’entraînement et d’essai ont porté sur 94 composés. Ces composés ont été classés en quatre classes, chacune représentant des ligands associés à la protéine spécifique testée. Le processus de formation a utilisé le flux de travail AutoQSAR de KNIME avec activity, HOMO et LUMO ont été sélectionnés comme les trois descripteurs de cette enquête.

Génération 2D-QSAR

Les valeurs d’activité des 94 molécules ont été déterminées à l’aide de données expérimentales (tableau supplémentaire S1). Les résultats générés par le modèle RQSA se trouvent dans le tableau 3. Les composés de classe 1 du tableau supplémentaire S2 ont été utilisés pour la modélisation QSAR, montrant les groupes Ar ajoutés et leurs valeurs d’activité respectives. Les résultats des quatre classes indiquent que le score le plus élevé de 0,8223, le R² de 0,815 et le Q ² de 0,8182 ont été obtenus, correspondant à la classe 1. Cela s’aligne sur le critère précédent consistant à viser R² proche de 1 et Q² supérieur à 0,7⁴⁶. Par conséquent, nous avons sélectionné la classe 1 pour la formation de notre modèle QSAR. Bien que les modèles pour les classes 3 et 4 aient démontré une excellente valeur de corrélation R² de 0,8172 et 0,6673, respectivement, ils n’ont pas égalé les performances de la classe 1.

Une corrélation croisée a été effectuée afin de valider davantage la stabilité du modèle RQSA proposé selon le critère selon lequel la différence entre^{le score} Q2 0,8223 et R² devrait être inférieure ou égale à 0,3⁴⁷. Le modèle que nous proposons pour la classe 1 présente une différence de 0,0038. Le diagramme de dispersion illustrant l’activité observée par rapport à l’activité prévue est fourni à la figure 15.

Écart d’énergie HOMO-LUMO

La détermination de l’écart d’énergie entre l’orbitale moléculaire inoccupée la plus basse et l’orbitale moléculaire occupée la plus élevée, communément appelée écart d’énergie HOMO-LUMO, joue un rôle crucial dans la caractérisation de la réactivité chimique et de la stabilité cinétique d’une molécule dans le contexte des six composés INNTI. Les orbitales moléculaires de la frontière jouent un rôle central dans la facilitation des interactions de transfert de charge avec le site de liaison de la protéine du VIH. La confirmation de l’énergie minimale a été assurée par l’examen des fréquences vibratoires et la confirmation de l’absence de fréquences négatives ou imaginaires ; par la suite, les valeurs HOMO et LUMO ont été obtenues pour chaque minimum d’énergie. Une valeur HOMO plus élevée signifie la compétence d’une molécule en tant que donneur d’électrons, tandis qu’une valeur plus faible suggère qu’elle agit comme un accepteur d’électrons faible. La figure supplémentaire S6 représente les écarts énergétiques HOMO_LUMO pour les six INNTI optimisés. De plus, un écart d’énergie réduit entre les niveaux d’énergie HOMO et LUMO influence fortement les interactions de transfert de charge intermoléculaire qui se produisent entre les molécules étudiées en raison de la forte capacité d’acceptation des électrons et de la bioactivité des molécules⁴⁸.

La tendance des valeurs de l’écart énergétique, telle qu’elle est présentée dans le tableau 4, suit un ordre décroissant : l’éfavirenz > l’étravirine > HBY-561 > la névirapine > la delavirdine > la doravirine > la rilpivirine. L’écart d’énergie important observé pour l’éfavirenz et l’étravirine signifie que l’analyse des scores d’amarrage révèle une corrélation entre la bioactivité et l’écart HOMO-LUMO. Notamment, le potentiel antiviral augmente avec des valeurs d’écart HOMO-LUMO plus importantes. Il indique non seulement la stabilité des composés, mais aussi leur potentiel à former des interactions stables avec le récepteur. L’écart HOMO-LUMO joue un rôle important dans la compréhension de la bioactivité des molécules, en particulier dans le contexte de la conception de médicaments contre le VIH-1.

Énumération

Différents outils ont été créés pour l’énumération des bibliothèques virtuelles. Les outils utilisés pour l’énumération incluent Schrödinger. Elle s’appuie sur la méthode du saut de noyau, où les banques sont créées en remplaçant une ou plusieurs attaches sur une structure de noyau par des fragments de composés réactifs⁴⁹. L’outil d’énumération de Maestro v13.1 a été utilisé pour ajouter des groupes de côtés ou des atomes personnalisés à chacun des six INNRTI. Les nouveaux composés ont également été utilisés pour prédire les activités. Il y a eu une amélioration des valeurs d’activité attendues des molécules énumérées par rapport aux molécules d’INNTI initialement optimisées, comme le montre le tableau 5.

L’amélioration des valeurs d’activité des ligands énumérés était due au processus d’énumération effectué lorsque le groupe R personnalisé ajouté influençait les forces d’interaction du nouveau composé proposé et de la protéine originale. Les composés énumérés ont été préparés pour la mécanique quantique en optimisant ces molécules et en calculant leurs fréquences vibratoires. Leurs écarts énergétiques ont été calculés et comparés à ceux des INNTI. L’observation globale, comme le montre le tableau 6, indique que les composés énumérés sont plus stables que leurs homologues optimisés.

Dans le tableau 6, il a été observé que l’écart d’énergie des composés énumérés par rapport aux composés optimisés présentait une tendance similaire. Cela indique que les propriétés chimiques des molécules énumérées sont restées inchangées, indépendamment de toute rotation conformationnelle. Ainsi, ils ont été en mesure de maintenir d’importantes forces intermoléculaires avec les résidus d’acides aminés de la protéine.

Avant d’effectuer le processus de dénombrement des INNTI tel qu’il est décrit à la section 6 du protocole, les résultats de sortie observés avaient leurs scores d’amarrage initiaux du processus de dénombrement, représentés dans le tableau 7 sous la colonne du score d’ancrage énuméré. Comme expliqué à la section 4 du protocole, le processus d’amarrage moléculaire a été effectué pour valider le score d’amarrage proposé pour les composés énumérés. On a pu observer qu’après le réamarrage des composés énumérés, les nouveaux scores d’amarrage se sont améliorés, comme le montre la colonne « ligands énumérés réamarrés ». Les scores de réancrage pour les composés énumérés ont été comparés aux scores d’amarrage des INNTI d’origine représentés dans la colonne « score d’amarrage initial » du tableau 7. On a pu observer que pour les composés énumérés, les scores d’amarrage pour la HBY_561, l’étravirine, l’éfavirenz et la doravirine étaient meilleurs que ceux de leurs composés optimisés équivalents. Cependant, la délavirdine possède le même score d’amarrage que la délavirdine énumérée et optimisée.

Dynamique moléculaire

Trois liaisons hydrogène sont formées par HBY 561 avec LYS101, les atomes N hautement électronégatifs et l’OH. Le ligand cristallin, ou troisième molécule, établit simultanément deux liaisons hydrogène avec le soufre et l’hydrogène et une troisième liaison hydrogène avec le GLU138. Il est important de noter que l’empilement π-π et les interactions hydrophobes contribuent de manière significative aux forces intermoléculaires impliquées. De plus, la présence de liaisons hydrogène supplémentaires est cruciale pour la dynamique moléculaire, ce qui se reflète particulièrement dans les graphiques de l’écart quadratique moyen (RMSD) qui en résultent. En tout, on observe que trois liaisons hydrogène se forment par l’éfavirenz avec l’atome d’azote très électronégatif, l’atome d’oxygène sur l’autre cycle non aromatique et le cycle benzénique et TYR318 entre le ligand N hautement électronégatif au niveau de l’anneau central. Une deuxième liaison hydrogène entre N de l’anneau et les OH et LY101 est observée. L’étravirine présente trois liaisons hydrogène avec LYS101. La doravirine forme une liaison hydrogène avec le GLU138. La névirapine présente deux liaisons hydrogène avec LY101.

Dans ce cas, l’interaction entre les résidus d’acides aminés partagée par tous les ligands est LYS101. Même si leurs structures diffèrent, ils interagissent tous avec le même résidu d’acide aminé. Des simulations de DM ont été effectuées avec les paramètres énumérés dans la section 2.8 du protocole afin de déterminer dans quelle mesure chaque ligand (INNTI et NNRTI répertoriés) se lie bien ou mal au site actif de 1HQU. L’interaction des ligands illustrée à la figure 16 indique des liaisons hydrogène robustes entre l’acide aminé LY101 de la protéine et les molécules HBY 561, la névirapine, l’éfavirenz et l’étravirine. Comme on peut le voir dans la comparaison du tableau 7, ces interactions fortes expliquent les scores d’amarrage élevés de chaque composé.

Pour évaluer l’efficacité de liaison de chaque ligand, y compris les INNTI et les INNTI dénombrés au site actif du 1HQU, des simulations de dynamique moléculaire (DMS) ont été effectuées. Plus précisément, les quatre composés énumérés qui ont démontré de meilleurs scores d’amarrage que les combos optimisés d’origine ont été sélectionnés. Ces composés choisis ont été soumis à des MDS comme méthode de validation pour examiner et observer la réaction de chaque molécule avec la protéine VIH-1 sur une période spécifique, en tenant compte des interactions interatomiques en présence d’un ligand.

Avant de commencer les MDS pour les glycanes récemment dénombrés, il était essentiel de confirmer l’adéquation du protocole de simulation à notre système. Pour y parvenir, la première étape a consisté à exécuter des MDS de la protéine libre 1HQU. Aucun ligand n’était présent dans le site actif de la protéine (figure 17A et figure supplémentaire S7). Jusqu’à ~60 ns, il y a des fluctuations considérables dans la structure de la protéine, produisant des décalages Cα RMSD allant jusqu’à 4,5 Å ; après cela, la protéine semble se stabiliser avec une fluctuation RMSD de ~3,5 Å jusqu’à 200 ns. Cette stabilisation nous a convaincus que le protocole DM serait approprié pour nos complexes protéine-ligand, qui seront analysés dans la section suivante.

Les DMS de 200 ns de l’étravirine et de l’étravirine énumérées (figures 17B et C) ont montré des fluctuations de l’écart quadratique moyen (RMSD) de l’étravirine proches de 5,0 Å et une équilibration de 4,5 Å. L’étravirine énumérée a montré des fluctuations RMSD de 4,5 Å et un équilibre de 3,5 Å. Cette stabilisation indique que l’étravirine énumérée peut être un ligand potentiel des INNTI pour le traitement du VIH/sida. Une trajectoire avec une RMSD inférieure à 5 Å signifie un effet de liaison robuste entre la protéine et le ligand du site actif. Cette observation a été maintenue pour tous les composés mentionnés précédemment, à l’exception de la névirapine et de la doravirine, parmi les composés énumérés (fichier supplémentaire 1 : figure supplémentaire S8, figure supplémentaire S9, figure supplémentaire S10 et figure supplémentaire S11).

Les figures 18 et 19 analysent plus en détail la liaison entre l’étravirine, l’étravirine énumérée et la protéine. Les données analysées comprennent un histogramme de l’interaction, des contacts ligand-protéine et protéine-ligand. L’histogramme des contacts d’interaction pour chaque ligand respectif lié à la protéine est directement lié aux forces d’interaction correspondantes entre les résidus de l’acide aminé de la protéine et le ligand. La forte abondance de LYS101 est très distincte pour l’étravirine et l’étravirine dénombrée, et une épaisse bande orange visible a été observée. Une bande orange clair faiblement discernable positionnée à l’extrémité inférieure de la carte d’étravirine dénombrée a été observée en corrélation avec TYR181. Cette correspondance indique l’existence de deux forces d’attraction intermoléculaires entre GLU138. Cette observation positive pour les ligands et leurs formes énumérées a été comparée afin d’analyser un meilleur ligand en tant que composé potentiel des INNTI. D’après les résultats obtenus, l’étravirine répertoriée a le potentiel d’être utilisée pour le traitement du VIH/sida.

Mécanique moléculaire avec calculs de Born généralisés et de surface (MM-GBSA)

Dans cette étude, la principale source d’apport énergétique vers l’énergie libre de liaison, la_liaison ΔG, était la contribution de l’interaction de van der Waals, ΔG_VdW . L’étravirine énumérée a une_{ΔG VdW} plus élevée de -66,146 kcal/mol que son homologue NNRTI connu avec une_{ΔG VdW} de -64,669 kcal/mol. La valeur ΔG_Hbond plus élevée de -2,541 kcal/mol énumérée par l’étravirine indique la contribution significative des forces d’attraction de l’hydrogène entre le ligand et la protéine. Les contributions du ΔG_Coulomb et du ΔG_Covalent pour l’étravirine dénombrée (-17,976 et 2,807 kcal/mol) étaient beaucoup plus importantes que celles de l’homologue NNNTI connu, qui avait -11,196 et 2,491, respectivement.

Les résultats observés lors de la liaison de l’étravirine et de l’étravirine énumérée avec la protéine 1HQU sont assez cohérents. L’étravirine s’est avérée meilleure que son homologue, l’étravirine, en raison de deux liaisons hydrogène supplémentaires. L’étude a également révélé que l’étravirine énumérée était préférée pour se lier à la poche identifiée. La_liaison ΔG plus négative (-89,684 kcal/mol) pour l’étravirine dénombrée par rapport à celle de l’étravirine (-80,551 kcal/mol) montre que l’étravirine dénombrée est un bon inhibiteur de la RT du VIH-1.

Figure 1 : Structures chimiques de six inhibiteurs non nucléotidiques de la transcriptase inverse approuvés par la Food and Drug Administration des États-Unis pour le virus de l’immunodéficience humaine-1. NVP = névirapine ; DLV = Delavirdine ; EFV = Éfavirenz ; ETV = Etravirine ; RPV = Rilpivirine ; DOR = Doravirine. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : ouverture de l’application Maestro Schrödinger sous Windows sur l’ordinateur local. (A) Navigation vers l’application Maestro Schrödinger sur l’ordinateur local. (B) Comment ouvrir et exécuter l’application Maestro Schrödinger sur l’ordinateur local. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Importation d’une structure de fichier PDB depuis l’ordinateur local vers la fenêtre du projet dans Schrödinger. (A) Fonction d’importation de structure dans Maestro Schrödinger. (B) Zone de texte de l’ID PDB. (C) Téléchargez le fichier PDB sur l’ordinateur local - effectué. (D) Bouton Importer pour permettre l’importation du fichier d’ID PDB inséré. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Structure du fichier PDB importé dans la fenêtre du projet Schrödinger. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5 : Flux de travail de préparation des protéines. (A) Interface de recherche du flux de préparation des protéines. (B) Enregistrement du nom du fichier de travail et lancement du processus de préparation des protéines. (C) Fenêtre de surveillance des tâches en cours d’exécution. (D) Décomposer le ligand en ses composants individuels. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6 : Flux de préparation des ligands. (A) Importation de structures de l’ordinateur local vers la fenêtre du projet Schrödinger Préparation des protéines. (B) Recherche du processus de préparation du ligand. (C) Fenêtre de flux de travail de préparation des ligands. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 7 : Géométrie et flux de travail d’optimisation. (A) Fenêtre de menu GaussView pour l’optimisation de la géométrie. (b) Types de tâches disponibles dans l’onglet Calculer de GaussView. (C) Options disponibles sous l’onglet Link0 dans GaussView. Veuillez cliquer ici pour voir une version agrandie de cette figure. 

Figure 8 : Flux de travail de génération de gride de glissement et d’amarrage moléculaire. (A) Interface de flux de travail de génération de grille de récepteurs. (B) Notification contextuelle pour la sélection d’un atome dans le ligand. (C) Paramètres avancés du récepteur. (D) Notification d’achèvement de tâche. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 9 : Amarrage du ligand de glissement. (A) Interface pour la recherche d’amarrage du ligand de glissement. (b) Interface d’amarrage du ligand. (C) Réglages de précision pour l’amarrage en plané. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 10 : Flux de travail de préparation de KNIME QSAR. (A) Recherche de nœud AutoQSAR sur la page Web du hub communautaire KNIME. (B) Bouton de téléchargement pour obtenir le nœud AutoQSAR KNUME. (C) Importation du flux de travail AutoQSAR KNIME téléchargé. (D) Paramètres de configuration des ligands lors de la construction d’un modèle QSAR. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 11 : Énumération des ligands à l’aide de Ligand Designer dans Maestro Schrödinger. (A) Recherche d’options Ligand Designer dans Schrödinger. (B) Liste des flux de travail pour la conduite du processus de numération. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 12 : Flux de production d’HOMO-LUMO. (A) Pour accéder aux options de l’éditeur moléculaire dans l’onglet Outils de GaussView. (B) Chargement d’un fichier Chk ou FChk existant pour générer des orbitales moléculaires frontières. (C) Illustration des orbitales frontières HOMO et LUMO dans GaussView. (D) Fenêtre de visualisation pour afficher les orbitales frontières HOMO et LUMO. (E) Sauvegarde des orbitales frontières de l’HOMO et du LUMO. f) Interface du format d’affichage dans GaussView. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 13 : Flux de travail de préparation, d’installation, de préparation et d’exécution de la dynamique moléculaire. (A) Desmond System Builder : Options de solvatation pour déterminer des modèles d’eau rigide. (B) Desmond System Builder Options de limite pour déterminer la forme de la boîte. (c) Desmond System Builder : méthode de calcul de la taille des boîtes. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 14 : Diagrammes d’interaction des ligands entre 1HQU et 3 ligands arrimés supérieurs. Forces d’interaction entre la protéine (1HQU) et (A) le ligand cristallin (HBY561), (B) l’éfavirenz et (C) l’étravirine. Ces forces influencent les interactions protéine-ligand et sont cruciales pour le développement de médicaments qui réduisent la résistance aux antimicrobiens dans le VIH-1. Leur rôle dans l’amélioration de l’affinité de liaison, de la spécificité et du mécanisme d’action aide à concevoir des médicaments capables de cibler et d’inhiber efficacement le virus, répondant ainsi à la préoccupation croissante de la résistance aux antimicrobiens dans le contexte du traitement du VIH-1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 15 : Un nuage de points montre l’activité observée par rapport à l’activité prévue pour la classe 1 du modèle RQSA. Le graphique représente l’ajustement entre la classe 1 en tant qu’ensemble d’apprentissage et les composés INNTI en tant qu’ensemble de test pour donner une valeur d’activité prédictive. Abréviations : INNTI = inhibiteurs non nucléotidiques de la transcriptase inverse ; QSAR = relation quantitative structure-activité. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 16 : Diagrammes d’interaction des ligands. Les forces d’interaction entre la protéine et (A) le ligand cristallin HBY_561, (B) la névirapine, (C) la doravirine, (D) l’éfavirenz et (E) l’étravirine. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 17 : Diagramme d’interaction de simulation de la dynamique moléculaire de la protéine libre Étravirine et de l’Etravirine énumérée. (A) Diagramme d’interaction de la dynamique moléculaire de la protéine libre. (B) Diagramme d’interaction de la dynamique moléculaire de l’étravirine. (C) Diagramme d’interaction de la dynamique moléculaire de l’étravirine énumérée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 18 : Histogramme des contacts d’interaction entre l’étravirine et la protéine. (A) Chronologie des contacts protéine-ligand pour l’étravirine. (B) La chronologie des interactions protéine-ligand au fil du temps, y compris les liaisons H, les contacts hydrophobes, ioniques et les ponts d’eau. (C) Un schéma montrant les interactions détaillées entre les atomes de ligand et les résidus protéiques. Seules les interactions survenant plus de 30 % du temps de simulation (0,00 à 200 ns) sont affichées. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 19 : Histogramme des contacts d’interaction entre l’étravirine énumérée et la protéine. (A) Chronologie des contacts protéine-ligand pour l’étravirine dénombrée. (B) La chronologie des interactions protéine-ligand au fil du temps, y compris les liaisons H, les contacts hydrophobes, ioniques et les ponts d’eau. (C) Un schéma montrant les interactions détaillées entre les atomes de ligand et les résidus protéiques. Seules les interactions survenant plus de 30 % du temps de simulation (0,00 à 200 ns) sont affichées. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Classe	Cible protéique	Gamme de composés	Nombre total de composés sélectionnés
1	NL4-3 VIH-1 de type sauvage	(8a1-8e5 – EC50 (nM)a)	25
2	IIIB WT VIH-1	13a1-13d6 - CE50 (nM)a	23
3	RES056 Souche résistante aux INNTI	13a1-13d6 - CE50 (nM)a	23
4	Souche ROD VIH-2	13a1-13d6 - CE50 (nM)a	23
Total des composés sélectionnés pour la modélisation QSAR			94

Tableau 1 : Résumé des critères de classification des composés pour la modélisation RQSA. Un ensemble de données de 94 composés de la dihydrofuro[3,4-d] pyrimidine a été synthétisé par Kang et ses collègues⁵⁰ pour cibler diverses souches du VIH, à savoir le VIH-1 de type sauvage NL4-3, le VIH-1 de type sauvage IIIB, le VIH-1 de WT de TIII, la souche résistante aux INNTI RES056 et la souche de VIH-2 de ROD. Ces dérivés de la pyrimidine ont été regroupés en quatre classes en fonction de leur protéine cible pour la préparation à la réalisation de notre entraînement QSAR. Le tableau résume comment ces molécules ont été regroupées en quatre classes en fonction de leurs valeurs expérimentales EC₅₀ , qui représentent la puissance d’un médicament, opérationnalisée comme la concentration à laquelle le médicament exerce 50 % de son effet maximal. Abréviations : INNTI = inhibiteurs non nucléotidiques de la transcriptase inverse ; QSAR = relation quantitative structure-activité.

Nom de la protéine	Ligand	Score d’amarrage
1HQU	L’éfavirenz	-10.432
	Étravirine	-9.647
	HBY_561	-9.242
	Doravirine	-9.04
	Névirapine	-8.825
	Rilpivirine	-7.722
	La delavirdine	-6.519

Tableau 2 : Scores d’amarrage de six INNTI optimisés et de la protéine VIH-1. Les scores d’amarrage concernent les six INNTI faisant l’objet d’une enquête. Le score le plus négatif indique une bonne efficacité de liaison entre le ligand et la protéine. L’éfavirenz et l’étravirine ont montré les scores les plus favorables à -10,432 eV et -9,647 eV par rapport au score d’amarrage du ligand cocristallisé HBY561 (-9,242). Les ligands potentiels étaient ceux dont le score d’amarrage était le plus négatif, inférieur à -9,242 eV.

Classe de médicament	Ajustement de l’activité à 85 %	Colonne1	Colonne2	Colonne3	Colonne4	Colonne5
	Score	SD	R2	RMSE	Questionn° 2	Q2 MW (hypothèse nulle)
1	0.8223	0.3268	0.815	0.2479	0.8185	0.1462
2	0.5671	0.2996	0.5067	0.1996	0.2264	0.4736
3	0.8172	0.3692	0.8114	0.1536	0.9065	-1.1532
4	0.6673	0.367	0.6436	0.1709	0.8852	0.1445
*SD – écart-type,
R2 – corrélation de l’ensemble d’apprentissage entre les valeurs d’activité réelles et prévues,
Q2 – corrélation de l’activité réelle et prévue de l’ensemble de tests.
RMSE - Erreur quadratique moyenne

Tableau 3 : Paramètres statistiques du modèle 2D-QSAR. Le tableau présente l’écart-type, la corrélation de l’ensemble d’apprentissage entre les valeurs d’activité réelles et prédites (R²) et le score élevé de corrélation d’activité réelle et prédite de l’ensemble de test pour chaque classe (Q²). Le score le plus élevé (R²) représente la classe.

LIGAND	HOMO	LUMO	Écart E
L’éfavirenz	-0.2242	-0.06943	0.15477
Étravirine	-0.21408	-0.08141	0.13267
Névirapine	-0.20602	-0.07759	0.12843
HBY_561	-0.19687	-0.0748	0.12207
La delavirdine	-0.19651	-0.07958	0.11693
Doravirine	-0.22413	-0.10916	0.11497
Rilpivirine	-0.21343	-0.11216	0.10127

Tableau 4 : Écart d’énergie HOMO-LUMO des INNTI optimisés. Le tableau montre les résultats des écarts d’énergie HOMO-LUMO obtenus après optimisation des six INNTI.

Ligand	Ligands optimisés	Ligands énumérés
Doravirine	7.229	7.374
Rilpivirine	7.302	7.279
Étravirine	7.229	7.374
L’éfavirenz	7.229	7.323
La delavirdine	7.302	7.302
Névirapine	7.229	6.988
HBY_561	7.229	7.323

Tableau 5 : Scores d’activité prédits des INNTI optimisés par rapport aux INNTI énumérés correspondants. Le tableau compare les scores d’activité prédictive entre les ligands optimisés et énumérés. Plus les scores d’activité sont élevés, meilleur est le composé en tant que médicament potentiel.

LIGAND	Écart d’énergie après optimisation	Écart d’énergie après énumération	Différence d’écart entre les composés optimisés et énumérés
Doravirine	0.115	0.126	0.011
Rilpivirine	0.101	0.127	0.030
Étravirine	0.133	0.126	0.010
L’éfavirenz	0.155	0.126	0.030
La delavirdine	0.117	0.126	0.010
Névirapine	0.128	0.126	0.002
HBY_561	0.122	0.126	0.004

Tableau 6 : Comparaison des écarts d’énergie prévus des INNTI énumérés et de l’écart d’énergie initial des INNTI optimisés. Le tableau montre une comparaison de l’écart d’énergie HOMO-LUMO entre les ligands optimisés et énumérés et des différences d’écart d’énergie entre eux.

Ligand énuméré	Règle des 5 propriétés	Colonne1	Colonne2	Colonne3	Colonne4	Colonne5	Ajout d’un groupe latéral	Score d’amarrage énuméré	Score d’amarrage d’origine	Ligands énumérés réamarrés
	AlogP	PSA	DBC	HBA	MW	MPO
Doravirine	2.4	125.9	2	8	441.8	0.49	Hydroxyle	-8.894	-9.04	-9.739
Étravirine	4.4	140.9	3	8	451.3	0.37	Hydroxyle	-10.258	-9.647	-10.517
L’éfavirenz	3.7	64.3	2	3	330.7	0.75	Amine	-10.284	-10.432	-11.025
Névirapine	2.6	58.1	1	4	284.3	0.73	Fluorure	-9.112	-8.825	-9.445
HBY_561	2.4	93.9	2	6	358.5	0.66	Amide	-9.596	-9.242	-10.1
AlogP - (logarithme calculé du coefficient de partage octanol-eau).
PSA - (Surface polaire)
DBC - (Donneurs d’obligations hydrogène)
HBA - (Accepteurs de liaisons hydrogène)
MW - (Poids moléculaire)
MPO - (Optimisation multiparamètre)

Tableau 7 : Comparaison du score d’amarrage entre les INNRT d’origine et les INNRD énumérés. Le tableau montre la comparaison entre les scores d’ancrage énumérés, qui sont les scores d’ancrage après l’énumération. Les scores d’amarrage d’origine sont les scores d’amarrage des NNRTI optimisés. Les scores énumérés réancrés sont les scores d’amarrage des ligands qui ont été énumérés. Étant donné que le processus d’énumération donne un score d’amarrage prédictif, les ligands ont dû être réamarrés avec la même méthode que les ligands optimisés. Les groupes ajoutés sont ceux ajoutés aux ligands lors du processus de dénombrement.

Ligand	Liaison ΔG	ΔGCoulomb	ΔGCovalent	ΔGHbond	ΔGLipo	Paquet ΔG	ΔGSolv	ΔGVdW
Étravirine	-80.551	-11.196	2.491	-1.509	-27.447	-4.826	26.605	-64.669
Énumération de l’étravirine	-89.684	-17.976	2.807	-2.541	-27.652	-4.211	26.034	-66.146
HBY561	-79.664	-12.261	0.994	-0.521	-26.052	-1.278	18.624	-59.169
Énumération HBY561	-82.719	-13.443	1.534	-0.603	-27.053	-1.210	20.600	-62.544
L’éfavirenz	-71.372	-12.984	1.151	-0.834	-25.353	-1.379	14.472	-46.44
Dénombrage de l’éfavirenz	-79.125	-18.602	1.753	-2.159	-25.409	-1.198	16.619	-50.129

Tableau 8 : ReXts MMGBSA de ligands sélectionnés sur 1HQU. Le tableau représente la mécanique moléculaire avec des calculs de Born généralisé et de surface, qui montrent une énergie libre de liaison moyenne (ΔGbind) du complexe protéine-ligand. Le tableau montre une comparaison entre les ligands optimisés à l’origine qui présentent de bons scores d’amarrage par rapport aux ligands cristallins et à leurs homologues énumérés. Le composé choisi avec un score d’amarrage plus élevé et une bonne simulation de dynamique moléculaire RMSD fluctuation à l’équilibre devrait également satisfaire aux calculs MMGBSA en montrant l’énergie libre de liaison la plus négativede (liaison ΔG_). Dans ce cas, l’étravirine énumérée satisfait aux deux paramètres de calcul.

Fichier supplémentaire 1 : Autres rXts obtenus dans cette étude. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

La méthode DFT²⁶ a été utilisée pour analyser les propriétés électroniques et la stabilité de divers dérivés de la pyrimidine, ce qui n’est pas le cas dans des études similaires. L’utilisation de la DFT permet une compréhension plus approfondie des interactions moléculaires au niveau quantique, améliorant ainsi le processus de conception des INNTI. Dans cette étude, nous avons sélectionné six INNTI dont les valeurs d’activité sont inconnues. Nous avons récupéré leurs structures moléculaires à partir de la base de données PubChem et effectué une optimisation géométrique à l’aide de la fonctionnelle Minnesota 15 Local (MN15-L)³² et de la base 6-31++G (d,p)² dans le progiciel de mécanique quantique Gaussian 16 revision C01³³ . Pour configurer les fichiers d’entrée de simulation, nous avons utilisé GaussView 6.0²⁶. Les structures quantiques ont ensuite été amarrées au site actif de la protéine VIH-1.

L’étude a utilisé une approche RQSA⁵¹, qui est conçue pour prédire l’activité biologique des INNTI en fonction de leur structure chimique. Ce modèle est généré à l’aide d’un ensemble de données de 94 dérivés de dihydrofuro[3,4-d] pyrimidine, ce qui permet d’identifier les principaux groupes fonctionnels qui influencent l’activité antivirale. L’intégration d’un modèle QSAR robuste est une avancée cruciale, car elle permet de filtrer les composés dès le début du processus de conception, améliorant ainsi l’efficacité de la découverte de médicaments.

Les activités prévues des nouveaux composés ont été prises en compte et les scores d’amarrage ont été validés. La technique avancée d’amarrage moléculaire a exploré les interactions de liaison entre les INNTI et l’enzyme transcriptase inverse du VIH-1. Cela a été complété par des simulations de dynamique moléculaire sur une longue période (200 ns), fournissant un aperçu de la stabilité et du comportement des complexes médicament-protéine dans des conditions physiologiques. La dynamique moléculaire⁵² a validé les résultats des études d’amarrage. En simulant le comportement des complexes médicament-enzyme au fil du temps, nous pouvons évaluer la stabilité dynamique et les interactions qui peuvent ne pas être capturées dans les études d’amarrage statique⁵³. Cette approche fournit une évaluation plus réaliste de la façon dont les INNTI peuvent se comporter dans les systèmes biologiques. Les simulations ont montré que l’étravirine produisait des fluctuations RMSD d’environ 4,5 Å, tandis que l’étravirine énumérée produisait des fluctuations RMSD de 3,5 Å. Il y avait diverses similitudes entre l’étravirine et l’étravirine énumérée, le composé énuméré possédant des interactions d’acides aminés améliorées dans le site actif de la protéine. La RMSD plus faible, l’amélioration des interactions entre les acides aminés et la plus grande énergie libre de liaison suggèrent toutes que l’étravirine énumérée pourrait servir d’alternative viable pour le traitement du VIH/sida.

L’utilisation de techniques de dénombrement⁵⁴ pour générer des stéréoisomères et effectuer un balayage d’isostères est un aspect remarquable de cette recherche. Cette méthode permet aux chercheurs d’explorer un espace chimique plus large pour les INNTI potentiels en modifiant systématiquement les structures existantes, ce qui peut mener à la découverte de composés à l’efficacité accrue et à la résistance réduite.

La recherche intègre l’analyse HOMO-LUMO dérivée des calculs de mécanique quantique pour évaluer la réactivité et la stabilité des composés. Cet aspect est souvent négligé dans des études similaires⁵⁵, mais il fournit des informations précieuses sur les propriétés électroniques qui peuvent influencer l’activité biologique

L’utilisation de la méthode MMGBSA dans cette étude pour estimer les énergies libres de liaison des INNTI énumérés en tant qu’inhibiteurs potentiels de la transcriptase inverse (RT) du VIH-1 présente un nouvel aspect qui renforce l’importance et l’impact potentiel de ces travaux sur le développement du traitement du VIH.

L’application de MMGBSA dans cette étude fournit une estimation plus précise des énergies libres de liaison pour l’étravirine énumérée par rapport à son homologue. En calculant les valeurs d’énergie libre de liaison, l’étude évalue quantitativement l’affinité de liaison de l’étravirine énumérée, qui était considérablement plus élevée (9,133 kcal/mol) que celle de l’étravirine standard. Ce niveau de détail dans les calculs d’énergie de liaison permet une compréhension plus nuancée de la façon dont les modifications structurelles peuvent influencer l’efficacité des INNTI, ce qui fait souvent défaut dans des études similaires qui peuvent s’appuyer uniquement sur des évaluations qualitatives.

La valeur_covalente ΔG rapportée de 1,477 kcal/mol indique en outre l’intensité de l’interaction pour le composé énuméré. L’approche comparative est novatrice, car non seulement elle permet d’identifier un candidat prometteur, mais aussi de le situer dans le contexte plus large des thérapies existantes, fournissant ainsi une référence pour le développement futur des INNTI.

La comparaison présentée dans le tableau 8 indique également que l’étravirine énumérée peut être un composé potentiel à utiliser comme TAR alternatif, car son énergie libre de liaison (_liaison ΔG) est la plus élevée par rapport à l’étravirine, à l’HBY56, à l’étravirine et à leurs homologues énumérés.

Les résultats de notre étude pourraient avoir un impact significatif sur le développement de nouveaux agents thérapeutiques pour l’infection par le VIH. De plus, cette approche pourrait permettre d’identifier le candidat anti-VIH le plus prometteur. Ces résultats pourraient ouvrir la voie à la conception rationnelle de nouveaux INNTI du VIH-1.

L’incorporation de MMGBSA en conjonction avec d’autres méthodes de calcul (comme l’amarrage moléculaire, la modélisation QSAR et les simulations de dynamique moléculaire) améliore la robustesse des résultats. Cette approche intégrée permet une évaluation complète des composés, de l’optimisation structurale au comportement dynamique dans un contexte biologique. Une telle méthodologie est relativement nouvelle dans la recherche sur les INNTI, où les études se concentrent souvent sur des méthodes isolées sans une vision holistique du processus de conception des médicaments. La recherche met en évidence plusieurs résultats prometteurs et une meilleure compréhension des interactions moléculaires entre les INNTI et l’enzyme transcriptase inverse, ce qui peut éclairer les efforts futurs de conception de médicaments.

Alors que d’autres études dans le domaine de l’élaboration d’INNTI se concentrent souvent sur des méthodes de calcul uniques ou des analyses d’amarrage de base, cette recherche se distingue par la combinaison de calculs chimiques quantiques avec la dynamique moléculaire et la modélisation QSAR, en utilisant une approche d’énumération systématique qui élargit l’espace chimique potentiel pour les INNTI, et en utilisant une analyse in-silico complète qui permet non seulement de prédire les affinités de liaison, mais aussi d’évaluer la stabilité et la dynamique des interactions médicament-enzyme.

Dans l’ensemble, la nouveauté de cette recherche réside dans son approche multidimensionnelle, qui s’appuie sur des techniques informatiques de pointe pour relever les défis de la résistance aux médicaments dans le traitement du VIH, ouvrant ainsi la voie à la mise au point d’INNTI plus efficaces. Les résultats soulignent le potentiel de développement d’INNTI plus efficaces qui peuvent surmonter les limites des thérapies actuelles.

Voici quelques applications futures de l’approche décrite dans le présent protocole.

Intégration avec l’apprentissage automatique

Des études futures pourraient intégrer MMGBSA à des algorithmes d’apprentissage automatique pour améliorer le pouvoir prédictif des estimations contraignantes de l’énergie libre. En entraînant des modèles sur de grands ensembles de données, les chercheurs ont pu améliorer l’exactitude et la fiabilité des prédictions, ce qui a permis de mieux identifier les candidats INNTI prometteurs.

Application dans la conception de médicaments basée sur les fragments

MMGBSA peut être utilisé efficacement dans la conception de médicaments basés sur des fragments, où de petits fragments moléculaires sont optimisés pour améliorer l’affinité de liaison. Cette approche pourrait mener à l’identification de nouveaux INNTI ayant une puissance et une sélectivité accrues contre le VIH-1.

Exploration des mécanismes de résistance aux médicaments

La technique peut être appliquée pour étudier les interactions de liaison des INNTI avec les souches mutantes du VIH-1. En comparant les énergies libres de liaison des INNTI avec des variants de type sauvage et résistants, les chercheurs peuvent mieux comprendre les mécanismes de résistance aux médicaments et éclairer la conception d’inhibiteurs de nouvelle génération.

Évaluation des propriétés pharmacocinétiques

Les MMGBSA peuvent également être utilisés pour évaluer les propriétés pharmacocinétiques des INNTI, telles que la solubilité et la perméabilité. En comprenant comment ces propriétés sont corrélées avec l’affinité de liaison, les chercheurs peuvent optimiser les candidats médicaments pour de meilleurs profils thérapeutiques.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GaussView	GaussView		V6.1.1
KNIME  ;	KNIME		V4.7.1
Schrödinger Maestro V13.6	SCHRÖDINGER INC.		Année de sortie de la licence 2023-2