Article de méthode

Flux de travail computationnel reproductible pour la découverte de médicaments afin de standardiser la pharmacologie des réseaux et les analyses d’amarrage moléculaire

462 vues

⸱

DOI :

10.3791/70171

⸱

24 avril 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1National Institute of TCM Constitution and Preventive Treatment of Disease, Wangqi Academy of Beijing University of Chinese Medicine, Beijing University of Chinese Medicine, 2School of Traditional Chinese Medicine, Beijing University of Chinese Medicine, 3School of Traditional Chinese Medicine, Southern Medical University, 4Sunsimiao Hospital, Beijing University of Chinese Medicine

* These authors contributed equally

Dans cet article

Résumé

Ce protocole standardisé unifie la pharmacologie en réseau et le docking moléculaire avec les simulations de dynamique moléculaire (MD) pour la découverte de médicaments. Il établit des critères de dépistage quantitatifs et des étapes reproductibles, adaptés au dépistage multi-cibles utilisant des ensembles de données publics et améliorant la fiabilité des résultats.

Résumé

La pharmacologie réseau et le dockage moléculaire sont largement appliqués à la découverte de médicaments, mais des flux de travail fragmentés et des opérations incohérentes sapent fréquemment la reproductibilité des résultats. Ici, un protocole standardisé intégrant ces approches dans un cadre reproductible pour le criblage des médicaments et l’exploration des mécanismes est décrit, avec un flux de travail organisé en trois phases séquentielles : préparation des données, analyse computationnelle et validation. Lors de la phase de préparation, les bibliothèques de composés issues de bases de données publiques sont filtrées selon les critères d’absorption, distribution, métabolisme, excrétion et toxicité (ADMET), incluant la biodisponibilité orale, la similarité du médicament et la prédiction de toxicité, tandis que les cibles thérapeutiques potentielles sont obtenues par prédiction de cibles et intégration de bases de données liées à la maladie afin d’identifier de manière exhaustive les candidats à l’interaction médicament. Lors de la phase d’analyse computationnelle, les cibles chevauchantes subissent des analyses d’enrichissement Gene Ontology (GO) et de la Kyoto Encyclopedia of Genes and Genomes (KEGG) et une analyse topologique du réseau d’interaction protéine-protéine pour identifier les cibles principales ; Le docking moléculaire est configuré avec deux stratégies optionnelles standardisées avec des avantages distincts. La stratégie progressive en deux étapes utilise AutoDock Vina pour un criblage préliminaire à haut débit de la bibliothèque de composés, suivi d’un re-docking précis avec YASARA, qui élimine les faux positifs issus du criblage à haut débit et génère des complexes protéine-ligand compatibles nativement avec les simulations moléculaires (MD) de YASARA ultérieures afin d’éviter les déviations structurelles causées par la conversion de formats interlogiciels. La stratégie en une étape complète le processus complet via YASARA seul, ce qui simplifie le flux de travail, améliore l’efficacité expérimentale et est pleinement applicable aux objectifs spécifiques de recherche. Lors de la phase de validation, des simulations MD standardisées évaluent la stabilité du complexe ligand-protéine via des métriques principales de la racine quadratique (RMSD) et de la fluctuation quadratique moyenne (RMSF). Ce pipeline unifié et reproductible améliore la fiabilité des études de réseau et d’amarrage et facilite les comparaisons croisées dans la découverte de médicaments computationnels.

Introduction

La pharmacologie des réseaux représente une approche de recherche qui déchiffre les schémas d’interaction entre les médicaments et l’organisme sous une perspective globalede réseau 1. En construisant et en analysant le réseau d’interaction englobant composant-cible-pathologie biologique des médicaments, elle identifie quantitativement les molécules clés, les voies centrales et les mécanismes synergiques par lesquels les médicaments exercent leurs effets. Ce cadre analytique s’aligne avec la norme internationale de la pharmacologie en réseau, qui met l’accent sur l’intégration multi-omiques des données et l’analyse topologique des réseaux, et clarifie finalement les effets thérapeutiques globaux des médicaments, prédit les effets secondaires potentiels ou fournit des orientations systématiques pour le développement de nouveaux médicaments. Une telle stratégie a été appliquée avec succès dans divers domaines, notamment le déchiffrement des voies de signalisation associées aux protéines cibles des anti-inflammatoires non stéroïdiens (AINS) contre la COVID-19, et l’exploration du mécanisme d’action pour traiter des maladies telles que l’ostéosarcome et le diabète de type2 2,3,4. Cet avantage entraîne le changement de paradigme de la découverte de médicaments à cible unique à la découverte multi-cibles en pharmacologie moderne.

Le docking moléculaire est une technique de simulation computationnelle qui utilise la modélisation algorithmique pour évaluer la compatibilité spatiale et la force d’interaction entre les composés de petites molécules et les cibles macromoléculaires biologiques, prédisant ainsi des configurations de liaisonoptimales 5,6. Morris et al. ont introduit AutoDock4 et AutoDockTools4, qui permettent un amarrage automatisé avec une flexibilité sélective des récepteurs ; ces outils sont basés sur la dynamique moléculaire et la géométrie moléculaire, et évaluent la stabilité et l’affinité de la liaison en calculant les différences d’énergie entreles molécules 7. Des outils classiques comme AutoDock utilisent la modélisation semi-flexible des ligand-récepteurs et sont devenus une référence pour évaluer l’affinité de liaison dans ce typede simulations 7.

En découverte de médicaments, les techniques de dépistage en pharmacologie en réseau sont fréquemment employées pour identifier les composants clés, qui sont ensuite validés par docking moléculaire pour évaluer leur liaison avec les protéines cibles, établissant finalement la relation entre le médicament et lamaladie 8. Cependant, les applications actuelles souffrent souvent d’un design expérimental incohérent, de procédures opérationnelles non standardisées et d’étapes de validation manquantes. Une évaluation systématique des études de pharmacologie en réseau liées à la médecine à base de plantes a documenté ce problème généralisé, notant que l’hétérogénéité des données et la validation expérimentale insuffisante conduisent à des résultatsirreproductibles 9. Ces limitations nuisent non seulement à la reproductibilité et à la fiabilité des résultats de recherche, mais entravent aussi la traduction des prédictions computationnelles en validation expérimentale. Contrairement aux études isolées de pharmacologie en réseau qui manquent de validation expérimentale ou de workflows fragmentés avec des paramètres arbitraires, ce protocole intègre les approches avec des seuils standardisés et des opérations étape par étape. Ce cadre élimine la sélection subjective des paramètres, garantissant que le flux de travail peut être reproduit par différents opérateurs avec des résultats cohérents.

Par conséquent, l’établissement de procédures opérationnelles standardisées pour identifier les cibles et voies potentielles des médicaments via un dépistage pharmacologique en réseau, combiné à un amarrage moléculaire pour valider l’activité de liaison médicament-cible, peut fournir des preuves expérimentales pour étudier les mécanismes d’action des médicaments et cribler les candidatsà médicaments 10. Ce protocole est particulièrement adapté au criblage multi-cibles des composants et des petites molécules synthétiques utilisant des bases de données omiciques, chimiques et de structures protéiques accessibles au public ; il n’est pas applicable aux cibles sans structures cristallines résolues, ni au dépistage de médicaments orphelins à cible unique sans réseaux d’interactions liés à la maladie connus.

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

Protocole

Ce protocole ne concerne que des analyses informatiques de bases de données publiques et n’implique pas l’utilisation de sujets humains, d’animaux vertébrés ou de tissus biologiques. Tous les flux de travail résumés décrits dans cette section sont illustrés à la Figure 1.

figure-protocol-1
Figure 1 : Résumé du flux de travail. Les rectangles verts représentent des composants alternatifs de médicaments, les rectangles rouges des maladies, les ellipses jaunes contiennent les sites web et logiciels utilisés, les rectangles orange contiennent les fichiers ou données obtenus, ainsi que les étapes clés, et les losanges violets représentent les résultats finaux requis. Veuillez cliquer ici pour voir une version agrandie de cette figure.

1. Acquisition de composants et cibles de médicaments

  1. Recherchez dans la base de données PubChem (https://pubchem.ncbi.nlm.nih.gov/) en utilisant des noms chimiques comme mots-clés pour obtenir les chaînes SMILES (Simplified Molecular-Input Line-Entry System) correspondantes.
  2. Accédez au site web ADMETlab 3.0 (https://admetlab3.scbdd.com/), sélectionnez l’option Évaluation ADMET sous l’onglet Services, saisissez les chaînes SMILES et cliquez sur le bouton ENVOYER .
  3. Filtrez les résultats de l’ADMET en fonction des indicateurs : Absorption, Distribution, Métabolisme, Excrétion, Toxicité, Chimie médicinale et Règles des Toxicophores. Conservez uniquement les composés qui répondent à tous les critères de seuil prédéfinis pour chaque indicateur (Tableau 1).
  4. Accédez au site ProTox 3.0 (https://tox.charite.de/protox3/index.php?site=home), entrez les chaînes SMILES des composés filtrés, sélectionnez le module TOX PREDICTION , cochez toutes les options de prédiction souhaitées (par exemple, toxicité des organes, cancérogénicité), et exécutez la prédiction.
  5. Éliminez les composés dont les toxicités prévisionnées dépassent les seuils de sécurité prédéfinis sur la base des résultats de ProTox 3.0 (Tableau 2).
  6. Compiler les composés qui passent à la fois le criblage ADMET et ProTox 3.0 dans une base de données structurée composant le médicament (par exemple, format Excel ou CSV) avec des colonnes pour le nom du composé, les SMILES, et le statut de dépistage.
  7. Accédez au site SwissTargetPrediction (https://swisstargetprediction.ch/), sélectionnez Homo sapiens dans le menu déroulant des organismes, saisissez les chaînes SMILES des composants dans la base de données des composants du médicament, cliquez sur le bouton Prédire les cibles , et collectez toutes les cibles prédites avec un score de probabilité supérieur à 0.
  8. Accédez au site web SEA (Similarity Ensemble Approach) (https://sea.bkslab.org/) et entrez les mêmes chaînes SMILES utilisées ci-dessus pour la prédiction de la cible et filtrez les résultats pour ne conserver que les entrées dans le champ Clé Cible qui se terminent par _Human et ont une valeur p inférieure à 0,05.
  9. Combinez les listes de cibles obtenues auprès de SwissTargetPrediction et SEA en une seule bibliothèque de cibles d’action médicamenteuse. Supprimez les cibles dupliquées et standardisez les noms des cibles en symboles géniques officiels (par exemple, en suivant les directives HGNC) via Uniprot (https://www.uniprot.org/).
    REMARQUE : La bibliothèque cible drug-action peut être sauvegardée en fichier CSV pour une utilisation ultérieure.

Tableau 1 : Critères seuils ADMETlab 3.0 pour le dépistage de la sécurité des médicaments. Le tableau résume les valeurs de seuil recommandées et les plages de classification pour les principales propriétés physicochimiques, les paramètres ADME, les interactions métaboliques, les critères de toxicité, les voies de toxicité et les règles des toxicophores. Les prédictions sont classées en trois niveaux de risque (faible, moyen et élevé) selon des valeurs de probabilité (< 0,3, 0,3 - 0,7, > 0,7) ou des plages quantitatives, permettant une évaluation systématique des profils de sécurité des composés lors de la découverte précoce du médicament. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Critères seuils ProTox-3.0 pour la prédiction de toxicité dans la découverte de médicaments. Le tableau résume les principaux critères de toxicité prédits par ProTox 3.0, en mettant l’accent sur les paramètres critiques pour l’évaluation de la sécurité lors de la découverte précoce. Chaque critère indique une classification binaire (Actif ou Inactif) accompagnée d’un score de probabilité (0-1), où Actif indique le risque potentiel de toxicité. La priorité doit être donnée aux toxicités organiques (hépatotoxicité, cardiotoxicité), aux critères de toxicité (cancérogénicité, mutagénicité, immunotoxicité) et à l’inhibition du métabolisme du CYP, car ce sont des causes majeures d’attrition clinique. De multiples résultats actifs sur les critères suggèrent un large potentiel de toxicité et justifient la dépriorisation des composés. La toxicité aiguë est évaluée selon les classes LD50 et GHS prédites, les classes 1 à 3 (< 300 mg/kg) étant considérées comme hautement toxiques. Les scores de probabilité fournissent des niveaux de confiance pour chaque prédiction. Veuillez cliquer ici pour télécharger ce tableau.

2. Acquisition des cibles de maladies

REMARQUE : Lors du criblage des bases de données, standardisez les conventions de nommage des gènes cibles afin d’éviter les omissions causées par des incohérences de nomenclature.

  1. Accédez à cinq bases de données liées aux maladies : OMIM (https://www.omim.org/), Disgenet (https://disgenet.com/), TTD (https://ttd.idrblab.cn/), GeneCards (https://www.genecards.org/) et PharmGkb (https://www.pharmgkb.org/). Appliquer les critères de sélection spécifiques à la base de données suivants : pour les GeneCards, filtrer les entrées avec un score de pertinence ≥ 1,0 ; pour DisGeNET, sélectionner les entrées associées à la maladie cible ; pour PharmGKB, restreindre les résultats aux entrées liées aux gènes en sélectionnant l’option Gène ; pour TTD, conserver les entrées où la colonne Maladie correspond à la maladie cible.
  2. Pour chaque base de données, utilisez le nom officiel de la maladie cible (par exemple, maladie d’Alzheimer) comme mot-clé de recherche afin de récupérer toutes les cibles associées.
  3. Rassemblez les listes de cibles des cinq bases de données dans un seul tableau. Supprimez les cibles dupliquées en comparant les symboles des gènes entre listes.
  4. Standardisez tous les noms de cibles restants en symboles officiels de gènes via Uniprot afin de résoudre les incohérences de nomenclature. Enregistrez la liste standardisée et dédupliquée comme bibliothèque cible de maladies (format CSV ou Excel).
    REMARQUE : La bibliothèque cible de maladies peut être sauvegardée aux côtés de la bibliothèque cible d’action médicamenteuse (Étape 1.9) pour une utilisation ultérieure à l’Étape 3.

3. Acquisition de cibles médicamenteuses communes pour les maladies

  1. Accédez à l’outil web Venny 2.1.0 (https://bioinfogp.cnb.csic.es/tools/venny/). Importez la bibliothèque cible d’action des médicaments (étape 1.9) et la bibliothèque cible de maladies (étape 2.4) dans les deux champs d’entrée de Venny 2.1.0 pour créer un diagramme de Venn montrant le chevauchement entre les deux ensembles cibles.
  2. Extraire les cibles d’intersection à partir des résultats du diagramme de Venn. Les étiqueter comme cibles médicamente-maladie courantes (points d’interaction potentiels) et les enregistrer sous forme de fichier CSV.

4. Construction de réseaux d’interactions protéine-protéine (IPP) et analyse de cibles centrales

  1. Accédez à la base de données STRING (https://cn.string-db.org/). Sélectionnez Homo sapiens comme organisme dans le menu déroulant.
  2. Importez les cibles courantes de maladies médicamenteuses (Étape 3.2) dans le champ d’entrée STRING. Réglez le paramètre minimum requis de score d’interaction à haute confiance (0,700) et cliquez sur Chercher pour générer des données PPI. Exportez les données PPI sous forme de fichier TSV (valeurs séparées par tabulation).
  3. Ouvre le logiciel Cytoscape avec le plugin CytoNCA préinstallé. Importe le fichier PPI TSV dans Cytoscape en utilisant le Réseau Fichier > Importation > Réseau depuis le menu Fichiers .
  4. Lancez le plugin CytoNCA en cliquant sur Applications > CytoNCA > Ouvert. Sélectionnez cinq métriques de référence pour le criblage des cibles principales : Intermédiaire, Proximité, Degré, Vecteur propre et LAC.
    REMARQUE : Cinq métriques topologiques clés utilisées sont à savoir l’intermédiaire (centralité entre les intermédiaires, mesurant la fréquence d’apparition d’une cible sur tous les chemins les plus courts du réseau), la proximité (centralité de proximité, reflétant la longueur moyenne de chemin la plus courte d’une cible à toutes les autres cibles du réseau), le degré (degré de connexion locale, quantifiant le nombre d’interactions directes entre une cible et les autres cibles), le vecteur propre (centralité du vecteur propre, pondérant à la fois la connectivité propre de la cible et l’importance de ses cibles connectées), et la LAC (connectivité moyenne locale, évaluant la densité de connexion entre les nœuds voisins directs d’une cible).
  5. Lancez l’analyse réseau en cliquant sur Outils > menu Analyser réseau , puis cliquez sur OK. Exportez les résultats de l’analyse dans une table CSV.
  6. Calculez la valeur médiane pour les cinq indicateurs et conservez les cibles qui atteignent ou dépassent la médiane. Répétez l’étape 4.5 plusieurs fois jusqu’à ce qu’il reste 10 à 20 cibles.
  7. Classez les cibles restantes selon la métrique de degré (du plus élevé au plus bas) et sélectionnez préliminairement les 10 cibles principales comme gènes centraux. Enregistrez la liste des gènes principaux comme fichier CSV.
    1. Pour réduire les faux positifs et s’assurer que seules des cibles structurellement adaptées passent à l’amarrage, effectuer une évaluation supplémentaire de la faisabilité structurelle et de la toxicomanie : vérifier la base de données PDB pour les structures cristallines à haute résolution disponibles (≤ 2,5 Å) ou évaluer la possibilité de construire un modèle d’homologie fiable ; utiliser des outils de prédiction en poche pour confirmer la présence de sites de liaison appropriés ; et recouper avec la littérature ou les bases de données fonctionnelles pour vérifier la pertinence documentée pour la voie de la maladie.
    2. Déprioriser les cibles qui manquent de disponibilité structurelle, de poches médicamenteuses ou de pertinence maladie pour les études d’amarrage. L’analyse d’enrichissement GO et KEGG peut toujours être réalisée en utilisant la liste complète des cibles de base de cette étape, car elle ne nécessite pas d’informations structurelles.
      REMARQUE : Le nombre de gènes aux étapes 4.6 et 4.7 peut être modifié selon les besoins. En général, 10 à 20 cibles restent après l’étape 4.6, et il est recommandé de maintenir au moins 10 gènes de base à l’étape 4.7 afin d’assurer un volume de données suffisant pour une analyse fiable de l’enrichissement GO et KEGG ainsi que des tendances de visualisation cohérentes.

5. Analyse et visualisation de l’enrichissement GO et KEGG

REMARQUE : Cette partie clarifie les fonctions géniques au niveau des voies cellulaires, fonctionnelles et intracellulaires.

  1. Accédez à l’outil web DAVID (https://davidbioinformatics.nih.gov/home.jsp). Sélectionnez Liste de gènes comme type d’entrée et importez les gènes de base dans le champ d’entrée.
  2. Définissez l’identifiant sur OFFICIAL_GENE_SYMBOL et sélectionnez Homo sapiens dans une espèce sélectionnée. Ensuite, cliquez sur Soumettre la liste pour télécharger les gènes principaux.
  3. Pour l’analyse d’enrichissement GO, sélectionnez les catégories GOTERM_BP_DIRECT, GOTERM_CC_DIRECT et GOTERM_MF_DIRECT .
  4. Pour l’analyse d’enrichissement KEGG, sélectionnez la catégorie KEGG_PATHWAY . Fixez le seuil de signification à p < 0,05 pour les analyses GO et KEGG.
  5. Cliquez sur le tableau d’annotation fonctionnelle pour générer des résultats d’enrichissement. Exportez les résultats GO et KEGG sous forme de fichiers CSV. Utilisez le logiciel R Studio avec ggplot2 pour créer des graphiques à barres ou des bulles pour les 10 termes/chemins enrichis les plus enrichis.
    REMARQUE : Le nombre de termes/parcours affichés peut être ajusté selon les besoins.

6. Amarrage moléculaire utilisant l’Autodock Vina

REMARQUE : Les étapes 6 et 7 sont toutes deux des étapes d’amarrage moléculaire. L’étape 6 utilise le logiciel AutoDock Vina 1.1.2, tandis que l’étape 7 utilise YASARA 10.3.16. L’utilisation de YASARA facilite la simulation moléculaire ultérieure de YASARA. Si les résultats d’amarrage d’AutoDock Vina sont nécessaires, les résultats d’amarrage dans YASARA doivent être cohérents avec ceux d’AutoDock Vina. Cela évite les écarts causés par le passage de commutation logicielle et assure également la fiabilité des résultats de validation de la dynamique moléculaire, avec une méthode détaillée : ouvrir le résultat « result.pdb » de l’étape 6.31 avec LigPlot+ (Version 2.3) pour générer un diagramme d’interaction 2D, identifier les résidus clés interagissant avec le ligand, puis sélectionner les résidus clés de l’étape 7.18 de YASARA, et définir la taille de la boîte pour couvrir la poche de liaison, afin de maximiser la cohérence des sites d’amarrage entre Vina et YASARA. Par la suite, lors de la sélection des résultats d’amarrage optimaux à l’étape 7.19, assurez-vous que les résidus clés d’interaction entre le ligand et le récepteur restent cohérents avec ceux identifiés à partir des résultats de l’AutoDock Vina. Cette exigence de cohérence met l’accent sur la préservation des schémas d’interaction essentiels plutôt que sur la correspondance atomique exacte ; de légères variations dans la conformation des résidus périphériques sont attendues en raison des différences de paramétrisation des champs de force et de flexibilité des chaînes latérales. Tant que les interactions critiques avec les résidus clés du site actif sont conservées, les résultats de l’amarrage peuvent être considérés comme cohérents à des fins de validation croisée. Si l’amarrage AutoDock Vina (Étape 6) n’est pas nécessaire, l’Étape 7 peut être effectuée directement.

  1. Obtenez le SDF (Structure Data File) des composés médicamenteux nommés ligand.sdf dans la base de données PubChem en recherchant les chaînes SMILES correspondantes (Étape 1.1).
  2. Ouvrez les fichiers SDF à l’aide du logiciel Chem3D. Sous l’option Calcul, sélectionnez MM2 et cliquez sur Minimiser l’énergie pour effectuer la minimisation de l’énergie libre de la structure du composé.
  3. Enregistrez la structure minimisée sous forme de fichier ligand.mol2 par sélection Fichier > Enregistrer sous . Obtenez le fichier de format PDB (Protein Data Bank) du récepteur protéique du gène central à partir de la base de données RCSB PDB (https://www.rcsb.org/ ; recherche par ID PDB ou nom du gène) nommé receptor.pdb.
    1. Prioriser les structures avec une résolution ≤ 2,5 Å et des sites de liaison résolus si disponibles. Lors du choix d’une structure, examiner l’entrée pour en vérifier la complétude (par exemple, la présence de tous les domaines attendus, l’absence de grandes boucles non résolues), les mutations potentielles pouvant affecter la liaison des ligands, et la présence de cofacteurs fonctionnellement importants (par exemple, héme, ions métalliques) ou de ligands co-cristallisés.
    2. Pour les cibles dont les assemblages oligomériques sont connus, considérez si la forme monomérique ou multimérique est appropriée pour la question de recherche ; l’assemblage biologique peut être téléchargé si des interactions dimériques ou d’ordre supérieur sont pertinentes. La structure choisie sera préparée davantage aux étapes suivantes, ce qui permet d’éviter les complications en aval.
  4. Ouvrez le receptor.pdb à l’aide du logiciel PyMOL. Tapez remove organic dans la ligne de commande et appuyez sur Entrée pour éliminer les ligands de petites molécules de la structure protéique.
    REMARQUE : Si vous utilisez le ligand co-cristallisé pour définir le site de liaison, notez d’abord les coordonnées 3D du centre du ligand, puis tapez « retirer organique » dans la ligne de commande PyMOL et appuyez sur Entrée pour supprimer les petites molécules co-cristallisées ; sinon, exécutez directement la commande « retirer l’organique » pour retirer les petites molécules co-cristallisées.
  5. Tapez « retirer solvant » dans la ligne de commande et appuyez sur Entrée pour retirer les molécules d’eau libres de la structure protéique ; utilisez la commande select metal_cofactor, resn [nom du résidu cofacteur cible] pour identifier des ions ou cofacteurs métalliques fonctionnellement critiques (par exemple, HEM, Zn2⁺, Mg2⁺) et confirmer leur rétention dans la structure.
  6. Exportez le récepteur nettoyé depuis PyMOL sous forme de receptor_clean.pdb en cliquant sur Fichier > Exporter la molécule > Sauvegarder.
  7. Ouvrez receptor_clean.pdb dans UCSF Chimera 1.19. Affichez la séquence en cliquant sur Outils > Séquence > Séquence pour inspecter la présence de boucles manquantes adjacentes au site de liaison (les régions manquantes sont indiquées par des encadrés de contour rouge). Si des boucles manquantes sont présentes, reconstruisez-les en sélectionnant Modélisateur de Structure > (boucles/affinement) dans le menu de la fenêtre de séquence, en choisissant la structure manquante non terminale, en définissant un nombre approprié de modèles (par exemple 5), puis en procédant au calcul. Après l’achèvement, sélectionnez le modèle le plus raisonnable.
  8. Optimisez la structure dans Chimera. Utilisez l’outil Rotamers (bibliothèque Dunbrack) sur des résidus sélectionnés pour optimiser les chaînes latérales, en ajoutant des Clashes et des Liaisons H via le menu Colonnes pour évaluation et en sélectionnant des conformations avec des collisions minimales (0 - 1 préféré) et des liaisons H favorables. Ajoutez ensuite de l’hydrogène et assignez des charges en utilisant Dock Prep (AMBER ff14SB). Enfin, effectuez la minimisation d’énergie avec l’outil Minimiser la structure, en corrigeant les atomes du syllet en les sélectionnant (sel @ca,c,n,o), en inversant la sélection, et en activant les atomes fixes. Enregistrez la structure traitée sous forme de receptor_optimized.pdb en sélectionnant File > Save PDB.
    REMARQUE : Ignorez l’optimisation de la chaîne latérale pour les résidus bien ordonnés. La préparation du dock gère automatiquement la protonation. La minimisation doit être effectuée avec la colonne vertébrale fixée.
  9. Rouvrir receptor_optimized.pdb dans PyMOL et définir le site de liaison canonique. Si un ligand co-cristallisé est présent, utilisez ses coordonnées pour centrer la grille : enregistrez le centre du ligand, puis retirez-le avec remove organic. Si aucun ligand co-cristallisé n’est disponible, définissez le site de liaison en fonction des résidus clés connus de la littérature (par exemple, sélectionnez binding_site, resi XXX-XXX) ou en identifiant visuellement la poche de liaison présumée à l’aide d’outils de prédiction de poches pour valider l’évaluation visuelle. Notez les coordonnées 3D du centre (x/y/z) du site défini pour la configuration de la boîte de grille.
    REMARQUE : Les coordonnées enregistrées ici sont utilisées pour centrer la grille Vina AutoDock. Pour une définition basée sur les résidus, le centre géométrique des résidus sélectionnés doit être calculé ; pour une poche identifiée visuellement ou par des outils de prédiction, le centre de la cavité est utilisé. Lors de la définition du site de liaison, il faut considérer si la stratégie d’amarrage visée cible le site orthostérique (actif) ou allostérique. Pour le ciblage orthostérique, le site de liaison doit être défini sur la base d’un ligand co-cristallisé ou de résidus conservés du site actif rapportés dans la littérature. Pour le ciblage allostérique, des outils de prédiction de poches peuvent être utilisés pour identifier des sites allostériques potentiels, en particulier pour des cibles avec des régulations allostériques connues. En l’absence d’informations préalables, l’amarrage global suivi d’un regroupement des points chauds de liaison prévisionnels peut aider à identifier les sites allostériques potentiels. Cette flexibilité permet au protocole d’accueillir à la fois des campagnes de découverte de médicaments orthostériques et allostériques.
  10. Exportez la structure optimisée finale de PyMOL sous le format receptor.pdb en cliquant sur Fichier > Exporter la molécule > Sauvegarder.
  11. Ouvrez receptor.pdb dans AutoDock Tools 4.2.6 en cliquant sur Fichier > lire la molécule. Définir les résidus flexibles. Cliquez sur Modifier > Résidus flexibles > Sélectionnez les résidus du site de liaison et choisissez les résidus du site de liaison qui devraient subir des modifications conformationnelles lors de la liaison des ligandes (sélectionnez ≤ 10 résidus).
    REMARQUE : Cette étape permet à certaines chaînes latérales de se déplacer pendant l’amarrage, en tenant compte des effets d’ajustement induits.
  12. Sauvegardez le récepteur avec des résidus flexibles sous forme de fichier PDB. Cliquez sur Fichier > Sauvegarder, sélectionnez Écrire PDB dans le menu déroulant. Dans la fenêtre des enregistrements PDB disponibles, cochez ATOM et CONNECT, cliquez sur AJOUTER puis sur OK. Enregistrez le fichier sous le nom receptor.pdb.
    REMARQUE : Ce fichier PDB contient des informations sur les résidus flexibles et sera utilisé pour générer le fichier PDBQT.
  13. Préparez la macromolécule pour l’amarrage. Cliquez sur Grille > Macromolécule > Choisir, sélectionnez le fichier receptor.pdb , puis cliquez sur Sélectionner la molécule. Enregistrez le récepteur en fichier PDBQT en cliquant sur Fichier > Enregistrer sous et en nommant-le receptor.pdbqt.
    REMARQUE : AutoDock Tools attribue des charges et des types d’atomes, enregistrant le récepteur dans le format natif PDBQT d’AutoDock, prêt pour la génération de boîtiers de grille et les calculs d’amarrage.
  14. Cliquez sur le menu Ligand , sélectionnez Entrée, puis cliquez sur Ouvrir. Sélectionnez ligand.mol2 et cliquez sur OK. Cliquez sur le menu Ligand , sélectionnez Torsions, puis cliquez sur Détecter les torsions. AutoDock Tools identifiera automatiquement les liaisons rotatives dans la structure des ligands (par exemple, liaisons simples dans les chaînes alkyles, liaisons amides excluant les liaisons peptidiques).
  15. Dans la fenêtre de sélection de torsion, vérifiez les liaisons rotatives détectées (conservez toutes les liaisons rotatives valides, excluez les liaisons rigides comme les liaisons en anneau aromatique). Cliquez sur Définir pour confirmer les définitions de torsion, puis cliquez sur Fermer.
    REMARQUE : Le maintien de liaisons rotatives valides garantit que le ligand peut adopter différentes conformations lors de l’amarrage (ligand flexible), tout en maintenant le récepteur rigide — c’est le cœur de l’amarrage semi-flexible dans AutoDock Vina.
  16. Cliquez à nouveau sur le menu Ligand , sélectionnez Sortie, puis cliquez sur Enregistrer en PDBQT. Nommez le fichier ligand.pdbqt et enregistrez-le dans le même dossier que receptor.pdbqt.
  17. Cliquez sur le menu Afficher , sélectionnez Structure secondaire. Cliquez sur Afficher uniquement, puis sélectionnez Lignes et cliquez sur Désafficher pour simplifier la vue protéique.
  18. Cliquez sur le menu Grille , sélectionnez Boîte de grille. Ajustez les valeurs x, y, z (coordonnées centrales) et Espacement (Å) pour positionner la case au-dessus du site actif de la protéine.
    REMARQUE : Si le site de liaison est inconnu, utilisez des outils de prédiction des poches (par exemple, CASTp, DoGSite) pour identifier les poches de liaison présumées. Couvrir l’ensemble de la protéine augmente significativement les faux positifs et le coût informatique et n’est pas recommandé.
  19. Cliquez sur Fichier > Fermer l’enregistrement du courant, puis cliquez sur Grille > Sortie > Enregistrer GPF pour enregistrer les paramètres de la grille sous le nom de Grid.gpf.
  20. Ouvrez Grid.gpf avec un éditeur de texte et enregistrez le centre de la grille (valeurs x, y, z) et les npts (valeurs de taille x, y, z) à partir du fichier.
  21. Créez un nouveau fichier texte nommé Config.txt et tapez le contenu suivant :
    récepteur = récepteur.pdbqt
    ligand = ligand.pdbqt
    center_x = [centre de grille x valeur de Grid.gpf]
    center_y = [valeur y du centre de grille de Grid.gpf]
    center_z = [valeur z du centre de grille de Grid.gpf]
    size_x = [npts x valeur de Grid.gpf]
    size_y = [npts y valeur de Grid.gpf]
    size_z = [valeur npts z de Grid.gpf]
    energy_range = 5
    num_modes = 10
    Remplacez le texte crocheté par des valeurs de Grid.gpf (Étape 6.19).
    REMARQUE : Le paramètre energy_range doit être défini comme la différence d’énergie maximale autorisée par rapport au modèle combiné optimal, avec des unités en kcal/mol. Par exemple, le fixer à 5 signifie qu’AutoDock Vina mettra fin aux calculs une fois que la différence d’énergie avec le modèle optimal atteint 5 kcal/mol. De plus, num_modes spécifie le nombre de modèles de liaison à générer, qui est généralement fixé à 10.
  22. Placez les fichiers vina_split.exe et vina.exe dans le même dossier que receptor.pdbqt, ligand.pdbqt, et Config.txt.
  23. Ouvrez la console Windows System, naviguez vers le répertoire à l’aide de la commande cd (par exemple, cd C :\DockingFiles).
  24. Tapez la commande suivante et appuyez sur Entrée : vina.exe --config config.txt --log log.txt --out output.pdbqt
  25. Attendez que l’amarrage soit terminé (la durée varie selon le système). Deux fichiers apparaîtront : log.txt (résultats d’amarrage) et output.pdbqt (structure de ligands à énergie la plus basse). Pour garantir la reproductibilité, trois parcours d’amarrage indépendants sont effectués avec différentes graines aléatoires. Un RMSD < 1,0 Å parmi les premières positions confirme la cohérence.
    REMARQUE : À titre empirique, les énergies de liaison Vina AutoDock (kcal/mol) peuvent être interprétées comme : ≤ -7 (haute affinité, potentielles conformations actives), -7 à -5 (affinité modérée), ≥ -5 (faible affinité). Ces seuils dépendent du système et doivent être validés avec des données expérimentales.
    1. Pour évaluer la précision de l’amarrage et la capacité de discrimination pour une cible spécifique, deux approches complémentaires de validation sont recommandées. Utiliser la validation de réaccouplement utilisant des ligands cristallographiques pour évaluer si le protocole peut reproduire des modes de liaison observés expérimentalement, RMSD < 2,0 Å servant de critère d’acceptation standard.
    2. Utiliser l’analyse d’enrichissement à l’aide de jeux de données de référence publics (par exemple, DUD-E) pour évaluer la capacité du protocole à distinguer les composés actifs véritables des leurres appariés par propriété ; cela implique le calcul de courbes ROC (fournissant une mesure globale de la performance de classification) et de facteurs d’enrichissement tels que EF1 % (quantifiant l’enrichissement des actifs dans la fraction la plus classée). Ensemble, ces étapes de validation aident à établir des seuils d’affinité appropriés et à garantir une performance de dépistage fiable pour la classe cible d’intérêt.
  26. Ouvrez le logiciel PyMOL. Importez output.pdbqt et receptor.pdbqt en cliquant sur Fichier > Ouvrir. Enregistrez la structure combinée sous result.pdb en cliquant sur Fichier > Enregistrer sous .
  27. Videz l’espace de travail PyMOL en cliquant sur Fichier > Nouvelle session, puis rouvrez result.pdb pour visualiser le complexe ligand-protéine.

7. Amarrage moléculaire avec YASARA

REMARQUE : Cette étape sert de re-docking précis et de pré-traitement pour la simulation de dynamique moléculaire (MD) ultérieure et constitue une vérification progressive des résultats de dépistage préliminaire à haut débit de l’étape 6. L’étape 6 utilise AutoDock Vina, l’outil de référence pour le criblage virtuel à haut débit, pour filtrer rapidement les molécules candidates avec une excellente affinité de liaison dans la bibliothèque de composés. Cette étape adopte YASARA pour l’amarrage, car son module d’amarrage est entièrement compatible avec la plateforme de simulation MD YASARA, ce qui permet d’éviter les déviations structurelles dues à la conversion de formats de fichiers et de la commutation logicielle, et fournir une structure complexe initiale standardisée pour la simulation MD ultérieure. Pour toutes les molécules candidates sélectionnées par AutoDock Vina à l’étape 6, les résultats d’amarrage (y compris la position de liaison dans la poche active et les interactions clés des acides aminés) doivent être cohérents avec ceux d’AutoDock Vina, et le classement relatif de l’affinité de liaison doit maintenir la même tendance avant la simulation MD. Les scores absolus d’amarrage ne sont pas directement comparables entre les deux logiciels en raison de différences d’algorithmes de calcul. Cette exigence de cohérence peut éliminer les faux positifs causés par des différences logicielles, garantir la stabilité des caractéristiques de liaison des molécules candidates et garantir la fiabilité ainsi que la continuité logique des validations ultérieures des simulations MD.

  1. Utilisez OpenBabel pour convertir le fichier ligand.sdf en fichier ligand.pdb.
    REMARQUE : OpenBabel est utilisé ici uniquement pour la conversion de format. La paramétrisation effective du ligand pour la dynamique moléculaire sera effectuée automatiquement par YASARA dans les étapes suivantes.
  2. Ouvre le logiciel YASARA. Clique sur Fichier > Charger et sélectionne ligand.pdb pour importer le ligand. Clique sur Modifier > Nettoyer > Tout pour supprimer les défauts structurels du ligand.
    REMARQUE : Cette étape effectue un nettoyage de géométrie de base. YASARA attribuera ensuite automatiquement des paramètres de champ de force au ligand en utilisant sa technologie AutoSMILES intégrée, qui applique les charges du champ de force AMBER général (GAFF) et AM1-BCC pour garantir la compatibilité avec le champ de force AMBER14 utilisé pour la protéine. Cette paramétrisation est essentielle pour des calculs énergétiques précis tant dans les simulations d’amarrage que de MD.
  3. Cliquez sur Options > pH par défaut, sélectionnez le pH approprié (par exemple, 7,4 pour les troubles physiologiques), puis cliquez sur OK.
  4. Cliquez sur Dock > Force Field pour définir le champ de force d’amarrage, assurant la cohérence des paramètres avec les simulations MD ultérieures.
    REMARQUE : AMBER14 est le champ de force recommandé pour ce flux de travail de découverte de médicaments dans YASARA 10.3.16, car il offre une couverture complète des paramètres pour les protéines et est entièrement compatible avec les protocoles de simulation MD standards. Pour les résidus protéiques standards, les paramètres sont automatiquement attribués à partir des modèles intégrés du champ de force. Pour les ligands de petites molécules, YASARA effectue automatiquement la paramétrisation grâce à sa technologie AutoSMILES intégrée, qui attribue des types d’atomes GAFF (General AMBER Force Field) et des charges AM1-BCC. Cela garantit la compatibilité entre les paramètres protéiques et ligands, permettant des calculs énergétiques précis à la fois en simulation d’amarrage et de MD. Un champ de force plus approprié peut être sélectionné en fonction de la version réelle de YASARA utilisée et des caractéristiques spécifiques du système.
  5. Cliquez sur Simulateur > Définir la cellule de simulation > autour de tous les atomes pour définir la limite de fonctionnement. Cliquez sur Simulateur > Limites de cellule > Périodique pour permettre des conditions aux limites périodiques.
  6. Cliquez sur Options > Choisir l’expérience > minimisation de l’énergie, puis cliquez sur Exécuter pour minimiser l’énergie du ligand.
  7. Cliquez sur Fichier > Enregistrer sous , nommez le fichier ligand.pdb, puis cliquez sur OK pour écraser le fichier PDB original du ligand. Cliquez sur Fichier > Nouveau pour vider l’espace de travail, puis cliquez sur Fichier > Charger et sélectionnez le fichier receptor.pdb.
  8. Répétez les étapes 7.2 à 7.7 pour le récepteur protéique, en enregistrant le fichier traité comme nouveau fichier receptor.pdb.
  9. Cliquez sur Fichier > Nouveau, puis sur Fichier > Charger et sélectionnez à la fois ligand.pdb et receptor.pdb. Répétez les étapes 7.3 à 7.5 pour définir le pH, définir la cellule de simulation et activer des frontières périodiques pour le complexe.
  10. Cliquez sur Processeurs > Définir CPU et sélectionnez le nombre de cœurs CPU à utiliser. Cliquez sur Processeurs > Définir GPU et sélectionnez le périphérique GPU pour accélérer les calculs.
  11. Cliquez sur fichier > enregistrer en tant que > scène YASARA, nommez le fichier sce\nesult.sce (créez le dossier sce s’il n’existe pas), puis cliquez sur OK.
  12. Cliquez sur Options > Macro&Movie > Définir la cible, sélectionnez sce\nesult.sce, puis cliquez sur OK. Cliquez sur Options > macro & Film > Lecture, sélectionnez le fichier macro dock_run.mcr , puis cliquez sur OK.
  13. Cliquez sur Simulateur > Définir la cellule de simulation > autour des atomes sélectionnés et répétez 7,5, puis cliquez sur Continuer pour lancer l’amarrage.
  14. Attendre la fin de l’amarrage. Des fichiers avec le suffixe yob seront générés ; name.log contient l’énergie de liaison et les résidus de récepteur de contact.
    REMARQUE : Pour garantir la rationalité de la validation de la simulation de dynamique moléculaire, sélectionnez le résultat d’amarrage dans YASARA qui est cohérent avec le résultat d’amarrage d’AutoDock Vina.

8. Simulation de la dynamique moléculaire

  1. Cliquez sur Fichier > Nouveau pour vider l’espace de travail. Ensuite, cliquez sur Fichier > Charger > objet YASARA et sélectionnez result.yob.
  2. Dans le panneau CONTENU SCÈNE (côté droit), développez toutes les entrées Mol. Cliquez sur Modifier > Séparer > objet, sélectionnez tous les contenus Mol dans le panneau Séquence, puis cliquez sur OK.
  3. Cliquez sur Modifier > Rejoindre > objet, sélectionnez tous les contenus Mol sauf les première et dernière entrées (ligand), puis cliquez sur OK. Sélectionnez la première entrée Mol et cliquez à nouveau sur OK pour rejoindre la protéine.
  4. Procédez à la renumérotation des composants. Sélectionnez Renuméroter sous Modifier et cliquez sur Objets. Cela génère deux parties : la première partie est le complexe protéine-récepteur, et la seconde est le ligand de petite molécule.
  5. Cliquez sur Modifier > Transfer, puis cliquez sur l’option Objet dans la liste déroulante. Dans le panneau Séquence, sélectionnez d’abord la teneur en ligand de petite molécule en cliquant sur l’entrée correspondante. Ensuite, sélectionnez la teneur en récepteur protéique en cliquant sur son entrée et cliquez sur OK pour confirmer la paire de sélection.
  6. Dans la fenêtre pop-up suivante, cochez l’option commençant par Réparer les atomes à l’écran pendant le transfert, puis cliquez sur OK.
  7. Répétez les étapes 7.2 à 7.5, puis cliquez sur Simulateur > Température et sélectionnez 298K. Cliquez sur Fichier > Enregistrer comme > Scène YASARA, nomme le fichier sce\nesultrun.sce, puis cliquez sur OK.
  8. Cliquez sur Fichier > Nouveau pour vider l’espace de travail. Ensuite, cliquez sur Options > Macro&Movie > Définir la cible, sélectionnez sce\nesultrun.sce, puis cliquez sur OK.
  9. Assurez-vous que le champ de force sélectionné à l’étape 7.4 est également utilisé pour la simulation MD ; la macro md_run.mcr hérite généralement des réglages actuels du champ de force. Cliquez sur Options > macro Vidéo > Lecture, sélectionnez le fichier macro md_run.mcr , puis cliquez sur OK pour lancer la Simulation de Dynamique Moléculaire.
  10. Effectuer trois simulations MD indépendantes (3 x 100 ns) avec différentes vitesses initiales pour le complexe protéine-ligand et effectuer une analyse statistique des trois trajectoires afin d’assurer la fiabilité des résultats. Pendant l’opération, des fichiers au format sim seront générés. Par exemple, si la trajectoire est enregistrée tous les 100 ps, une simulation à 100 ns générera 1000 fichiers avec le suffixe sim.
  11. Une fois l’étape 8.10 terminée, cliquez sur Options > Macro&Movie > Définir la cible, sélectionnez le fichier sce\nesultrun.sce , puis cliquez sur OK.
  12. Cliquez sur Options > macro & Film > Lecture, sélectionnez md_analyze.mcr, md_analyzebindenergy.mcr et md_analyzeres.mcr puis cliquez sur OK.
  13. Après la fin des trois analyses, les fichiers de données correspondants result_run_analysis.tab, result_run_bindenergy.tab et result_run_analysisres.tab seront générés.
  14. Tout d’abord, analysez result_run_analysis.tab, qui fournit 10 paramètres clés : énergie (énergie totale du système), liaison (énergie de liaison), angle (énergie d’angle de liaison), dièdre (énergie d’angle diédrique), Planarité (énergie de planarité), coulomb (énergie électrostatique), VdW (énergie de van der Waals), CA (Cα RMSD de la protéine RMSD), Backbone (RMSD de la protéine dorsale), et HeavyAtoms (RMSD atome lourd).
  15. Extraire la colonne Temps (ns) et les colonnes de paramètres correspondantes pour évaluer si le système atteint l’équilibre énergétique. Confirmer la stabilité du système en stabilisant l’énergie potentielle dans une plage de fluctuation étroite après les 10 à 20 ns initiaux. Évaluer la stabilité conformationnelle en surveillant la déviation de la racine quadratique moyenne (RMSD) des atomes de Cα, de la colonne vertébrale des protéines et des atomes lourds. La simulation a été jugée structurellement stable une fois que ces valeurs RMSD ont atteint un plateau.
  16. En tant que points de référence empiriques pour les complexes protéine–ligand de taille typique, les valeurs RMSD de Cα et de la colonne vertébrale plafonnant en dessous de 2,5 Å, ainsi que les RMSD d’atomes lourds inférieures à 3,5 Å, peuvent être considérées comme des indicateurs de soutien de la stabilité conformationnelle. Il est crucial d’utiliser le critère principal et obligatoire et la présence d’une phase de plateau claire dans la trajectoire RMSD, plutôt que de respecter strictement ces valeurs numériques seules.
    REMARQUE : Ces valeurs seuils sont empiriques et doivent être interprétées dans le contexte de la taille et de la flexibilité spécifiques de la protéine. L’indicateur décisif de convergence est un plateau soutenu, indiquant que la structure s’est stabilisée autour d’un ensemble conformationnel cohérent.
  17. Ensuite, analysez result_run_bindenergy.tab, qui fournit l’énergie de liaison entre le ligand et la cible sur la trajectoire de simulation. Calculez l’énergie moyenne de liaison sur toute la période de simulation. Dans la mise en œuvre MM-PBSA de YASARA, des valeurs plus positives indiquent une liaison plus forte. Une interaction modérément forte et stable est généralement indiquée par une énergie de liaison moyenne positive et suffisamment élevée (la valeur numérique spécifique dépend du système mais peut être calibrée selon des liants connus ou des données expérimentales), ainsi qu’un écart-type faible par rapport à la moyenne (par exemple, coefficient de variation < 50 - 60 %), reflétant une fluctuation limitée pendant la simulation.
    REMARQUE : L’énergie de liaison rapportée à cette étape est calculée à l’aide de la méthode rigoureuse MM-PBSA, contrairement au macro par défaut de l’énergie de liaison YASARA qui utilise une approximation plus rapide (BoundaryFast). L’approximation par défaut convient au criblage rapide ou aux comparaisons relatives, tandis que la méthode MM-PBSA est recommandée pour obtenir des énergies absolues libres de liaison plus précises. Comme l’a explicitement indiqué l’auteur dans l’en-tête macro YASARA : Plus d’énergies positives indiquent une meilleure liaison, les énergies négatives N’INDIQUENT PAS de liaison. Par conséquent, les utilisateurs doivent interpréter les valeurs positives comme indicatrices d’une liaison plus forte, la magnitude numérique dépendant du système protéine-ligand spécifique.
  18. Enfin, analysez le fichier result_run_analysisres.tab, qui fournit des données par résidu incluant l’ID résidu, le RMSD, le RMSD Backbon, le RMSD HeavyAtoms et le RMSF. Concentrez l’analyse sur la phase de production stable identifiée. D’abord, identifiez les résidus dans le site actif de la cible (par exemple, ceux situés à moins de 5 Å du ligand). Ensuite, utilisez les données pour évaluer la stabilité conformationnelle de ces résidus individuels du site actif pendant la simulation.
    REMARQUE : En tant que points de référence empiriques pour les résidus stables en site actif dans les complexes protéine-ligand, les valeurs RMSF inférieures à 1,0 Å et les fluctuations RMSD dans un délai de 1 à 1,5 Å pendant la phase stable sont généralement considérées comme indicatives de conformations locales bien maintenues. Des résidus avec RMSF dépassant 2,0 Å peuvent indiquer une plus grande flexibilité ; de tels résidus doivent être cartographiés sur la structure tridimensionnelle afin de déterminer s’ils correspondent à des régions flexibles fonctionnellement pertinentes (par exemple, boucles ou surfaces superficielles) ou s’ils indiquent une instabilité potentielle au sein de la poche de liaison. Ces lignes directrices numériques ne sont pas des règles absolues ; le critère principal est l’absence de dérive conformationnelle importante, qui doit être évaluée en conjonction avec la convergence globale du système établie.
  19. Une fois les fichiers de données organisés, importez les données organisées dans Prism pour générer les graphiques correspondants.

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

Résultats

À la suite de l’analyse pharmacologique en réseau de la loratadine contre la rhinite allergique (RA), l’interaction entre la loratadine et PTGS2 a été sélectionnée comme étude de cas représentative pour illustrer l’application étape par étape du protocole de simulation d’amarrage moléculaire et de simulation MD. Cet exemple vise à démontrer l’exécution du flux de travail et l’interprétation des données, plutôt qu’à fournir une validation biologique de l’interaction spécifique. Pour l’éva...

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

Discussion

Importance et étapes cruciales
Ce protocole combine pharmacologie en réseau, docking moléculaire et simulation dynamique moléculaire, ce qui offre des avantages distincts par rapport aux méthodes autonomes ou aux flux de travail à double combinaison, et peut aider à corriger les inefficacités clés et les lacunes de fiabilité dans la découverte actuelle de médicaments. L’ensemble du processus repose sur trois étapes critiques qui garantissent sa fiabilité, chacune répo...

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

Déclarations de divulgation

Tous les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

Programme national clé de R&D de Chine (2024YFC3506300, 2024YFC3506301), Discipline clé de haut niveau de l’administration nationale de la médecine traditionnelle chinoise - Médecine constitutionnelle traditionnelle chinoise (n° zyyzdxk-2023251), Programme général de la Fondation nationale des sciences naturelles de Chine (82204948), Plan de percée des disciplines fondamentales et interdisciplinaires du ministère de l’Éducation de Chine (JYB2025XDXM612), Projets spéciaux majeurs en science et technologie dans la province du Hubei (2023BCA005), projet de recherche des scientifiques en chef du laboratoire Shizhen du Hubei (HSL2024SX0002)

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

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
ADMETlab 3.0Institut de Matéria Médicale de Shanghai (SIMM), Académie chinoise des sciencesN/Aplateforme en ligne pour la prédiction des propriétés ADMET (Absorption, Distribution, Métabolisme, Excrétion, Toxicité) ; utilisé pour évaluer les profils pharmacocinétiques et toxicologiques des ligands (URL :  ; https://admetlab3.scbdd.com/)
Outils d’AutoDock (AutoDock 4)L’Institut de recherche ScrippsAutoDock 4.2.6suite logicielle pour simulations d’amarrage moléculaire ; comprend AutoDock 4 pour l’amarrage et AutoDockTools (ADT) pour la préparation de fichiers d’entrée de protéines et de ligands (ajout d’hydrogènes, attribution de charges, création de liaisons rotatives), définition des grilles d’amarrage et analyse des résultats d’amarrage.
AutoDock VinaL’Institut de recherche ScrippsAutoDock Vina 1.1.2logiciel d’amarrage moléculaire open source ; Utilisé pour prédire les affinités et positions de liaison entre les ligands de petites molécules et les récepteurs protéiques
Chem3DPerkinElmer InformaticsChem3D 2024Logiciels de modélisation moléculaire ; utilisé pour construire, optimiser et visualiser des structures 3D de ligands de petites molécules
CytoscapeConsortium Cytoscape (Institut de biologie des systèmes)Cytoscape 3.10.3Logiciels open source pour visualiser et analyser des réseaux biologiques ; Utilisé pour construire et éditer des réseaux d’interactions gène/protéine
DAVID (Base de données pour l’annotation, la visualisation et la découverte intégrée)Institut national des allergies et des maladies infectieuses (NIAID), États-UnisN/Aoutil en ligne pour l’annotation fonctionnelle et l’analyse d’enrichissement ; utilisé pour réaliser des analyses d’enrichissement des voies GO (Gene Ontology) et KEGG (Kyoto Encyclopedia of Genes and Genomes) des gènes cibles (URL :  ; https://david.ncifcrf.gov/)
Base de données DisGeNETCentre de Supercalcul de Barcelone (BSC)N/ABase de données des associations gène-maladie ; utilisé pour identifier des gènes liés à des maladies spécifiques (URL :  ; https://disgenet.com/)
Base de données GeneCardsInstitut Weizmann des sciencesN/ABase de données intégrative des gènes humains ; utilisé pour obtenir des informations génétiques complètes (par exemple, expression, fonction, associations de maladie) (URL :  ; https://www.genecards.org/)
LigPlusLaboratoire européen de biologie moléculaire - Institut européen de bioinformatique (EMBL-EBI)LigPlus 2.3Logiciel pour générer automatiquement des diagrammes d’interaction protéine-ligand 2D à partir de fichiers de coordonnées 3D  ;. Il représente schématiquement les liaisons hydrogène, les contacts hydrophobes et les résidus du site de liaison   ;. Disponible à l’inscription via un e-mail académique à l’adresse suivante : https://www.ebi.ac.uk/thornton-srv/software/LigPlus/  ;.
Base de données OMIMÉcole de médecine de l’Université Johns Hopkins (en collaboration avec le NCBI)N/AHéritage mendélien en ligne chez l’homme ; utilisé pour récupérer des informations sur les troubles génétiques et leurs gènes associés (URL :  ; https://www.omim.org/)
OpenBabelÉquipe de développement OpenBabelN/Aboîte à outils chimique open source ; utilisé pour convertir des formats de fichiers moléculaires (par exemple, de .mol2 à .pdb) entre différentes plateformes logicielles
Base de données PharmGKBUniversité StanfordN/ABase de connaissances en pharmacogénomique ; utilisé pour récupérer des informations sur les interactions gène-médicament et les variantes pharmacogénomiques (URL :  ; https://www.pharmgkb.org/)
PrismeLogiciel GraphPadPrism 9Utilisé pour la création de graphiques scientifiques, l’analyse de données (par exemple, tracer des courbes de distribution d’énergie de liaison, analyser des barres d’erreur) et générer des chiffres de qualité de publication.
ProTox 3.0Charité ; - Universitä ; Tsmedizin Berlin, AllemagneN/AOutil en ligne pour prédire les points toxicologiques des petites molécules ; utilisé pour évaluer la toxicité potentielle des ligands candidats (URL :  ; https://tox.charite.de/protox3/index.php?site=home)
Base de données PubChemCentre national d’information biotechnologique (NCBI), États-UnisN/ABase de données publique d’informations chimiques ; utilisé pour récupérer des structures 2D/3D et des propriétés physicochimiques des ligands de petites molécules (URL :  ; https://pubchem.ncbi.nlm.nih.gov/)
PyMOLSchrö ; dinger, LLCPyMOL 2.6.1Logiciels de visualisation moléculaire ; Utilisé pour visualiser, éditer et générer des images de haute qualité des complexes protéine-ligand
R StudioPosit, PBCRstudio 2025.09.1+401Environnement de développement intégré (IDE) pour la programmation R ; utilisé pour l’analyse statistique des données biologiques et la génération de graphiques GO/KEGG
Base de données RCSB PDBCollaboratoire de recherche en bioinformatique structurale (RCSB)N/ABase de données des structures protéiques ; utilisé pour récupérer les structures 3D des récepteurs protéiques au format PDB (URL :  ; https://www.rcsb.org/)
SEA (Approche d’ensemble de similarité)L’Institut de recherche ScrippsN/AOutil en ligne pour la prédiction de cibles basée sur la similarité chimique ; utilisé pour compléter SwissTargetPrediction afin de confirmer les cibles de ligands (URL :  ; https://sea.bkslab.org/)
STRINGConsortium STRING (EBI, SIB, etc.)N/ABase de données des interactions protéine-protéine connues et prédites ; utilisé pour construire des réseaux d’interactions gène/protéine (URL :  ; https://string-db.org/)
SwissTargetPredictionInstitut suisse de bioinformatique (SIB)N/AServeur en ligne pour prédire les cibles protéiques potentielles de petites molécules ; utilisé pour identifier les récepteurs candidats aux ligands (URL :  ; http://swisstargetprediction.ch/)
Base de données TTDInstitut de découverte et de développement de médicaments (IDRBL), Université Sun Yat-senN/ABase de données des cibles thérapeutiques ; utilisé pour récupérer des informations sur des cibles médicamenteuses validées et potentielles (URL :  ; https://db.idrblab.net/ttd/)
Chimère de l’UCSFRessource pour le biocalcul, la visualisation et l’informatique (RBVI), Université de Californie, San FranciscoUCSF Chimera 1.19Logiciels de visualisation et d’analyse moléculaire ; utilisé pour la préparation de la structure protéique, incluant la reconstruction des boucles manquantes (via interface Modélisateur), l’optimisation des chaînes latérales (bibliothèque de rotameurs de Dunbrack), l’ajustement de l’état de protonation et la minimisation de l’énergie avec le champ de force AMBER ff14SB. La version 1.19 (publiée en mars 2025) corrige les capacités de récupération de la structure PDB. Disponible gratuitement pour un usage non commercial à l’adresse de   ; https://www.cgl.ucsf.edu/chimera/  ;.
Base de données UniProtUniProt Consortium (EBI, SIB, PIR)N/ABase de données complète de la séquence et de la fonction des protéines ; utilisé pour récupérer des séquences protéiques, des structures et des annotations fonctionnelles (URL :  ; https://www.uniprot.org/)
Venny 2.1.0Centro Nacional de Biotecnologie & Acute ; a (CNB-CSIC), EspagneN/Aoutil en ligne pour générer des diagrammes de Venn ; utilisé pour visualiser les chevauchements entre ensembles de gènes (par exemple, les gènes cibles provenant de différentes bases de données) (URL :  ; https://bioinfogp.cnb.csic.es/tools/venny/)
YASARAYASARA BiosciencesYASARA 10.3.16Logiciels de modélisation moléculaire et de simulation ; utilisé pour l’amarrage moléculaire (étape 3.7) et les simulations de dynamique moléculaire ultérieures afin de valider les résultats de l’amarrage

Références

  1. Hopkins, A. L. Network pharmacology: The next paradigm in drug discovery. Nat Chem Biol. 4 (11), 682-690 (2008).
  2. An, W., et al. Mechanisms of rhizoma coptidis against type 2 diabetes mellitus explored by network pharmacology combined with molecular docking and experimental validation. Sci Rep. 11 (1), 20849(2021).
  3. Hu, M., et al. Use of network pharmacology and molecular docking to explore the mechanism of action of curcuma in the treatment of osteosarcoma. Sci Rep. 13 (1), 9569(2023).
  4. Oh, K. K., Adnan, M., Cho, D. H. Network pharmacology approach to decipher signaling pathways associated with target proteins of NSAIDs against COVID-19. Sci Rep. 11 (1), 9606(2021).
  5. Kuntz, I. D., Blaney, J. M., Oatley, S. J., Langridge, R., Ferrin, T. E. A geometric approach to macromolecule-ligand interactions. J Mol Biol. 161 (2), 269-288 (1982).
  6. Sahu, M. K., Nayak, A. K., Hailemeskel, B., Eyupoglu, O. E. Exploring recent updates on molecular docking: Types, method, application, limitation & future prospects. Int J Pharma Res Allied Sci. 13 (2), 24-40 (2024).
  7. Morris, G. M., et al. Autodock4 and autodocktools4: Automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  8. Li, C., et al. Characterization of the molecular mechanisms underlying lurasidone-induced acute manic episodes in bipolar depression: A network pharmacology and molecular docking approach. CNS Neurosci Ther. 31 (4), e70383(2025).
  9. Lee, W. Y., et al. Evaluating current status of network pharmacology for herbal medicine focusing on identifying mechanisms and therapeutic effects. J Adv Res. 76, 799-815 (2025).
  10. Shahzadi, Z., et al. Network pharmacology and molecular docking: Combined computational approaches to explore the antihypertensive potential of Fabaceae species. Bioresour Bioprocess. 11 (1), 53(2024).
  11. Che, X., Zhang, L. Blind docking methods have been inappropriately used in most network pharmacology analysis. Front Pharmacol. 16, 1566772(2025).
  12. Ren, M., Ma, J., Qu, M. Network pharmacology integrated with molecular docking and molecular dynamics simulations to explore the mechanism of shaoyao gancao tang in the treatment of asthma and irritable bowel syndrome. Medicine .(Baltimore). 103 (50), e40929(2024).
  13. Jorgensen, W. L. The many roles of computation in drug discovery. Science. 303 (5665), 1813-1818 (2004).
  14. Gao, L., et al. Molecular dynamics simulation-driven focused virtual screening and experimental validation of fisetin as an inhibitor of Helicobacter pylori htra protease. Mol Divers. 29 (6), 6243-6258 (2025).
  15. Schaefer, M. H., Serrano, L., Andrade-Navarro, M. A. Correcting for the study bias associated with protein-protein interaction measurements reveals differences between protein degree distributions from different cancer types. Front Genet. 6, 260(2015).
  16. Richter, S., Fetzer, I., Thullner, M., Centler, F., Dittrich, P. Towards rule-based metabolic databases: A requirement analysis based on KEGG. Int J Data Min Bioinform. 13 (3), 289-319 (2015).
  17. Gu, S., et al. Benchmarking ai-powered docking methods from the perspective of virtual screening. Nat Machine Intell. 7 (3), 509-520 (2025).
  18. Zhang, P., et al. Network pharmacology: Towards the artificial intelligence-based precision traditional chinese medicine. Brief Bioinform. 25 (1), 1-12 (2023).

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

D couverte computationnelle de m dicamentsFlux de travail reproductibleCriblage ADMETPr diction de ciblesR seau d interactions prot iquesAnalyse de l ontologie g niqueSimulation de dynamique mol culaireEnrichissement KEGG

Articles connexes