Évaluation computationnelle des interactions de l'oleuropeine avec les protéines liées à la maladie d'Alzheimer en utilisant le docking moléculaire et la dynamique moléculaire

Résumé

Cette étude présente un flux de travail intégré de docking moléculaire et de dynamique moléculaire pour évaluer de manière computationnelle les interactions de l’oleuropeine avec les protéines clés liées à la maladie d’Alzheimer, révélant des interactions de liaison prédites et une stabilité complexe préliminaire à travers plusieurs cibles.

Résumé

La maladie d’Alzheimer (MA) est un trouble neurodégénératif multifactoriel associé à l’agrégation de l’amyloïde, à la pathologie de la tau et à la neuroinflammation. Dans cette étude, un flux de travail informatique intégré combinant prédiction ADMET, criblage d’activité basé sur PASS, docking moléculaire et simulations de dynamique moléculaire (MD) a été utilisé pour évaluer les interactions de l’oleuropeïne avec cinq cibles protéiques liées à la DA, incluant β-amyloïde, tau, apolipoprotéine E4 (ApoE4), le récepteur déclencheur exprimé sur les cellules myéloïdes 2 (TREM2) et la protéine complémentaire C1q. Les analyses ADMET et PASS ont prédit les propriétés pharmacocinétiques et les activités biologiques potentielles associé aux voies liées aux maladies neurodégénératives. L’analyse d’amarrage a prédit des affinités de liaison favorables entre les cibles étudiées, l’interaction la plus forte étant observée pour la protéine C1q (-7,5 kcal/mol). Les analyses de trajectoire de dynamique moléculaire (MD), incluant la déviation de racine quadratique moyenne (RMSD), la fluctuation de racine quadratique moyenne (RMSF), le rayon de gyration (Rg), la matrice dynamique de corrélation croisée (DCCM), l’analyse des composantes principales (PCA) et les métriques basées sur la distance, ont été utilisées pour évaluer le comportement dynamique des complexes protéine-ligand lors des simulations. Les analyses computationnelles ont suggéré des interactions relativement stables pour les complexes tau, C1q et TREM2, tandis que β-amyloïde et ApoE4 présentaient une variabilité conformationnelle relativement plus élevée lors de certaines phases des simulations. Ces résultats fournissent une évaluation computationnelle préliminaire des interactions de l’oleuropeine avec les protéines liées à la maladie d’Alzheimer et pourraient soutenir de futures études expérimentales explorant sa potentielle pertinence biologique dans les modèles de maladies neurodégénératives.

Introduction

La DA représente le type de démence le plus courant qui génère des défis sérieux et croissants dans le^{monde 1,2}. La DA provient d’une combinaison de facteurs génétiques et environnementaux. De multiples hypothèses pathogènes ont été proposées pour expliquer la DA, notamment la cholinergie, l’amyloïde, la tau, l’inflammation, le stress oxydatif, l’ion métallique, l’excitotoxicité, l’axe microbiote-intestin-cerveau et les mécanismes liés^{à l’autophagie 3}. La DA est un trouble multifactoriel impliquant le dépôt β-amyloïde, la pathologie de la tau, la neuroinflammation et des facteurs de risque génétiques tels que l’ApoE4 et le^{TREM2 4,5}. En raison de la nature multifactorielle de la MA, les ligands dirigés par cibles multiples (MTDL) se sont imposés comme des stratégies thérapeutiques prometteuses basées sur des interactions polypharmacologiques avec Aβ, tau, ApoE4, la fonction microgliale médiée par TREM2 et la neuroinflammation alimentée par le ^{complément 3,6,7}. L’agrégation β-amyloïde est une caractéristique pathologique clé de la MA, perturbant la fonction neuronale et étant modulée par les isoformes d’ApoE4 et les réponses^{immunitaires 8,9}.

L’hyperphosphorylation et d’autres modifications post-traductionnelles de la tau, notamment la troncature, l’acétylation, l’ubiquitination et la glycosylation, contribuent de manière significative à la formation des nœuds neurofibrillaires (NFT), l’une des principales caractéristiques pathologiques de la MA. Ces modifications réduisent l’affinité de la tau pour les microtubules, entraînant une déstabilisation des microtubules, un transport axonal altéré, des dysfonctionnements synaptiques, des anomalies mitochondriales et une dégénérescence neuronale progressive. De plus, une agrégation anormale de tau a été fortement associée au déclin cognitif et à la gravité de la maladie dans la MA, souvent plus étroitement corrélée à la neurodégénérescence qu’à la charge amyloïde elle-même. De plus, de plus en plus de preuves suggèrent que la pathologie de la tau interagit étroitement avec les voies de signalisation neuroinflammatoires, où la microglie activée et les médiateurs inflammatoires peuvent aggraver davantage la propagation de la tau et les lésions^neuronales 10,11,12.

L’activation microgliale médiée par TREM2 a été associée à des réponses neuroinflammatoires durant la progression de la^{MA 13}. Les protéines du complément telles que C1q et C3 ont été impliquées dans la perte synaptique, la neuroinflammation médiée par le complément et la signalisation inflammatoire associée à la pathologie de la^{DA 14,15}. La signalisation de l’encoche, le stress oxydatif, les voies inflammatoires et l’ApoE4 accélèrent encore la progression de la maladie^{d’Alzheimer 9,16}.

L’extrait de feuille d’olivier (OLE) est un phytocomplexe bioactif riche en secoiridoïdes, flavonoïdes, triterpènes et acides phénoliques, comme résumé dans le tableau 1. Ces constituants ont été associés à des activités biologiques antioxydantes et anti-inflammatoires dans des études^{antérieures 17}. L’oleuropeine est le principal secoiridoïde identifié dans les feuilles d’olivier, car elle constitue le principal composant phénolique de ces feuilles. Cela fait de l’oleuropeine le secoiridoïde phénollique le plus abondant identifié dans les feuilles d’olivier, et sa structure chimique est illustrée à la Figure 1.

Des études antérieures ont rapporté des activités biologiques de l’oleuropeine associées à l’agrégation amyloïde, à la pathologie liée à la tau, au stress oxydatif et aux voies de signalisation^{inflammatoire 18,19}. D’autres études ont également suggéré des interactions potentielles de l’oleuropeine avec des voies liées à ApoE4, à l’activation microgliale médiée par TREM2, et à la neuroinflammation associée au^{complément 20,21}.

Malgré l’intérêt croissant pour l’oleuropeïne, ses interactions avec plusieurs cibles protéiques liées à la maladie d’Alzheimer n’ont pas été évaluées de manière exhaustive dans un cadre computationnel unifié. La plupart des études précédentes se sont principalement concentrées sur ses propriétés antioxydantes ou ses effets potentiels sur les voies pathologiques individuelles, en particulier l’agrégation des amyloïdes et la toxicité liée à la tau. Ainsi, la présente étude a utilisé des simulations de docking moléculaire et de dynamique moléculaire pour évaluer de manière computationnelle les interactions prédites et le comportement dynamique de l’oleuropeine face à cinq cibles protéiques liées à la maladie d’Alzheimer, dont β-amyloïde, tau, ApoE4, TREM2 et C1q. Ces cibles ont été sélectionnées car elles représentent des mécanismes pathologiques distincts mais interconnectés impliqués dans la progression de la MA. β-amyloïde joue un rôle central dans la formation de plaques extracellulaires, le dysfonctionnement synaptique, le stress oxydatif et la toxicité neuronale, tandis que la pathologie tau est étroitement associée à la formation d’emmêlements neurofibrillaires, à la perturbation du cytosquelette et au déclin cognitif^{progressif 22}. ApoE4 représente le facteur de risque génétique le plus fort pour la A sporadique et contribue à une élimination altérée de l’amyloïde, à une neurotoxicité accrue, à une dysrégulation lipidique et à une augmentation des réponses^{neuroinflammatoires 23}. TREM2 est un régulateur clé de l’activation microgliale et de la signalisation neuro-immune, et a été impliqué dans l’élimination des amyloïdes, la régulation inflammatoire et les réponses microgliales associées à la maladie durant la progression²⁴ de la MA. De plus, la protéine du complément C1q joue un rôle critique dans la neuroinflammation médiée par le complément, la taille synaptique aberrante et la dégénérescence synaptique associée aux microglies chez^{AD 25}.

Le flux de travail global in silico utilisé pour évaluer l’oleuropeine par rapport aux cibles protéiques sélectionnées liées à la maladie d’Alzheimer est résumé dans la Figure 2.

Protocole

1. Prédiction ADMET

Les propriétés pharmacocinétiques et toxices de l’oleuropéine ont été évaluées à l’aide d’une plateforme de prédiction ADMET computationnelle. Les paramètres prédits comprenaient l’absorption, la distribution, le métabolisme, l’excrétion, la perméabilité du BBB, la perméabilité du système nerveux central (SNC) et les propriétés liées à la toxicité. L’analyse ADMET a été réalisée pour évaluer le profil pharmacocinétique prévu et les propriétés potentielles de ressemblance de l’oleuropeine avant le docking moléculaire et les simulations de MD²⁶.

2. Prédiction de l’activité anti-Alzheimer et neuroprotectrice

La représentation canonique SMILES de l’oleuropeine a été utilisée pour la prédiction computationnelle des activités anti-Alzheimer et^{neuroprotectrices 27}. Les valeurs de probabilité d’activité (Pa) et de probabilité d’inactivité (Pi) ont été enregistrées, et seules les activités avec des valeurs Pa supérieures à Pi ont été jugées potentiellement pertinentes pour des analyses computationnelles ultérieures.

3. Préparation de la structure des ligands oleuropeïnes

La structure tridimensionnelle (3D) de l’oleuropeine a été extraite d’une base de données chimique publique au format SDF. L’optimisation de la géométrie des ligands et la minimisation d’énergie ont été réalisées en utilisant le champ de force MMFF94 jusqu’à ce que la convergence soit atteinte. La structure de ligands minimisée a été convertie en format PDB puis préparée pour l’amarrage moléculaire par assignation d’atomes d’hydrogène polaire et de charges partielles avant la conversion au format PDBQT.

L’oleuropeine a été modélisée sous sa forme neutre prédominante, et tous les résidus ionisables ont été supposés être protonés dans des conditions physiologiques (pH 7,4) lors de l’amarrage moléculaire et des simulations de dynamique moléculaire.

4. Récupération et préparation des protéines

Les structures protéiques associées à la pathologie de la MA ont été extraites de la Protein Data Bank, notamment β-amyloïde (2BEG), tau (5O3L), ApoE4 (1B68), TREM2 (5ELI) et C1q (2JG9). Les informations structurelles spécifiques à la cible, y compris la sélection des chaînes et le type de structure expérimentale, sont résumées dans le tableau 2.

Les molécules d’eau, les ions, les ligands co-cristallisés et les hétératomes non essentiels ont été retirés avant la préparation des récepteurs. Les structures étaient inspectées visuellement pour détecter des résidus incomplets, des atomes manquants et des discontinuités structurelles avant l’amarrage et la mise en place de la simulation. Des atomes d’hydrogène polaire et des charges de Kollman ont ensuite été assignés, et les structures réceptrices ont été converties au format PDBQT pour des études d’amarrage. Les états de protonation par défaut correspondant aux conditions physiologiques (pH 7,4) ont été appliqués lors de la préparation des récepteurs, et tous les résidus ionisables ont été supposés adopter leurs états de protonation prédominants dans des conditions physiologiques de pH. Pour β-amyloïde, le modèle 1 de l’ensemble RMN déposé a été sélectionné, et toutes les chaînes de l’ensemble oligomérique déposé (chaînes A-E) ont été conservées lors de la préparation des récepteurs. Pour la protéine tau, toutes les chaînes à l’intérieur de l’assemblage du filament cryo-EM déposé (chaînes A-J) ont été conservées lors de la préparation des récepteurs. De même, toutes les chaînes à l’intérieur de l’assemblage multimérique C1q (chaînes A-F) ont été conservées pour préserver la structure quaternaire déposée. Pour ApoE4 et TREM2, les chaînes biologiquement pertinentes déposées ont été conservées lors de la préparation des récepteurs.

5. Amarrage moléculaire

1. Prédiction du site de liaison et définition de la boîte de grille
   Les poches potentielles de liaison au ligand ont été prédites à l’aide d’un flux de travail de prédiction du site de liaison basé sur la structure, qui évalue la géométrie de la cavité, le volume de la poche, la profondeur, l’hydrophobie et les descripteurs physicochimiques associés au potentiel de liaison au ligand, ainsi qu’à la^{médicabilité 28}.
   Les poches prédites ont été classées selon le score de toxicomanie et les caractéristiques géométriques. La poche la plus bien classée accessible au solvant pour chaque cible a été sélectionnée pour des analyses d’amarrage moléculaire. Les résidus correspondant à la poche de liaison sélectionnée ont été extraits des fichiers de sortie de résidus de poche générés puis visualisés avec les structures protéiques correspondantes à l’aide d’un logiciel de visualisation moléculaire.
   Les coordonnées du centre de masse des résidus de la poche de liaison sélectionnés ont été calculées et utilisées pour la génération de la boîte de réseau d’amarrage. Les dimensions de la boîte de grille ont été définies pour englober entièrement la région de liaison prédite pour chaque protéine cible. Les coordonnées exactes du centre de la grille d’amarrage et les dimensions pour toutes les cibles sont résumées dans le tableau 3.
   REMARQUE : Le flux de travail exécutable complet en ligne de commande et les scripts utilisés pour les calculs du centre de masse sont fournis dans le Fichier de Codage Supplémentaire 1.
2. Paramètres d’amarrage et exécution
   Les calculs d’amarrage moléculaire ont été effectués à l’aide d’AutoDock Vina 4.2.6 avec une valeur d’exhaustivité de 8 et 10 modes de liaison de sortie pour chaque complexe protéine-ligand. La posture de liaison avec la plus faible affinité de liaison prédite a été sélectionnée pour les analyses ultérieures. Les interactions protéine-ligand ont été visualisées à l’aide d’un logiciel de visualisation moléculaire.
   REMARQUE : La structure de commande est adaptée pour chaque protéine en fonction du nom du fichier récepteur et des coordonnées de la boîte de grille. Les fichiers de sortie d’amarrage étaient divisés en modes de liaison individuels et convertis au format PDB à l’aide d’outils en ligne de commande. Les commandes complètes sont fournies dans le Fichier de Codage Supplémentaire 1.

6. Simulations de dynamique moléculaire (MD)

Le flux de travail MD était exécuté dans un environnement informatique Conda/Miniforge basé sur le cloud, configuré pour la simulation biomoléculaire et l’analyse de trajectoire. Des ressources d’exécution accélérées par GPU ont été utilisées pour toutes les simulations de production. Des scripts complets d’installation de l’environnement exécutable, des commandes d’installation de dépendances et des flux de travail de simulation sont fournis dans le Fichier de Codage Supplémentaire 2.

Des complexes protéine-ligand générés par le docking moléculaire ont été utilisés comme structures de départ pour des simulations de MD. Les poses de ligands amarrés correspondant aux conformations prédites de liaison et d’affinité les plus basses ont été sélectionnées pour la génération de topologie et l’assemblage du système. Les structures protéiques ont été préparées après l’élimination des molécules de solvant cristallographiques et des hétératomes non essentiels avant la mise en place de la simulation.

La génération topologique et l’assemblage du système ont été réalisés en utilisant le champ de force protéique ff19SB et le champ de force du ligand GAFF2. Les complexes ont été solvés à l’aide du modèle explicite d’eau TIP3P et neutralisés avec des ions NaCl à une concentration ionique finale de 0,15 M sous des conditions périodiques aux limites.

REMARQUE : Toutes les simulations de dynamique moléculaire ont été exécutées dans un environnement de notebook basé sur le cloud, configuré avec l’exécution Python 3, l’accélération matérielle GPU T4, et la dernière version d’exécution disponible au moment de l’analyse.

1. Paramètres d’équilibrage MD et minimisation d’énergie
   Après la génération de topologie, la minimisation d’énergie a été effectuée pendant 50 000 étapes avant l’équilibre. Des simulations d’équilibrage NPT ont ensuite été réalisées sur 5 ns en utilisant des contraintes positionnelles appliquées aux atomes du sos des protéines dans les conditions suivantes : (1) pas de temps d’intégration = 2 fs ; (2) température = 298 K ; (3) pression = 1 bar ; (4) constante de force de contrainte harmonique = 700 Kj.mol⁻1,nm⁻² ; (5) trames de trajectoire sauvegardées tous les 10 ps ; et (6) fichiers journaux enregistrés tous les 10 ps.
   REMARQUE : Les scripts d’équilibrage exécutables complets et les commandes de simulation sont fournis dans le Fichier de Codage Supplémentaire 2.
2. Paramètres de production MD et production NPT de fonctionnement
   Les simulations de MD de production ont été réalisées sous des conditions NPT pour un temps total de trajectoire de production analysé de 10 ns en utilisant les paramètres suivants : (1) pas de temps d’intégration = 2 fs ; (2) température = 298 K ; (3) pression = 1 bar ; (4) les trames de trajectoire sauvegardées tous les 10 ps ; et (5) fichiers journaux enregistrés tous les 10 ps.
   REMARQUE : Les scripts complets de simulation MD exécutables sont fournis dans le Fichier de Codage Supplémentaire 2.
3. Concaténationnement et alignement de trajectoires
   Les trajectoires de production générées à partir de multiples foulées de simulation ont été concaténées en trajectoires continues après imagerie dans des conditions périodiques aux limites. Les artefacts périodiques de la frontière, les molécules de solvant et les ions ont été retirés avant l’alignement structurel et les analyses en aval.
   L’alignement de trajectoire a été réalisé à l’aide d’atomes de la colonne vertébrale de la protéine Cα par rapport à la structure de référence équilibrée afin d’assurer une orientation cohérente tout au long des analyses de trajectoire.
4. Analyse des interactions protéine-ligand
   Les empreintes digitales d’interaction protéine-ligand et la persistance des interactions tout au long des trajectoires de la MD ont été analysées à l’aide d’approches de profilage d’interaction basées sur la trajectoire. Les analyses du réseau d’interaction ont été réalisées en utilisant des trajectoires de production traitées après le retrait des solvants et l’alignement structurel.
   REMARQUE : Les flux de travail complets d’analyse d’interaction exécutable sont fournis dans le Fichier de Codage Supplémentaire 2.
5. Analyses de trajectoire MD
   Les analyses de trajectoire ont été réalisées en utilisant des trajectoires de production alignées après le retrait du solvant, la concaténation, l’imagerie dans des conditions périodiques aux limites et l’alignement structurel. Toutes les analyses ont été effectuées sur les trajectoires de production à 10 ns après élimination des molécules de solvant et des ions. Les trames ont été analysées à des intervalles de 10 ps. Sauf indication contraire, des analyses structurales ont été effectuées après l’alignement des moindres carrés des atomes de protéine Cα avec la structure de départ équilibrée de chaque complexe correspondant.
   Les analyses RMSD, RMSF et rayon de gyration (Rg) ont été calculées à l’aide d’atomes de protéines Cα pour évaluer la stabilité structurelle et la dynamique conformationnelle tout au long des simulations. La RMSD a été calculée pour les atomes de protéines Cα par rapport à la structure de référence équilibrée. Le RMSF a été calculé pour les atomes de protéines Cα sur la trajectoire de production alignée. La Rg a été calculée à l’aide d’atomes de protéines Cα pour surveiller la compacité globale.
   L’énergie d’interaction linéaire (LIE), les mesures de distance intermoléculaire, l’analyse en composantes principales (PCA) et les analyses de matrice dynamique de corrélation croisée (DCCM) ont ensuite été réalisées à l’aide de trames de trajectoire échantillonnées à intervalles de 10 ps tout au long des trajectoires de production analysées. L’analyse d’interaction énergétique a été calculée entre l’oleuropeine et les atomes protéiques de chaque complexe sur la trajectoire de production. La distance du centre de masse a été calculée entre l’oleuropeine et les résidus de poche de liaison sélectionnés utilisés pour la génération par grille d’amarrage, tandis que la distance minimale a été calculée comme la plus courte distance atome-atome entre l’oleuropeine et les résidus de poche de liaison protéique correspondants dans chaque référentiel. L’ACP a été réalisée en utilisant les coordonnées de la protéine Cα après alignement de trajectoire. L’analyse DCCM a été calculée à partir des fluctuations atomiques de la protéine Cα sur la trajectoire de production alignée.
   REMARQUE : Chaque étape de simulation de dynamique moléculaire et d’analyse de trajectoire est fournie sous forme de section de code exécutable distincte dans le Fichier de codage supplémentaire 2. Le Fichier de Codage Supplémentaire 2 inclut les scripts et commandes utilisés pour la préparation du système, la simulation de production, le traitement de trajectoire et les analyses en aval. La version complète du flux de travail correspondant au manuscrit soumis est archivée dans Zenodo avec https://doi.org/10.5281/zenodo.20134270, et la version GitHub correspondante est disponible à : https://github.com/Elshekh00/molecular-dynamics-protein-ligand/releases/tag/v1.0.0.

Résultats

Prédiction du profil ADMET

Le profil pharmacocinétique et toxic prédit de l’oleuropeine a été évalué à l’aide d’un flux de travail de prédiction ADMET in silico . Les propriétés ADMET prédites de l’oleuroéïne, incluant la toxicité AMES, l’hépatotoxicité, l’inhibition de l’hERG I et II, ainsi que la toxicité aiguë et chronique chez le rat oral, sont listées dans le tableau 4. L’oleuropeine était prédite comme non mutag...

Discussion

L’objectif principal de cette étude intégrée in silico était d’évaluer le potentiel d’interaction multi-cible prédit de l’oleuropeïne contre des protéines pathologiques sélectionnées impliquées dans la MA. Les résultats de la prédiction ADMET, de l’analyse PASS, du docking moléculaire et des simulations de MD fournissent une base computationnelle pour considérer l’oleuropeine comme une molécule avec un potentiel d’interaction multi-cible prédit contre certaines protéines liées à...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
AmberTools 24.8	AmberMD development team	N/A; https://ambermd.org/AmberTools.php	Utilisé pour la préparation de topologie et la gestion des fichiers de simulation moléculaire. Installé depuis conda-forge. RRID: SCR_018497
AutoDock Tools 1.5.7	Scripps Research Institute	N/A; https://autodocksuite.scripps.edu/adt/	Utilisé pour la préparation des récepteurs et des ligands et la génération de fichiers PDBQT. RRID: SCR_012746
AutoDock Vina 4.2.6	Scripps Research Institute	N/A; https://vina.scripps.edu/	Moteur de docking utilisé pour les calculs de docking moléculaire. La version doit être signalée selon l'environnement de workflow exécuté. RRID: SCR_011958
Avogadro 2.0.0	Avogadro Chemistry Software	N/A; https://avogadro.cc/	Utilisé pour la visualisation des ligands, l'assignation des champs de force et la minimisation d'énergie. RRID: SCR_015983
Conda 25.3.1	Anaconda, Inc. / conda-forge community	N/A; https://docs.conda.io/	Gestionnaire de paquets et d'environnements utilisé dans le workflow de calcul. RRID: SCR_018317
Discovery Studio Visualizer 2025	Dassault Systèmes	N/A; https://discover.3ds.com/discovery-studio-visualizer-download	Utilisé pour la visualisation des protéines et la prétraitement. RRID: SCR_008398
DoGSiteScorer / ProteinsPlus	ZBH Center for Bioinformatics	N/A; https://proteins.plus/	Utilisé pour la prédiction des sites de liaison et la notation de l'accessibilité des poches pour les médicaments. RRID: Non disponible
ff19SB force field	AMBER force-field family	N/A; https://ambermd.org/	Champ de force des protéines utilisé pour la préparation du système de dynamique moléculaire. RRID: Non disponible
GAFF2 force field	AMBER force-field family	N/A; https://ambermd.org/	Champ de force des ligands utilisé pour la préparation du système de dynamique moléculaire. RRID: Non disponible
Google Colab	Google	N/A; https://colab.research.google.com/	Environnement de notebook en cloud utilisé pour l'exécution du workflow. Type d'exécution: Python 3; accélérateur matériel: GPU T4. RRID: SCR_018009
Mamba 2.1.1	QuantStack / conda-forge community	N/A; https://mamba.readthedocs.io/	Gestionnaire de paquets rapide utilisé pour l'installation des paquets Conda. RRID: Non disponible
Matplotlib 3.10.0	Matplotlib development team	N/A; https://matplotlib.org/	Utilisé pour la génération des plots d'analyse de dynamique moléculaire. RRID: SCR_008624
MDAnalysis 2.8.0	MDAnalysis development team	N/A; https://www.mdanalysis.org/	Utilisé pour le traitement des trajectoires et l'analyse structurelle. RRID: SCR_025610
MDTraj 1.11.1	MDTraj development team	N/A; https://www.mdtraj.org/	Utilisé pour la gestion et l'analyse des trajectoires de dynamique moléculaire. RRID: Non disponible
Miniforge	conda-forge community	N/A; https://github.com/conda-forge/miniforge	Distribution d'environnement basée sur Conda utilisée pour installer les dépendances scientifiques. RRID: Non disponible
NumPy 2.0.2	NumPy development team	N/A; https://numpy.org/	Dépendance de calcul numérique utilisée dans le workflow de calcul. RRID: SCR_008633
Open Babel 3.1.0	Open Babel Project	N/A; https://openbabel.org/	Utilisé pour la conversion de format de fichier moléculaire. RRID: SCR_014920
OpenMM 8.5.1	OpenMM development team	N/A; https://openmm.org/	Moteur de simulation de dynamique moléculaire utilisé pour la configuration du système, l'équilibration et les simulations de production. RRID: SCR_000436
pandas 2.3.3	pandas development team	N/A; https://pandas.pydata.org/	Utilisé pour la gestion de données tabulaires et les analyses de sortie. RRID: SCR_018214
ParmEd 4.3.1	ParmEd development team	N/A; https://parmed.github.io/ParmEd/html/index.html	Utilisé pour la gestion des fichiers de topologie et de paramètres. RRID: Non disponible
PASS-Way2Drug Server	Way2Drug	N/A; https://www.way2drug.com/passonline/	Utilisé pour la caractérisation prédite de l'activité biologique. RRID: SCR_001971
PDBFixer 1.12	OpenMM development team	N/A; https://github.com/openmm/pdbfixer	Utilisé pour la réparation et la préparation des structures protéiques lorsque nécessaire. Installé depuis conda-forge. RRID: Non disponible
pkCSM Server	University of Melbourne	N/A; https://biosig.lab.uq.edu.au/pkcsm/	Utilisé pour la caractérisation prédite de l'ADMET. RRID: Non disponible
ProLIF	ProLIF development team	N/A; https://prolif.readthedocs.io/	Utilisé pour l'analyse d'empreintes d'interaction protéine-ligand. L'importation de runtime a signalé la version comme 0+unknown. RRID: Non disponible
PubChem Database	National Center for Biotechnology Information / National Institutes of Health	N/A; https://pubchem.ncbi.nlm.nih.gov/	Utilisé pour la récupération de la structure des ligands. RRID: SCR_004284
py3Dmol 2.5.4	py3Dmol development team	N/A; https://3dmol.csb.pitt.edu/	Utilisé pour la visualisation moléculaire dans le workflow des notebooks. RRID: Non disponible
PyMOL 3.1.6.1	Schrödinger, LLC	N/A; https://pymol.org/	Utilisé pour la visualisation moléculaire et l'inspection des coordonnées des poches de liaison. RRID: SCR_000305
Python 3.12.13	Python Software Foundation	N/A; https://www.python.org/	Langage de programmation utilisé pour exécuter le workflow de calcul. RRID: SCR_008394
pytraj 2.0.6	AmberMD