20 juin 2025
Les méthodes informatiques promettent d’accélérer la découverte de médicaments, mais elles négligent souvent la nature dynamique des structures protéiques. Ici, nous discutons de l’analyse d’amarrage basée sur l’ensemble pour incorporer indirectement la flexibilité des protéines, améliorant potentiellement la précision et la fiabilité des efforts de découverte de médicaments.
Nos recherches se concentrent sur l’application de techniques informatiques pour concevoir des médicaments plus efficaces, dans le but d’accélérer la découverte de médicaments et, en fin de compte, d’améliorer les résultats des traitements et la qualité de vie des patients.
La conception actuelle des médicaments assistée par ordinateur néglige souvent la flexibilité des protéines cibles. Le protocole discuté comble cette lacune en incorporant la conformation de plusieurs protéines dérivées de la simulation de dynamique moléculaire. La conception de médicaments basée sur l’ensemble améliore la précision en tenant compte de la flexibilité des protéines. Notre objectif est d’intégrer l’intelligence artificielle pour une découverte de médicaments plus rapide, personnalisée et plus efficace à l’avenir.
[Présentateur] Pour commencer, lancez le logiciel Avogadro sur un système informatique. Pour l’analyse de cluster, tapez la commande donnée à l’écran. Lorsque vous y êtes invité, tapez 1 pour que le groupe de protéines calcule l’ajustement des moindres carrés et l’écart quadratique moyen de la racine, ou RMSD. Tapez ensuite à nouveau 1 pour la sortie système. Ouvrez le fichier cluster-size.xvg. Si le nombre de clusters est faible, augmentez la valeur limite RMSD. Sinon, si le nombre est élevé, diminuez le seuil. Effectuez une analyse de grâce à l’aide des commandes affichées à l’écran en utilisant différentes valeurs limites RMSD si nécessaire. Ouvrez maintenant le logiciel Chimera et recherchez cluster.pdb. Cliquer sur Cadeaux et Publication 1, silhouette, ruban arrondi. pour la représentation visuelle. Cliquez séquentiellement sur Sélectionner, Chaîner, Aucun ID, puis sur cluster.pdb, #10, puis sélectionnez et inversez les modèles sélectionnés. Allez dans Actions, puis appuyez sur Atomes/Liaisons et cliquez sur Supprimer pour isoler la chaîne. Sélectionnez maintenant Fichier. Cliquez sur Enregistrer la base de données plugile. Nommez le fichier cluster1.pdb et appuyez sur Enregistrer pour enregistrer le fichier. Pour l’ancrage basé sur l’ensemble, lancez le logiciel de l’outil Autodock pour l’ouvrir. Placez les fichiers cluster1.pdb et ligand.pdb dans un nouveau dossier. Cliquez maintenant sur Fichier, Préférences et Définir. Dans la fenêtre contextuelle, collez l’adresse du dossier dans le champ du répertoire de démarrage, puis cliquez sur Définir. Cliquez sur l’icône de dossier bleue, choisissez cluster1.pdb, puis cliquez sur Ouvrir. Allez dans Modifier, puis appuyez sur Charges, Ajouter des charges de Kollman, et cliquez sur OK. Cliquez sur Grille, Macromolécules, Choisir. Sélectionnez le cluster 1 dans la zone Choisir les macromolécules, puis appuyez sur Sélectionner les molécules. Cliquez sur OK pour générer un fichier de macromolécule AutoDock4 modifié. Enregistrez-le sous le nom cluster1.pdbqt. Ensuite, videz l’espace de travail en cliquant sur Modifier, puis appuyez sur Supprimer, puis supprimez toutes les molécules avant de cliquer sur Continuer, puis appuyez sur Ligand, Entrée, Ouvrir. Lorsqu’un fichier Ligand pour le dossier Autodock4 apparaît, sélectionnez ligand.pdb et cliquez sur Ouvrir, puis sur OK. Choisissez maintenant Ligand, Arbre de torsion et Détecter la racine pour définir la flexibilité de torsion du ligand. Accédez à Ligand, Output, Save as PDBQT et enregistrez le dossier Formatted Autotors Molecules sous le nom ligand.pdbqt. Après avoir vidé l’espace de travail, ouvrez le fichier cluster1.pdbqt en cliquant sur Grille, Macromolécules et Ouvrir, puis appuyez sur Oui et OK. Accédez à nouveau à la grille, appuyez sur Définir les types de carte, puis choisissez Ouvrir le ligand. Sélectionnez et ouvrez ligand.pdbqt. Accédez maintenant à l’option Boîte de grille sous Grille. Dans la zone Options de grille, définissez le nombre de points dans les dimensions X, Y et Z sur 120 et l’espacement sur 0,375 angström. Laissez les paramètres centraux par défaut. Cliquez ensuite sur Fichier et fermez l’option Enregistrement actuel. Allez dans Grille, Sortie, et appuyez sur Enregistrer GPF. Lorsque le fichier de sortie des paramètres de grille s’affiche, entrez grid.gpf comme nom de fichier, puis cliquez sur Enregistrer. Ensuite, cliquez sur Exécuter et exécuter AutoGrid. Dans l’onglet Nom de fichier du paramètre, cliquez sur Parcourir. Ouvrez le fichier grid.gpf. Parcourez maintenant le chemin d’accès du programme. Recherchez autogrid4.exe et cliquez sur Ouvrir et lancer. Séquentiellement, cliquez sur Amarrage, puis sur Macromolécules et Définir les noms de fichiers rigides. Lorsqu’un fichier de macromolécules PDBQT s’affiche, sélectionnez cluster1.pdbqt et cliquez sur Ouvrir. Choisissez le ligand dans le menu Docking. Lorsque la boîte Choisir des ligands apparaît, sélectionnez Ligand et cliquez sur Sélectionner un ligand, puis appuyez sur Accepter. Accédez maintenant à Algorithme génétique à partir de l’ancrage. Lorsque la boîte de dialogue Paramètres de l’algorithme génétique s’affiche, définissez GA Runs sur 100 et cliquez sur Accepter. Cliquez sur Docking, Output, Lamarckian GA 4.2. Lorsqu’un fichier de sortie du paramètre d’ancrage GALS Autodock4.2 s’affiche, nommez-le docking.dpf et cliquez sur Enregistrer. Appuyez maintenant sur Exécuter et Exécuter Autodoc. Une boîte Exécuter l’autodoc apparaîtra. Dans Nom du fichier de paramètre, cliquez sur Parcourir. Lorsqu’un fichier de paramètres autodock4 apparaît, sélectionnez docking.dpf et cliquez sur Ouvrir. Dans Nom du chemin d’accès du programme, cliquez sur Parcourir. Un fichier autodock4 apparaîtra. Recherchez autodock4.exe et cliquez sur Ouvrir, puis sur Lancer. Supprimez toutes les molécules comme indiqué précédemment et répétez le processus pour tous les fichiers du cluster. La structure chimique et la représentation structurale 3D du flavokawain B et du lysozyme à l’état initial avant l’obtention d’une simulation de dynamique moléculaire. L’énergie totale de la structure de la protéine était stable pendant la simulation, et l’écart quadratique moyen s’est stabilisé après 20 nanosecondes. La fluctuation quadratique moyenne a révélé une grande flexibilité dans les régions entre les résidus 40 à 50, 60 à 80 et 100 jusqu’à la fin. Au total, 15 grappes structurelles ont été obtenues à partir d’une grappe basée sur l’écart quadratique moyen de 10 001 cadres de trajectoire, la plus grande grappe contenant 5 818 membres. Les conformations superposées de tous les amas ont montré des variations structurelles visibles entre les trajectoires. L’amarrage moléculaire du flavokawain B avec les structures représentatives des quatre premiers groupes a montré une liaison cohérente au même site pour toutes les conformités, le groupe 2 montrant l’énergie de liaison la plus faible de -29,37 kJ/mol. La cartographie électrostatique de la surface a confirmé des sites de liaison identiques dans toutes les conformations de grappes, le flavokawain B étant imbriqué dans la même région de poche. Une analyse détaillée de l’interaction a montré que la liaison du flavokawain B était stabilisée par plusieurs résidus environnants, notamment l’alanine 31, la glutamine 35, la leucine 56, l’acide gamma-carboxyglutamique 57, l’isoleucine 58, l’alanine 95, l’isoleucine 98, le tryptophane 108, la valine 109, l’alanine 110, le tryptophane 111 et l’arginine 114.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Cette étude se concentre sur l'avancement de la découverte de médicaments à travers des techniques computationnelles, en particulier en incorporant la flexibilité des protéines en utilisant l'analyse d'ancrage basée sur l'ensemble. L'approche montre un potentiel pour améliorer la précision et l'efficacité de la conception de médicaments, ce qui est crucial pour de meilleurs résultats de traitement.
Incorporating target protein flexibility and dynamics into computational drug discovery addresses a critical gap in predictive accuracy for ligand binding. Ensemble-based docking analysis enables more reliable identification of promising compounds by capturing a broader range of biologically relevant conformations. This approach enhances decision-making at key inflection points in the discovery pipeline, supporting risk-adjusted portfolio advancement.
Ensemble-based docking integrates into the discovery continuum from early target validation through lead identification and preclinical assessment.