Un flux de travail computationnel bilingue pour identifier les inhibiteurs potentiels de PLK1 en langue des signes américaine et en anglais
April 3rd, 2026
Ce protocole bilingue fournit un flux de travail computationnel de découverte de médicaments évaluant les interactions protéine-ligand des kinases de type Polo 1 à 3 (PLK1–3) et des propriétés d’absorption, distribution, métabolisme, excrétion, toxicité et stabilité (ADMET-S) des molécules naturelles issues de bases de données.
Un flux de travail computationnel bilingue. Introduction. Les recherches montrent que PLK1 est surexprimé dans divers cancers. L’inhibition de PLK1 via son domaine polo-box, PBD, a montré qu’elle induit l’apoptose.
L’objectif de cette étude est d’identifier des inhibiteurs sélectifs de PLK1-PBD présentant des propriétés médicinales et pharmacocinétiques souhaitées. Les homologues PLK2 et PLK3 ont été soumis aux mêmes protocoles pour évaluer la sélectivité. Protocole. Ciblez la préparation protéique.
Nous utilisons ici CHARMM-GUI pour optimiser PLK1, 4HCO, à partir de la Protein Data Bank, PDB. Cela garantit que la protéine ne présente aucun résidu ou hydrogène manquant. Passons à l’outil.
Dans Générateur d’entrée, sélectionnez Manipulateur de lecteur PDB. Faites défiler jusqu’à la boîte d’entrée. Assurez-vous que l’option PDB est sélectionnée avant d’entrer 4HCO pour PLK1.
À la page suivante, désélectionnez la chaîne protéique B pour ne traiter que la chaîne A. Procéder. Faites défiler les informations PDB et continuez. Parmi les quatre sorties, nous sélectionnons le fichier PDB et le sauvegardons.
Enfin, ouvrez le fichier PDB avec un éditeur de texte. Trouvez et remplacez l’état de protonation histidine de HSD vers HIS. Dépistage de bases de données de produits naturels.
L’approche pour obtenir un échantillon de petites molécules ciblant PLK1 utilise une base de données de produits naturels, et comporte trois volets. Les bases de données de produits naturels sont vastes, donc les composés initiaux proviennent de la sélection d’une maladie et d’une limite de confiance. Dans cet exemple, SuperNatural 3.0 est utilisé.
SuperNatural 3.0 est utilisé pour obtenir des molécules par sélection de maladies. Une façon de faire des requêtes est à travers les voies humaines. Ici, le cancer du sein est sélectionné.
L’identifiant KEGG pour cette voie est ici. Ensuite, on tape l’identifiant KEGG dans la voie SuperNatural 3.0. Sinon, nous pouvons cliquer sur Maladie, sélectionner le cancer du sein et enregistrer le fichier complet des résultats.
Dans les questions fréquemment posées, l’intégralité de la bibliothèque de la base de données peut être téléchargée. Continuez. Veuillez décompresser les fichiers compressés, récupérer le CSV, puis supprimer le fichier zip. Ouvre R Studio, ou un IDE de ton choix.
Après importation des données dans R Studio, les résultats complets initiaux ont 73 046 molécules. Il y a 1 193 molécules après application des limites de confiance. Échantillonnage en grappe.
Après avoir appliqué la règle des cinq de Lipinski avec le RDkit. Avec le package chimique, il ne reste plus que 999 molécules. Ici, il est évident que nous avons 999 molécules.
Ensuite, nous appliquons le regroupement K-means pour obtenir 50 molécules représentatives. Le regroupement est basé sur la similarité avec Tanimoto. Calcul de l’affinité de liaison et d’amarrage protéine-ligand.
L’objectif de cette méthode est d’accoupler PLK1 à chaque ligand pour obtenir une affinité de liaison. Ouvrez CB-Dock2. Va à l’onglet Dock.
Ici, nous téléchargeons le 4hco. PDB comme protéine cible pour l’amarrage. Téléchargez un ligand.
Ici, nous commençons par le ligand un. Sinon, vous pouvez taper ou coller cette chaîne SMILES. Continuez à taper votre e-mail pour faciliter la collecte des données.
Ensuite, cliquez sur Amarrage automatique à l’aveugle. Les résultats sont envoyés dans l’email. Sauvegardez le fichier zip des résultats d’amarrage.
Après l’enregistrement, le fichier zip est extrait, et à l’intérieur se trouvent divers fichiers. Supprimez tous les fichiers, à l’exception du complexe. Fichiers PDB.
Il devrait y avoir un complexe par défaut de cinq. Fichiers PDB. Nettoie le répertoire en supprimant les fichiers zip non extraits.
Après l’achèvement du docking protéine-ligand avec CB-Dock2, qui a classé les poses selon les scores Vina, l’étape suivante consiste à calculer l’affinité de liaison avec PRODIGY. L’affinité de liaison avec PRODIGY garantit une évaluation compétitive de la sélectivité des protéines. Il est favorable que les ligands soient sélectifs par rapport à PLK1, et non par rapport aux homologues structurels.
Rendez-vous sur le serveur web PRODIGY. Sélectionnez l’onglet PRODIGY-LIGAND. Référez-vous à un complexe.
PDB pour déterminer les identifiants de la protéine et de la chaîne de ligands. Le complexe. Le fichier PDB s’ouvre avec un éditeur de texte.
L’identifiant de chaîne de la protéine est P.That est inséré dans le serveur web. La chaîne de ligands commence généralement à HETATM. Cherche ça.
L’identifiant de chaîne du ligand est A :UNL. Cela est inséré dans le serveur web. Les cinq complexes fournis pour chaque combinaison protéique de ligands seront téléchargés en même temps.
Un script de gestion de fichiers développé est utilisé dans R pour cette tâche. Le script compresse le fichier pdb pour toutes les combinaisons d’amarrage. Après la fermeture du comprimé, les fichiers sont téléchargés manuellement sur PRODIGY.
Veuillez soumettre le ligand PRODIGY. Il y a une liste d’affinités de liaison pour chaque cinq poses dans la combinaison téléchargée. Delta-Gnoelec est le score d’affinité de liaison excluant les calculs électrostatiques.
Continuez à sauvegarder les résultats, qui sont zippés. En ouvrant le fichier zip, un dossier de sortie affiche les scores d’affinité. Évaluation ADMET-S.
L’évaluation ADMET, sans stabilité, implique trois outils différents. ADMET évalue la toxicomaniabilité et la biodisponibilité en utilisant plus de 120 propriétés. L’ORCA applique la théorie de la fonction de la densité, DFT, pour analyser les propriétés des médicaments.
Allons-y. Créez un répertoire pour la stabilité. Récupérez la chaîne SMILES d’une petite molécule.
Ouvre Avogadro, ou éditeur de molécules de ton choix. Utilisez la chaîne SMILES pour construire votre petite molécule. Sauvegardez la molécule après avoir construit.
Assurez-vous qu’il se trouve dans un sous-répertoire de stabilité. Procédez à l’optimisation de la géométrie. Ensuite, un fichier d’entrée ORCA est généré.
Copiez-collez le niveau de théorie souhaité, tel que vu à partir de la quatrième ligne du document d’exemple. Procéder à remplacer le niveau de théorie par défaut. Procédez à la génération du fichier.
Sauvegarder dans ce dossier de stabilité. Ajoutez le fichier sh ou le fichier de travail bash. Procédez à la personnalisation des paramètres du fichier de travail.
Par exemple, l’email à notifier peut être personnalisé. Résultats représentatifs. Premièrement, nous avons l’ACP pour la réduction de la dimensionnalité multiple.
Cette figure montre différents groupes numérotés regroupés en ellipses grises. Ensuite, résultats de l’échantillon de ligand 1 et PLK1-PBD. En haut à gauche est représentée le ligand 1 en vert, avec des résidus indésirables, rouges et orange.
À droite se trouve un modèle représentatif après nettoyage et préparation avec CHARMM-GUI. Ci-dessous se trouve le complexe amarré avec PLK1, PBD et ligand 1. De plus, CB-Dock2 montre les cinq cavités d’amarrage les plus performantes et leurs affinités sous forme de scores Vina.
Les affinités de liaison prédites de PRODIGY peuvent être visualisées grâce à des cartes thermiques. La carte thermique présente les rôles des homologues PLK1, 2 et 3. Le rouge représente une affinité faible et indésirable, et le vert l’inverse.
L’évaluation ADMET-S peut être représentée avec une variété de chiffres. D’abord, il y a l’œuf dur. La carte thermique identifiant l’inhibiteur et le statut non-substrat avec le vert et le rouge des ligands selon différents indicateurs métaboliques.
Pour le clearance, un graphique linéaire présentant les seuils de temps idéaux pour que le médicament soit distribué avant l’expression. Divers indicateurs peuvent également être compilés dans un tableau radar utile. Le nombre de toxicophores dans chaque ligand peut être représenté à l’aide d’un tableau de colonnes.
Toxtree produit à la fois une classification de toxicité des médicaments et un raisonnement qualitatif basé sur l’arbre de décision des règles de Cramer. La stabilité ou la réactivité moléculaire peuvent être représentées par un graphique linéaire de seuils d’écart HOMO-LUMO adéquats. Conclusion. Pour résumer, ce protocole utilise une variété d’outils virtuels de dépistage des médicaments, d’affinité de liaison et ADMET-S au niveau du lycée ou de la licence.
Les résultats générés par ce protocole ont le potentiel d’augmenter le rendement de la découverte favorable de médicaments.
Aperçu
Ce protocole démontre un flux de travail computationnel bilingue pour identifier les inhibiteurs potentiels de PLK1. Il souligne l'importance d'évaluer les interactions protéine-ligand et les propriétés ADMET-S dans la découverte de médicaments.
Composantes clés de l'étude
Domaine scientifique
- Chimie
- Biologie computationnelle
- Pharmacologie
Contexte
- PLK1 est surexprimé dans divers cancers.
- L'inhibition de PLK1 peut induire l'apoptose.
- L'étude vise à identifier des inhibiteurs sélectifs du PLK1-PBD.
- Les bases de données de produits naturels sont utilisées pour le criblage des inhibiteurs potentiels.
Objectif de l'étude
- Développer un flux de travail pour identifier les inhibiteurs de PLK1.
- Évaluer les propriétés médicinales et pharmacocinétiques des candidats.
- Utiliser des outils computationnels pour la découverte de médicaments.
Méthodes utilisées
- Préparation des protéines à l'aide de CHARMM-GUI.
- Criblage de la base de données de produits naturels avec SuperNatural 3.0.
- Docking protéine-ligand et calculs d'affinité de liaison.
- Évaluation ADMET-S pour l'évaluation de la médicamentabilité et la biodisponibilité.
Résultats principaux
- Identification de 999 molécules candidates après le criblage.
- Affinités de liaison calculées à l'aide de PRODIGY.
- L'évaluation ADMET-S fournit des informations sur les propriétés des médicaments.
- Visualisation des résultats à travers diverses représentations graphiques.
Conclusions
- Le protocole offre une approche complète pour le criblage virtuel de médicaments.
- Il a des applications potentielles pour améliorer les efforts de découverte de médicaments.
- Le flux de travail est adapté aux fins éducatives au niveau du lycée ou de l'université.
Questions fréquemment posées
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
