מאמר שיטה

ניתוחים מבניים של משתנה שבר שרשרת יחיד ספציפי לקולטן גורם גדילה אפידרמלי באמצעות גישת In Silico

DOI:

10.3791/65894

⸱

10 בנובמבר 2023

 , 
1College of Arts and Sciences, Qatar University, 2Amity University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול חיזוי זה של מידול הומולוגיה של נוגדנים מלווה בעגינה של Pyrx לקולטן נוגדנים וסימולציה דינמית מולקולרית. שלוש השיטות העיקריות הללו משמשות להמחשת אזורי הקישור המדויקים של קולטני נוגדנים ויציבות הקישור של המבנה הסופי.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

נוגדנים משתנים של שרשרת אחת (scFv) נבנו בעבר משרשראות קלות וכבדות משתנות שאליהן הצטרף מקשר (Gly4-Ser) 3. המקשר נוצר באמצעות תוכנת מידול מולקולרי כמבנה לולאה. כאן, אנו מציגים פרוטוקול לניתוחבסיליקו של נוגדן scFv שלם המקיים אינטראקציה עם קולטן גורם הגדילה האפידרמלי (EGFR). המודלים ההומולוגיה, עם Pyrx של עגינת חלבון-חלבון וסימולציה דינמית מולקולרית של נוגדן scFv האינטראקציה ו-EGFR ראשית, המחברים השתמשו בתוכנית מידול מבנה חלבון וב-Python למידול הומולוגיה, ומבנה הנוגדן scFv עוצב להומולוגיה. החוקרים הורידו את תוכנת Pyrx כפלטפורמה במחקר העגינה. הסימולציה הדינמית המולקולרית הופעלה באמצעות תוכנת מידול. התוצאות מראות שכאשר סימולציית MD הייתה נתונה למזעור אנרגיה, למודל החלבון הייתה אנרגיית הקישור הנמוכה ביותר (-5.4 קק"ל/מ'). בנוסף, סימולציית MD במחקר זה הראתה כי נוגדן EGFR-scFv המעוגן היה יציב במשך 20-75 ns כאשר תנועת המבנה גדלה בחדות ל-7.2 Å. לסיכום, בוצע ניתוח בסיליקו, וסימולציות העגינה המולקולרית והדינמיקה המולקולרית של נוגדן scFv הוכיחו את יעילותה של התרופה הטיפולית-חיסונית המתוכננת scFv כטיפול תרופתי ספציפי ל-EGFR.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

שינויים קונפורמטיביים בחלבון (ליגנד וקולטן) מתרחשים תמיד על סמך פונקציות מבוססות מבנה. חקר חריצי הקישור האפשריים של החלבון וחיזוי אינטראקציית הקישור היציבה היא שיטה מתקדמת להכנת תרופות לשימוש טוב יותר בגוף האדם. מידול הומולוגיה ואחריו עגינה וסימולציה דינמית מולקולרית היא שיטה פשוטה לחיזוי מדויק של אינטראקציות יציבות של קשירה בין שאריות של קולטנים ונוגדנים בנויים המשמשים כרפואה מותאמת אישית ספציפית 1,2. מבנה המודל החזוי יכול להראות שינויים קונפורמטיביים וסידורים מחדש באתרי קשירת ליגנד-קולטן, במיוחד בממשק הנוגדן-קולטן. ישנן סיבות רבות לשינויים אלה, כגון סיבוב של שרשראות צד, טרנספורמציה מבנית גלובלית או שינויים מורכבים יותר. הסיבה העיקרית למידול הומולוגיה היא להבחין בין המבנה השלישוני של חלבון לבין המבנה הראשוני שלו 2,3.

קולטן טירוזין קינאז הנקרא קולטן גורם גדילה אפידרמלי (EGFR) ממלא תפקידים ביולוגיים רבים בתאי סרטן, כולל אפופטוזיס 4,5, התמיינות 6,7, התקדמות מחזור התא 8,9, התפתחות 9,10 ושעתוק11. EGFR הוא אחד היעדים הטיפוליים הידועים לסרטן השד12. ביטוי יתר של פעילות קינאז רגילה כגון EGFR מוביל בדרך כלל להתקדמות תאים סרטניים, שיכולה להיות מדוכאת על ידי סוגים רבים של מעכבי סרטן13. קולטן גורם הגדילה האפידרמלי (EGFR) שימש כקולטן למשתנה שבר השרשרת היחיד שנבנה במיוחד כדי לעבוד נגד קולטן זה. המבנה החזוי שלו שימש לבדיקת פעילות קשירת הנוגדנים.

במאמר זה, מבנה הנוגדנים scFv עוצב באמצעות תוכנת מידול עם סקריפט Python ושיטת מידול הומולוגיה14,15. ניתן לבנות מודל הומולוגיה מרצפי החלבונים וחומצות האמינו של קולטנים וליגנדים16,17. בנוסף, נעשה שימוש בטכנולוגיות ביואינפורמטיקה מתקדמות כגון עגינה מולקולרית כדי לחזות כיצד ליגנדים של מולקולות קטנות ייקשרו לאתר קשירת המטרה הנכון. העגינה תאזן את הפיתוח של תרופות חדשות המכוונות למחלות מרובות. התנהגות הקישור נלקחת בחשבון 5,18.

יתר על כן, עגינה מולקולרית היא טכניקה קריטית כדי להקל ולהאיץ את התפתחות קשירת קולטני הליגנד. עגינה מולקולרית מאפשרת למדענים לסנן באופן וירטואלי ספריית ליגנדים כנגד חלבון מטרה ולחזות את קונפורמציות הקישור והזיקה של הליגנדים לחלבון קולטן המטרה. סימולציה דינמית מולקולרית (MNS) מדגימה כיצד השאריות נעות בחלל, מדמה את תנועות הנוגדנים לעבר הקולטנים שלהם, ולבסוף מודיעה על מאמצי תכנון הנוגדנים. מחקר זה הוא חיזוי חדשני של מידות קופסאות הרשת שהחליטו כיצד נוגדן scFv נקשר ל-EGFR וזיהוי האנרגיה והזמן של קשירה זו בסימולציית MD.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. חיזוי מבנה משני של חלבון משתנה שבר שרשרת בודד (scFv)

  1. בנה את המבנה התלת-ממדי של משתנה השבר היחיד (scFv) עם בנק נתוני חלבון BLAST (PDB), מספור KABAT ותוכנת המידול. ה-scFv מורכב מקישור (Gly4-Ser) המחבר שרשרת כבדה משתנה (VH) ושרשרת קלה משתנה (VL).
  2. השתמש בתוכנת המידול המולקולרי כדי לבנות את המקשר כמבנה לולאה, ובצע את כל השיטות הללו כמתואר במחקרים קודמים 2,19,20.

2. בחירת תבניות וחיזוי מבנה תלת מימד scFv ו-EGFR ומידול הומולוגיה

  1. בחר תבנית 1ivo עבור מבני EGFR (בהתבסס על הרזולוציה הגבוהה שלה). הורד את 1ivo.pdb file מ-pdb webאתר, כפי שמוצג באיור 1B.
  2. הכן את הקלט 1ivo.pdb file כמתואר להלן.
    1. בקובץ 1ivo.pdb, הסר את כל הליגנדים החיצוניים על ידי פתיחת אתר pdb.org ובחירת 1ivo. מבנה, ומחפש את שם הליגנדים תחת כותרת המולקולה הקטנה בדף מבנה 1ivo באתר pdb.
    2. מצא את שם הליגנד NAG. פתח את הקובץ 1ivo.pdb שהורד מאתר pdb ומצא את שאריות הסיום (TER).
    3. מחק את שאריות הליגנדים החיצוניים במבנה 1ivo, החל מהשאריות לאחר TER ולפני שהשאריות מסתיימות. שמור את 1ivo.pdb file במערכת.
  3. הכן את הקובץ 1ivo.pdb שנשמר כמתואר להלן.
    1. הורד את תוכנת העגינה של Autodock (autodock.scripps.edu) מאזור בחירת החלון. לחץ על הקובץ Open 1ivo.pdb.
    2. השתמשו בפקודה Edit כדי לבחור Add Hydrogen > Add, לאחר מכן בחרו Polar Only ולאחר מכן לחצו על Ok.
    3. השתמש בפקודה Edit כדי להוסיף חיובי Kollman (איור משלים 1). השתמשו בפקודה 'עריכה' למחיקת מים. שמור את הקובץ 1ivo.pdb במחשב.
  4. צמצם את האנרגיה של מבנה 1ivo.pdb כמתואר להלן.
    1. הורד את SPDBV. תוכנה מבית http://spdbv.vital-it.ch/disclaim.html. פתח את הקובץ 1ivo.pdb.
    2. בחר הכל. בחר את הפקודה ביצוע > מזעור אנרגיה > אישור (איור משלים 2). שמור את קובץ 1ivo במחשב.
  5. הכן את המודל המלא scFv באמצעות מודלים הומולוגיה כמתואר להלן.
    1. הורד את תוכנת המידול17 ואת מעטפת סקריפט Python 3.7.9 מהחלון- 64. שמור את קבצי התוכנה שהורדת בכונן D.
  6. הכן את קבצי הקלט כמתואר להלן.
    1. טען את קובץ scFv Pdb בפורמט fasta מאתר NCBI ושנה את שם הקובץ TARGET.ali. כמתואר בקובץ קידוד משלים 1. בחר את התבנית באמצעות המקטע Blast ב-NCBI, הדבק את הקובץ ברצף, בחר בפורמט pdb 7det.pdb כמתואר בקובץ קידוד משלים 2 ולאחר מכן שלח. לאחר מכן, השתמש באתר pdb.org כדי להשיג את קובץ התבנית.
    2. הכן את קובץ הקלט השלישי כ-align2d.py (Python) כמתואר בקובץ קידוד משלים 3, שנפתח כפי שמוצג באיור משלים 3A. לחץ על הצג עוד אפשרות ולאחר מכן עבור אל ערוך עם IDLE > ערוך עם EDLE (64 סיביות). הפעל באמצעות הפקודה Run module 5 align2d.py כדי לקבל שני קבצי פלט: Tar- 7det.ali ו- Tar- 7det.pap.
  7. השלם את שלושת השלבים הקודמים כדי להשתמש בפקודה בקובץ הקלט האחרון.
  8. הוסף קובץ קלט חדש model-single.py (קובץ פייתון פקודה) כפי שמוצג בקובץ קידוד משלים 4 וכמתואר להלן.
    1. לחץ על האפשרות הצג עוד ולאחר מכן עבור אל ערוך עם IDLE > ערוך עם EDLE3.7 (64 סיביות). הפעל באמצעות הפקודה (הפעל מודול 5) כפי שמוצג באיור משלים 3B.
      הערה: קבצי הפלט המתקבלים הם ששת הקבצים של המודלים ההומולוגיה המוצגים באיור משלים 3C.

3. חיזוי והערכה של מבנה משני של הקולטן

  1. זהה את התיקון והדיוק של מודלים הומולוגיה כמתואר להלן.
    1. צור את עלילת Ramachandran עבור דגמי scFv ודגמי EGFR על ידי הורדת כלי ההדמיה מ-https://discover.3ds.com/discovery-studio-visualizer-download.
    2. פתח את file ולאחר מכן לחץ באמצעות לחצן העכבר הימני ובחר את רצף התצוגה (איור משלים 4). העתק את הרצף והדבק אותו במסד הנתונים הציורי של מבנים תלת-ממדיים (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/.
    3. בחר חיפוש לפי רצף, הדבק את העותק של הרצף ולאחר מכן שלח אותו. צור את העלילה כפי שמוצג באיור 1B,D.

4. עגינה של חלבון-חלבון

  1. הורד את תוכנת כלי הסינון הווירטואלי.
  2. עבור לקובץ> קרא מולקולות > טען 1ivo.pdb. לחץ לחיצה ימנית על החלבון בלוח העגינה האוטומטית כדי ליצור מקרומולקולה. לחץ שוב באמצעות לחצן העכבר הימני כדי ליצור ליגנד (איור משלים 5).
  3. לחץ בחלונית העגינה האוטומטית כדי לבחור חלבון ולאחר מכן בחר ליגנד.
  4. פתח את רשימת החלבונים. לאחר מכן, מהרשימה, בחר חלבון scFv.
  5. עבור אל החלפת מצב כדורי בחירה. התאם את תיבת הרשת למרכז הקולטן. לחץ על Forward כאשר הכפתור הוורוד העגול מופיע.
  6. כדי להכין את קבצי ה-pdbqt הן עבור מבני נוגדן scFv והן עבור מבני EGFR (1ivo), השתמש בשלבים הבאים.
    1. עבור אל C Drive > Program Files (86) > משתמשים, ולאחר מכן בחר את קובץ ה-pyrx המכיל מקרומולקולות וקבצי פלט חלבון שנשמרו כקובץ pdbqt.
    2. לאחר מכן, שמור את קובץ הנוגדן pdbqt של משתנה שבר שרשרת אחת (scFv).
  7. הורד את תוכנת PyMOL ב-PyMOL | pymol.org. השתמש בתוכנת PyMOL כדי להציג את תצורות ה-EGFR של קולטני נוגדנים scFv.
    1. עבור לקובץ ופתח את C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein. הכן את תצורות העגינה של scFvantibody המקיים אינטראקציה עם הקולטן באיור 2A כמתואר להלן.
      1. השתמש באפשרות התצוגה כדי להציג את הקולטן (1ivo) file כשאריות רצף עם רקע לבן המוצג באיור משלים 6.
      2. הצג את תצורת העגינה file ברזולוציה גבוהה יותר כדי לראות את צבע הליגנד בצבעי שאריות ירוק ואדום. הצג את המשטח הקשיח של הקולטן (1ivo) בצהוב.
  8. הכן את תצורות העגינה של scFvantibody המקיים אינטראקציה עם הקולטן באיור 2B, כמתואר להלן.
    1. הורד את תוכנת העגינה מאזור בחירת החלון. השתמש ב-Autodock כדי להציג את התצורות והקונפורמציות של EGFR של קולטני נוגדנים scFv.
      1. ב-Autodock, בחר/י באפשרות ״נתח״ ולאחר מכן פתח/י את התוצאה של Autodock Vina. עבור אל קובץ ופתח את C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein.
      2. בחר את קובץ ה-pdb של קולטן החלבון, ולאחר מכן בחר את האזור של תצורת הליגנד (מבנה נוגדני scFv). חבר את המשטח הנוקשה של הקולטן עם תצורת המבנה המעוגן והסתר את שאר הקולטן. הסתר את השאריות הרחוקות של הקולטן מהשאריות המחוברות לליגנד, כפי שמוצג באיור 2B.
    2. קומפלקס החלבון-חלבון נחשב אז מוכן לביצוע סימולציית MD.

5. סימולציה דינמית מולקולרית (MD Simulation) של קומפלקס עגינת הנוגדנים EGFR-scFv

  1. הורד את תוכנת הסימולציה MD והשתמש בה באופן הבא.
    1. הכן את קובץ ה-pdb של EGFR (1ivo) באמצעות אשף התיקון כמו באיור משלים 7A. הפעל את קטע העיבוד המקדים כדי לחדד את הקובץ. שלח את הקובץ המעודכן להגדרה בבונה המערכות.
    2. טען את תוכנת הדמיית הדינמיקה המולקולרית מספריית העבודה. הוסף את היונים ושדרג את המעודן file כדי להגיע ל-20 Å כדי להגיש את העבודה (טבלה 1), מוצגת גם באיור משלים 7B.
    3. טען את ה-EGFR (1ivo) pdb מהקובץ המיובא, ולאחר מכן בחר צעדי זמן של 100 ns כדי להפעיל אותו (איור משלים 7C).
  2. התחל את ניתוח הסימולציה לאחר השלמת סימולציית MD כמתואר להלן.
    1. צור תיקיית עבודה ושמור אותה בקובץ cms . טען את קובץ ה-cms כדי לבצע שלב זה בהדמיית MD.
    2. צור ספריית עבודה לתיקיות הפרויקט ודווח על ערכי האנרגיה. השתמש S.I.D. pdf כדי לדווח על הסימולציה, כפי שמוצג באיור 3A, ועל דיאגרמת האינטראקציה וקשר H, כפי שמוצג באיור 3B.
    3. טען את קובץ ה-pdf של cms על ידי גלישה מהתיקייה והשתמש ב-TIP3P כמודל למזעור נפח הקבצים.
    4. צור את קובץ המסה כדי לבצע שלב זה המוצג באיור משלים 7D. שמור קובץ pdf דרך התוכנה, ונתח את הנתונים, וכתוצאה מכך איור 4, איור 5 ואיור 6.
  3. צור הגדרת סיום MDsimulation על ידי יצירת קובץ הפתרון. מצא את התוצאות בתיבת הגבול, כפי שמוצג באיור 7.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

באמצעות טכנולוגיית תצוגת פאג'ים, הגן scFv anti-EGFR נוצר מקו ההיברידומה של תאי B של העכבר C3A820,21. דגמי המבנה המשתנה של שבר שרשרת בודד (scFv) של מבני VH ו-VL נבנו בנפרד, על פי Chua et al.22. לאחר מכן, הדגמים נראו כסרטים שיוצרו באמצעות RasMol. לאחר מכן, באמצעות תוכנת מידול מולקולרי, נעשה שימוש בפפטיד סינתטי [Gly4Ser)3 כדי לחבר את מבני ה-VH וה-VL שמודלו בנפרד. אינטראקציית הליגנד עם הקולטן מופעלת כמבנה מקומי המשנה את אתרי הקישור הנקראים קצו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EGFR הוא קולטן המטרה העיקרי של סרטן השד. ביטוי יתר של EGFR מגדיל את מקרי סרטן השד ברחבי העולם. בינתיים, נוגדנים ספציפיים כגון משתני שבר שרשרת בודד הם נוגדנים הנעים בקלות במחזור הדם ובעלי קצב פינוי מהיר בגוף. נוגדנים הם פתרון נבון ותרופה אימונותרפית יעילה37. לכן, תכנון תרופות מבוסס מבנה חייב לזהות תרופות מעכבות, כגון נוגדנים scFv, הפועלות באופן ספציפי נגד קולטן מטרה (EGFR). בהתבסס על תכנון תרופות בסיליקו , החוקר במחקר זה עבד על ניסויים ביציבות של נוגדן scF...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין מה לחשוף.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
תוכנת Autodockהמרכז לביולוגיה  AutoDock (scripps.edu)
תוכנת Desmond Maestro 19.4 שרדינגרwww.schrodinger.com 
הורד את Discovery Studio 2021   דאסו מערכות  https://discover.3ds.com/discovery-studio-visualizer-download.
גרסת המודלים 9.24[17] אוניברסיטת קליפורניהhttps://salilab.org/modeller/9.24/release.html
מסד נתונים ציורי של מבנים תלת מימדיים (pdbsum)EMBL-EBI  www.ebi.ac.uk/thornton-srv/databases/pdbsum/
תוכנת PyMOL שרדינגרPyMOL | pymol.org
תוכנת Pyrx Sourceforge  הורדהה PyRx - כלי סינון וירטואלי (sourceforge.net)
מעטפת סקריפט Python 3.7.9 מהחלון (64)PythonPython שחרור Python 3.7.9 | Python.org
תוכנת SPDBV אקספאסיhttp://spdbv.vital-it.ch/disclaim.html
מבנית חישובית

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Clark, J. J., Orban, Z. J., Carlson, H. A. Predicting binding sites from unbound versus bound protein structures. Sci Rep. 10 (1), 15856(2020).
  2. Huang, Y., et al. A stepwise docking molecular dynamics approach for simulating antibody recognition with substantial conformational changes. Comput Struct Biotechnol J. 20, 710-720 (2022).
  3. Mahgoub, I. O., Ali, A. M., Hamid, M., Alitheen, N. M. Single chain fragment variable (scFv) secondary structure prediction and evaluation. FASEB J. 25, (2011).
  4. Kim, H., et al. Titanium dioxide nanoparticles induce apoptosis by interfering with EGFR signaling in human breast cancer cells. Environ Res. 175, 117-123 (2019).
  5. Mahgoub, E. O., Abdella, G. M. Improved exosome isolation methods from non-small lung cancer cells (NC1975) and their characterization using morphological and surface protein biomarker methods. J Cancer Res Clin Oncol. 149 (10), 7505-7514 (2023).
  6. Shaurova, T., Zhang, L., Goodrich, D. W., Hershberger, P. A. Understanding lineage plasticity as a path to targeted therapy failure in EGFR-mutant non-small cell lung cancer. Front Genet. 11, 281(2020).
  7. Mahgoub, E. O., Bolad, A. K. Construction, expression and characterisation of a single chain variable fragment in the Escherichia coli periplasmic that recognise MCF-7 breast cancer cell line. J Cancer Res Ther. 10 (2), 265-273 (2014).
  8. Mahgoub, I. O. Design, expression and characterization of a single chain fragment variable anti-mcf-7 antibody; A humanized antibody derived from monoclonal antibody. Ann Res Conf Proc. 2014 (1), (2014).
  9. Sun, X. L., et al. Dimeric (-)-epigallocatechin-3-gallate inhibits the proliferation of lung cancer cells by inhibiting the EGFR signaling pathway. Chem Biol Interact. 365, 110084(2022).
  10. Mahgoub, E. O., Haik, Y., Qadri, S. Comparison study of exosomes molecules driven from (NCI1975) NSCLC cell culture supernatant isolation and characterization techniques. FASEB J. 33, 647(2019).
  11. Madeddu, C., et al. EGFR-mutated non-small cell lung cancer and resistance to immunotherapy: Role of the tumor microenvironment. Int J Mol Sci. 23 (12), 6489(2022).
  12. Mahgoub, I., Bolad, A. K., Mergani, M. and immune-characterization of single chain fragment variable (scFv) antibody recognize breast cancer cells line (MCF-7). J. Immunother Cancer. 2, 6(2014).
  13. Ladner, R. C., Sato, A. K., Gorzelany, J., de Souza, M. Phage display-derived peptides as therapeutic alternatives to antibodies. Drug Discov Today. 9 (12), 525-529 (2004).
  14. Khan, M. H., Manoj, K., Pramod, S. Reproductive disorders in dairy cattle under semi-intensive system of rearing in North-Eastern India. Vet World. 9 (5), 512-518 (2016).
  15. Al-Refaei, M. A., Makki, R. M., Ali, H. M. Structure prediction of transferrin receptor protein 1 (TfR1) by homology modelling, docking, and molecular dynamics simulation studies. Heliyon. 6 (1), 03221(2020).
  16. Anbuselvam, M., et al. Structure-based virtual screening, pharmacokinetic prediction, molecular dynamics studies for the identification of novel EGFR inhibitors in breast cancer. J Biomol Struct Dyn. 39 (12), 4462-4471 (2021).
  17. Oduselu, G. O., Ajani, O. O., Ajamma, Y. U., Brors, B., Adebiyi, E. Homology modelling and molecular docking studies of selected substituted benzo d imidazol-1-yl) methyl) benzimidamide scaffolds on Plasmodium falciparum adenylosuccinate lyase receptor. Bioinform Biol Insights. 13, 1177932219865533(2019).
  18. Mahgoub, E. O., et al. et al. of exosome isolation techniques in lung cancer. Mol Biol Rep. 47 (9), 7229-7251 (2020).
  19. Shree, P. Targeting COVID-19 (SARS-CoV-2) main protease through active phytochemicals of ayurvedic medicinal plants -Withania somnifera (Ashwagandha), Tinospora cordifolia (Giloy) and Ocimum sanctum (Tulsi) - a molecular docking study. J Biomol Struct Dyn. 40 (1), 190-203 (2022).
  20. Mahgoub, I. O. Expression and characterization of a functional single-chain variable fragment (scFv) protein recognizing MCF7 breast cancer cells in E. coli cytoplasm. Biochem Genet. 50 (7-8), 625-641 (2012).
  21. Mahgoub, E. O. Single chain fragment variables antibody binding to EGF receptor in the surface of MCF7 breast cancer cell line: Application and production review. Open J Genet. 7 (2), 84-103 (2017).
  22. Heng, C. K., Othman, R. Y. Bioinformatics in molecular immunology laboratories demonstrated: Modeling an anti-CMV scFv antibody. Bioinformation. 1 (4), 118-120 (2006).
  23. Mahgoub, E. O., Ahmed, B. Correctness and accuracy of template-based modeled single chain fragment variable (scFv) protein anti- breast cancer cell line (MCF-7). Open J Genet. 3 (3), 183-194 (2013).
  24. Khare, N., et al. Homology modelling, molecular docking and molecular dynamics simulation studies of CALMH1 against secondary metabolites of Bauhinia variegata to treat Alzheimer's disease. Brain Sci. 12 (6), 770(2022).
  25. Hu, J., Rao, L., Fan, X., Zhang, G. Identification of ligand-binding residues using protein sequence profile alignment and query-specific support vector machine model. Anal Biochem. 604, 113799(2020).
  26. Santos, L. H. S., Ferreira, R. S., Caffarena, E. R. Integrating molecular docking and molecular dynamics simulations. Methods Mol Biol. 2053, 13-34 (2019).
  27. Xu, D., Tsai, C. J., Nussinov, R. Hydrogen bonds and salt bridges across protein-protein interfaces. Protein Eng. 10 (9), 999-1012 (1997).
  28. Das, S., Chakrabarti, S. Classification and prediction of protein-protein interaction interface using machine learning algorithm. Sci Rep. 11 (1), 1761(2021).
  29. Mahmoud, S. S. A., Elkaeed, E. B., Alsfouk, A. A., Abdelhafez, E. M. N. Molecular docking and dynamic simulation revealed the potential inhibitory activity of opioid compounds targeting the main protease of SARS-CoV-2. Biomed Res Int. 2022, 1672031(2022).
  30. Villada, C., Ding, W., Bonk, A., Bauer, T. Simulation-assisted determination of the minimum melting temperature composition of MgCl2-KCl-NaCl salt mixture for next-generation molten salt thermal energy storage. Front. Energy Res. 10, 809663(2022).
  31. Hog, S. E., Rjiba, A., Jelassi, J., Dorbez-Sridi, R. NaCl salt effect on water structure: a Monte Carlo simulation study. Phys Chem Liq. 60 (5), 767-777 (2022).
  32. Maruyama, Y., Igarashi, R., Ushiku, Y., Mitsutake, A. Analysis of protein folding simulation with moving root mean square deviation. J Chem Inf Model. 63 (5), 1529-1541 (2023).
  33. Winarski, K. L., et al. Vaccine-elicited antibody that neutralizes H5N1 influenza and variants binds the receptor site and polymorphic sites. Proc Natl Acad Sci U S A. 112 (30), 9346-9351 (2015).
  34. Awal, M. A., et al. Structural-guided identification of small molecule inhibitor of UHRF1 methyltransferase activity. Front Genet. 13, 928884(2022).
  35. Sharma, P., Hu-Lieskovan, S., Wargo, J. A., Ribas, A. adaptive, and acquired resistance to cancer immunotherapy. Cell. 168 (4), 707-723 (2017).
  36. Geerds, C., Wohlmann, J., Haas, A., Niemann, H. H. Structure of Rhodococcus equi virulence-associated protein B (VapB) reveals an eight-stranded antiparallel β-barrel consisting of two Greek-key motifs. Acta Crystallogr F Struct Biol Commun. 70 (7), 866-871 (2014).
  37. Mahgoub, E., et al. The therapeutic effects of tumor treating fields on cancer and noncancerous cells. Arabian J Chem. 14 (10), 103386(2021).
  38. Hospital, A., Goni, J. R., Orozco, M., Gelpi, J. L. Molecular dynamics simulations: advances and applications. Adv Appl Bioinform Chem. 8, 37-47 (2015).
  39. Kaur, J., Tiwari, R., Kumar, A., Singh, N. Bioinformatic analysis of Leishmania donovani long-chain fatty acid-CoA ligase as a novel drug target. Mol Biol Int. 2011, 278051(2011).
  40. Páll, S., Hess, B. A flexible algorithm for calculating pair interactions on SIMD architectures. Comp Phy Comm. 184 (12), 2641-2650 (2013).
  41. Tobi, D., Bahar, I. Structural changes involved in protein binding correlate with intrinsic motions of proteins in the unbound state. Proc Natl Acad Sci U S A. 102 (52), 18908-18913 (2005).
  42. Sinha, S., Wang, S. M. of VUS and unclassified variants in BRCA1 BRCT repeats by molecular dynamics simulation. Comput Struct Biotechnol J. 18, 723-736 (2020).
  43. Patel, D., Athar, M., Jha, P. C. Exploring Ruthenium-based organometallic inhibitors against Plasmodium falciparum calcium dependent kinase 2 (PfCDPK2): A combined ensemble docking, QM/MM and molecular dynamics study. Chem Select. 6 (32), 8189-8199 (2021).
  44. Khan, A., et al. Higher infectivity of the SARS-CoV-2 new variants is associated with K417N/T, E484K, and N501Y mutants: an insight from structural data. J Cell Physiol. 236 (10), 7047-7057 (2021).
  45. Zhang, Q., Shao, d, Xu, P., Jiang, Z. Effects of an electric field on the conformational transition of the protein: Pulsed and oscillating electric fields with different frequencies. Polymers. 14 (1), 123(2021).
  46. Mahtarin, R., et al. et al. and dynamics of membrane protein in SARS-CoV-2. Biomol Struct Dyn. 40 (10), 4725-4738 (2022).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Single Chain Fragment VariableEpidermal Growth Factor ReceptorIn Silico AnalysisHomology ModelingMolecular DockingMolecular Dynamics SimulationProtein Structure ModelingAntibody EGFR InteractionProtein Protein DockingBinding Energy
הסרטון יגיע בקרוב

מאמרים קשורים