Relazione quantitativa struttura-attività, previsione dell'attività e dinamica molecolare degli inibitori della trascrittasi inversa non nucleotidica

Summary

Questo studio ha utilizzato strategie in-silico per identificare l'etravirina enumerata come un promettente agente terapeutico per l'HIV. I nostri risultati sulle interazioni molecolari e le dinamiche supportano la progettazione razionale di nuovi NNRTI come possibili alternative al trattamento dell'HIV.

Abstract

La crescente incidenza della resistenza ai farmaci dell'HIV-1 rappresenta una sfida per l'efficacia della terapia antiretrovirale combinata, in particolare nell'Africa meridionale. Lo sviluppo di resistenza agli inibitori non nucleotidici della trascrittasi inversa (NNRTI) minaccia il successo a lungo termine della terapia antiretrovirale. Nel 2019, la resistenza antimicrobica ha rappresentato direttamente circa 1,27 milioni di decessi a livello globale. Questo studio ha impiegato un approccio in-silico per studiare i farmaci NNTRI e i loro derivati. Le tecniche utilizzate includevano calcoli della teoria del funzionale della densità, docking molecolare, enumerazione, analisi quantitativa della relazione struttura-attività (QSAR), simulazione della dinamica molecolare (MDS) e meccanica molecolare con metodi generalizzati di Born e dell'area di superficie. L'analisi si è concentrata su vari derivati pirimidinici e sei farmaci NNRTI, esaminando le loro interazioni con la proteina HIV-1 (codice PDB 1HQU).

È stato sviluppato un modello QSAR per prevedere l'attività biologica dei sei NNRTI in esame. Utilizzando 94 derivati pirimidinici, il modello QSAR ha ottenuto un R² DI 0,822 e un Q² di 0,815, indicando un alto livello di accuratezza predittiva.

Le MDS sono state condotte per valutare la stabilità di vari ligandi e delle loro alternative di nuova concezione, assicurando che rimanessero legati al sito attivo della proteina per un periodo di simulazione di 200 nanosecondi. L'etravirina ha mostrato fluttuazioni della deviazione quadratica media (RMSD) di circa 4,5 Å, mentre le sue derivate enumerate hanno mostrato fluttuazioni RMSD di 3,5 Å. Attraverso il docking molecolare, le MDS e i calcoli dell'energia libera, l'etravirina enumerata ha dimostrato le migliori prestazioni, con un valore di attività di 7,373 e un punteggio di docking di -10,517 kcal/mol. Inoltre, l'energia libera calcolata del legame per l'etravirina enumerata è stata di -89,684 kcal/mol, superando gli altri ligandi in esame. Il miglioramento significativo suggerisce che l'etravirina modificata ha un potenziale promettente come nuovo agente nella terapia antiretrovirale.

Il valore RMSD più basso ottenuto, le interazioni aminoacidiche migliorate e la più alta energia libera di legame indicano che l'etravirina enumerata potrebbe servire come una valida alternativa per il trattamento dell'HIV/AIDS.

Introduction

Nonostante i notevoli progressi nel trattamento, la grave minaccia sanitaria globale della sindrome da immunodeficienza acquisita (AIDS), causata dal virus dell'immunodeficienza umana-1 (HIV-1), rimane una minaccia persistente¹. I farmaci antiretrovirali noti come inibitori della trascrittasi inversa, RTI, sono usati per trattare l'infezione da HIV. La trascrittasi inversa, un enzima della polimerasi dell'acido desossiribonucleico virale (DNA) essenziale per la replicazione del retrovirus, è inibita dagli inibitori della trascrittasi inversa (RTI). Gli inibitori nucleosidici della trascrittasi inversa (NRTI) e gli inibitori non nucleotidici della trascrittasi inversa (NNRTI) sono i principali RTI².

La terapia antiretrovirale altamente attiva (HAART), una combinazione di vari farmaci antivirali, è emersa come terapia standard per l'HIV, controllando efficacemente la diffusione dell'AIDS e trasformando questa malattia un tempo fatale in^{una condizione} cronica gestibile. Gli NNRTI per l'HIV-1 sono attualmente una parte significativa del regime HAART⁴. La resistenza antimicrobica (AMR) è una delle minacce più critiche per la salute a livello mondiale, con una stima di 1,27 milioni di decessi⁵. Di conseguenza, vi è un urgente bisogno di risolvere i problemi di AMR e identificare nuovi agenti antimicrobici. Secondo l'Organizzazione Mondiale della Sanità (OMS), la resistenza antimicrobica ha raggiunto livelli allarmanti in molte parti del mondo.

Ciò rappresenta un grave rischio per il raggiungimento degli obiettivi di sviluppo sostenibile, in quanto mina la sicurezza alimentare, la crescita economica e la sicurezza sanitaria, contribuendo anche alle disuguaglianze sociali ed economiche⁶. La prevalenza di virus resistenti ai farmaci è in aumento, anche nei farmaci antiretrovirali progettati per combattere l'HIV. Secondo recenti statistiche, alla fine del 2022 quasi 30 milioni di persone in tutto il mondo assumevano una terapia antiretrovirale⁷.

L'OMS ha condotto 30 sondaggi e ha scoperto che in 21 di questi sondaggi, oltre il 10% degli individui che hanno iniziato la terapia antiretrovirale di prima linea aveva resistenza a Nevirapina o Efavirenz⁸. Inoltre, gli individui con precedente esposizione a farmaci antiretrovirali hanno fino a tre volte più probabilità di avere resistenza agli NNRTI rispetto a quelli senza esposizione⁹. Gli studi hanno rivelato che un numero considerevole di neonati di età inferiore ai 18 mesi a cui è stato diagnosticato l'HIV ha mostrato alti tassi di ceppi resistenti ai farmaci^10,11. Incredibilmente, quasi la metà di loro aveva un ceppo resistente (NNRTI) anche prima di iniziare il trattamento. Questi risultati sottolineano la necessità di accelerare gli studi per progettare una terapia innovativa per l'HIV.

Lo sviluppo di ceppi resistenti ai farmaci e gli effetti collaterali indesiderati derivanti dall'uso prolungato hanno inevitabilmente posto sfide all'uso clinico degli NNRTI¹². L'inizio della terapia antiretrovirale di combinazione (cART) prolunga l'aspettativa di vita delle persone che vivono con l'HIV nonostante il potenziale di effetti collaterali avversi. Questi effetti collaterali comprendono il rischio di sviluppare malattie non trasmissibili, tra cui lipodistrofia, iperlipidemia, ridotta densità minerale ossea, elevato livello di glucosio nel sangue che porta al diabete mellito di tipo 2, ipertensione, aumento del rischio di ictus e problemi legati all'obesit๳. La diagnosi precoce e l'accesso tempestivo a cure mediche adeguate nella fase iniziale dell'infezione da HIV offrono notevoli vantaggi sia dal punto di vista clinico che pubblico. L'inizio tempestivo della terapia antiretrovirale e della profilassi contro le infezioni opportunistiche porta a una notevole riduzione della malattia e della mortalità correlate all'HIV.

L'uso della terapia antiretrovirale può anche contribuire a ridurre il potenziale di trasmissione dell'HIV riducendo il livello di acido ribonucleico dell'HIV circolante. Inoltre, affrontare il trattamento di altre malattie sessualmente trasmissibili e co-infezioni può allo stesso modo ridurre la probabilità di ulteriori infezioni da HIV¹⁴. Gli NNRTI fanno parte delle classi di trattamento opzionali di inibitori che interagiscono con la RT legandosi alla regione allosterica o al sito dell'HIV. Questo tipo di inibizione è comunemente noto come inibitore non competitivo perché l'NNRTI non si lega al sito attivo del substrato, ma piuttosto all'esterno. L'effetto altera la conformazione del sito di legame del substrato, impedendo al substrato standard di legarsi e portando alla terminazione prematura della catena. Grazie alla loro ridotta tossicità rispetto agli NRTI, alla struttura semplice, alla migliore biodisponibilità rispetto agli inibitori della proteasi e all'eccellente selettività, gli NNRTI sono diventati gli inibitori dell'HIV più attraenti¹⁵. Pertanto, la sintesi e la progettazione di nuovi NNRTI sono cruciali da un punto di vista farmacocinetico^16,17.

Gli NNRTI sono vitali nel trattamento dell'HIV/AIDS grazie alla loro forte efficacia e bassa tossicità. Tuttavia, i primi NNRTI come Nevirapina, Delavirdina ed Efavirenz incontrano resistenza alle mutazioni virali nel sito di legame NNRTI¹⁸. Questi farmaci, parte della famiglia delle diarilpirimidine (DAPY), mostrano una potente attività contro vari ceppi di NNRTI, compresi quelli resistenti ai primi NNRTI¹⁹, probabilmente a causa della loro flessibilità molecolare e della maggiore barriera di resistenza contro l'HIV-1 ^20,21. Nonostante il loro successo, l'alto tasso di mutazione in HIV-1 RT e l'assenza di un'attività intrinseca di correzione di bozze hanno portato a nuovi profili di resistenza nei pazienti che utilizzano Etravirina e Rilpivirina^22,23. Queste mutazioni virali differiscono l'una dall'altra, così come quelle associate ai primi farmaci NNRTI²⁴. Oltre 50 classi strutturalmente diverse di composti sono state identificate come NNRTI. In particolare, sei NNRTI hanno ottenuto l'approvazione per il trattamento dell'HIV-1. Questi agenti approvati comprendono nevirapina (NVP), delavirdina (DLV), efavirenz (EFV), etravirina (ETR), rilpivirina (RPV) e doravirina (DOR). La Figura 1 mostra le strutture chimiche di questi sei farmaci NNRTI approvati²⁵.

In un recente studio²⁶, i calcoli DFT e l'aggancio molecolare suggeriscono che la lovastatina e la simvastatina mostrano un potenziale come agenti anti-coronavirus. Lo screening virtuale ha identificato cinque nuove molecole candidate approvate dalla FDA simili allo scaffold efavirenz, con un'affinità di legame superiore nella tasca attiva della proteasi principale COVID-19.

Soltan et ^al.27 hanno condotto uno studio simile sull'identificazione di nuove molecole per migliorare la capacità di legame con l'HIV RT impiegando una strategia basata su frammenti con farmaci approvati dalla FDA per progettare derivati chimici. Hanno sfruttato in particolare le strutture di delavirdina, efavirenz, etravirina e rilpivirina come scaffold fondamentali. La somiglianza con i farmaci di questi derivati è stata valutata attraverso Swiss-ADME, seguita dall'aggancio in strutture cristalline correlate. Lo studio si è concluso con la selezione di composti che presentano affinità di legame superiori rispetto ai loro scaffold genitori, notando in particolare un miglioramento più pronunciato nei derivati progettati dagli NNRTI di seconda generazione, etravirina e rilpivirina. Ad esempio, i derivati RPV01 e RPV15 hanno mostrato miglioramenti significativi nei valori di energia docked rispetto alla rilpivirina, indicando una potenziale utilità nel colpire sia le forme wild-type che quelle mutanti di HIV RT.

Murugesan e i suoi collaboratori^hanno condotto una ricerca che propone vari approcci di chimica farmaceutica per migliorare l'efficacia e ridurre al minimo la resistenza nel trattamento dell'HIV. Lo studio ha impiegato l'ibridazione molecolare, la sostituzione bioisterica e lo screening ad alto rendimento. Nel loro studio, sono riusciti a identificare nuovi scaffold NNRTI con un'elevata potenza contro i ceppi di HIV sia wild-type che resistenti ai farmaci. Hanno sviluppato derivati DAPY che mostrano un'eccellente selettività e bassa tossicità, con alcuni composti che mostrano un'inibizione efficace a concentrazioni nanomolari.

Ultimamente, l'utilizzo di strumenti computazionali insieme alla ricerca in silico ha guadagnato popolarità grazie alla sua analisi pratica delle caratteristiche chimiche quantistiche di un farmaco²⁹. In questo studio, la progettazione di farmaci assistita da computer, la teoria del funzionale della densità, la relazione qualitativa struttura-attività e la dinamica molecolare sono state applicate per scoprire potenti NNRTI.

Protocol

1. Dettagli computazionali: preparazione delle proteine

1. Fare clic sull'icona Finestra sullo schermo del monitor e fare clic su Tutte le app. Scorrere verso il basso per accedere alla cartella Schrödinger, aprire la cartella e fare clic sull'icona Maestro mostrata nella Figura 2B, quindi selezionare Apri come mostrato nella Figura 2B per avviare il software.
2. Recupera la struttura proteica di tua scelta navigando sul pulsante della scheda File nel software. Dal menu breve che si apre, selezionare Ottieni PDB, come mostrato nella Figura 3A, e inserire il codice PDB scelto nella casella di testo come mostrato nella Figura 3B. Fare clic sul pulsante di download e il file PDB selezionato verrà visualizzato nella finestra del progetto.
3. In alternativa, scaricare la proteina scelta nel computer locale dalla banca dati delle proteine inserendo il codice di identità del database delle proteine (ID PDB) nella casella di ricerca e fare clic su download per scaricare il file PDB nel computer locale. Passare alla scheda File e selezionare l'opzione Importa strutture . Dall'interfaccia di importazione , individuare il file PDB scaricato come mostrato nella Figura 3C e selezionare il pulsante Importa come indicato nella Figura 3D.
   NOTA: La struttura proteica sarà aperta come struttura 3D in una finestra separata, come mostrato nella Figura 4.
4. Vai in alto a destra del software, seleziona l'opzione dell'attività e digita preparazione proteica nella barra di ricerca . Fare clic su Flusso di lavoro per la preparazione delle proteine nel display sul lato destro, come mostrato nella Figura 5A.
5. Dalla finestra del flusso di lavoro della preparazione delle proteine che si apre, scrivere il nome del lavoro come nome del file da salvare e fare clic sul pulsante verde Esegui nell'angolo in basso a destra, come mostrato nella Figura 5B.
6. Monitorare il processo durante l'esecuzione facendo clic sul pulsante Processi nell'angolo in alto a destra, come illustrato nella Figura 5C.
7. Selezionare e fare clic con il pulsante destro del mouse sulla proteina preparata e selezionare il ligando diviso, come mostrato nella Figura 5D. Scegli di dividerti in ligandi, acqua e altri. In questo modo i componenti proteici vengono inseriti in modo indipendente nel navigatore dell'area di lavoro

2. Preparazione del ligando

1. Scarica i composti chimici desiderati dal database di PubChem³⁰ digitando il nome del composto scelto nella barra di ricerca . Passa attraverso le strutture e seleziona le strutture tridimensionali (3D). Fare clic su Scarica nella finestra in alto a destra per scaricare le coordinate della struttura come file di dati strutturati (SDF). Se una struttura 3D non è disponibile, scaricare la struttura 2D e utilizzare altri strumenti per generare una struttura 3D da una struttura 2D.
2. Fare clic sulla scheda File in Schrödinger e selezionare Importa strutture, come mostrato nella Figura 6A. Passare alla posizione del file in cui le strutture sono salvate in formato file SDF per caricare i composti da preparare.
3. Seleziona Attività nell'angolo in alto a destra del software Schrodinger. Digita LigPrep nella barra di ricerca e seleziona LigPrep nella finestra di destra a sinistra, come mostrato nella Figura 6B.
4. Selezionare Usa strutture da per selezionare i file dalla tabella Area di lavoro o Progetto. Selezionare le opzioni preferite dalla finestra LigPrep , salvare il file nel computer locale e fare clic su Esegui per inoltrare il lavoro per la preparazione del ligando, come mostrato nella Figura 6C.

3. Geometria e ottimizzazione dei leganti

1. Aprire il software³¹ per l'ottimizzazione della geometria delle strutture scaricate. Passare alla scheda File (Figura 7A) e selezionare Apri per scegliere il file SDF scaricato dal database PubChem.
   NOTA: Il file verrà caricato nella finestra principale. Fare clic sull'altra finestra viola per visualizzare gli stessi composti chimici. Ogni impostazione implementata mostrerà il risultato nella finestra viola.
2. Passare alla scheda Calcola e selezionare la scheda Impostazione calcolo gaussiano. Passare alla scheda Tipo di processo illustrata nella Figura 7B e scegliere Ottimizzazione o Opt+Freq.
   NOTA: A seconda del numero (di dimensioni) di atomi o composti, ottimizzare prima, seguito dalla frequenza. Se il composto è più piccolo, eseguire Opt+Freq. Più grande è la molecola, più tempo ci vuole per eseguire sia Opt+Freq che Ottimizzazione seguita da Frequenza.
3. Passare alla scheda Metodo e selezionare i metodi di chimica quantistica e quindi il funzionale di scelta della densità di scambio-correlazione globale di Kohn-Sham, l'insieme di basi, la carica e lo spin di scelta dalle frecce a discesa in ciascuna sezione.
4. Passare al Titolo e specificare un nome per il composto oggetto di indagine.
5. Passare alla scheda Collegamento 0 e specificare il limite di memoria e i processori condivisi desiderati. Deselezionare le caselle Percorso completo come illustrato nella Figura 7C.
6. Fare clic sul pulsante Modifica in basso per salvare il file di input gaussiano, come mostrato nella Figura 3C. Salvare il file nella posizione preferita con un nome file di scelta come file di lavoro gaussiano (gjf).
   NOTA: Dopo aver salvato il file di input gaussiano, verrà visualizzata una finestra pop-up che mostra il contenuto del file in Blocco note. Modifica il contenuto del file, incluse opzioni come la modifica della carica e della funzione che non erano disponibili nelle opzioni delle impostazioni. Il file di lavoro gaussiano preparato verrà utilizzato come file di input per l'invio per eseguire i calcoli di ottimizzazione e frequenza tramite un computer locale.
   Successivamente, l'ottimizzazione geometrica di queste strutture è stata condotta utilizzando il set di basi funzionale MN15-L³² e 6-31++G(d,p)³³. Tuttavia, in caso di problemi nell'esecuzione del processo di ottimizzazione e frequenza, è possibile inviare il lavoro con l'aiuto di un HPC.

4. Generazione della rete del recettore

1. Passare ad Attività e selezionare la generazione della griglia del ricettore³⁴. L'interfaccia di generazione della griglia del recettore mostrata nella Figura 8A identifica il sito attivo della proteina in cui è legato il ligando core-cristallo. Fare clic su Scegli per identificare il ligando e verificare se è presente un ligando co-cristallizzato dalla notifica pop-up in alto mostrata nella Figura 8B.
2. Seleziona i ligandi e/o i residui dall'area di lavoro e i composti di interesse selezionati mostreranno un'evidenziazione blu nell'area di lavoro.
3. Selezionare la scheda delle impostazioni nel pannello di generazione della griglia del ricettore per impostare la dimensione della griglia. La dimensione predefinita della casella della griglia è 10 Å x 10Å x 10Å. Modificare le dimensioni della casella nella scheda Griglia inserendo direttamente i valori desiderati o ridimensionando manualmente la casella all'interno dell'area di lavoro.
   NOTA: In alternativa, impostare parametri aggiuntivi dalla scheda Avanzate , come mostrato nella Figura 8C , se necessario. Rivedi tutte le impostazioni per garantire l'accuratezza.
4. Fare clic su Esegui per avviare la generazione della griglia. Una volta completato, salvare i file della griglia generati per le successive simulazioni di ancoraggio. Al termine del processo viene visualizzato un messaggio di notifica, come illustrato nella Figura 8D.

5. Attracco molecolare

1. Caricare la proteina e i ligandi preparati navigando su Attività, Docking³⁵ e Docking del ligando (glid docking), come mostrato nella Figura 9A.
2. Caricare il file della griglia dal passaggio 4.1 precedente e selezionare i ligandi dall'area di lavoro utilizzando l'opzione Usa ligando dalla Figura 9B.
3. Scegliere il metodo di precisione di attracco preferito dalla scheda delle impostazioni mostrata nella Figura 9 C (la precisione di attracco predefinita è Precisione standard (SP)).
4. Imposta il campo di forza su OPLS4 per una modellazione accurata delle interazioni molecolari. Imposta i vincoli (ad esempio, i legami idrogeno) nella scheda Vincoli .
5. Rivedere tutte le impostazioni e salvare il lavoro o il file di aggancio. Fare clic su ESEGUI per avviare il processo di ancoraggio.
6. Una notifica indica che il processo è stato completato e che la tabella del progetto viene aperta per l'ancoraggio dei risultati. Esamina le pose vincolanti, i punteggi e le interazioni.

6. Generazione di modelli 2D-QSAR

1. Vai alla pagina web dell'hub della community KNIME e cerca AutoQsar nella barra di ricerca . Selezionare la seconda voce AutoQsar visualizzata nella Figura 10A.
2. Fare clic sull'icona delflusso di lavoro di download e selezionare il flusso di lavoro di download nel menu a comparsa mostrato nella Figura 10B. Salvare il flusso di lavoro nel computer locale.
3. Assicurati che KNIME³⁶ sia installato, quindi aprilo dal computer locale. Compila un foglio di calcolo con i sorrisi canonici, il nome della struttura, i valori di attività/IC₅₀ (in micromolare) e -log(attività/IC) o qualsiasi descrittore chimico a scelta. Salvare il file in formato CSV (Comma-Separated Value) nel computer locale.
4. Passare a File e importare il flusso di lavoro AutoQSAR³⁷. Dalla finestra pop-up, fare clic su Importa flusso di lavoro KNIME per selezionare il flusso di lavoro AutoQSAR scaricato, come mostrato nella Figura 10C e selezionare Apri | Successivo | Fine.
5. Il flusso di lavoro AutoQsar verrà visualizzato nella finestra KNIME Explorer in alto a sinistra. Fare doppio clic sul flusso di lavoro per portarlo nella finestra principale.
6. Fare doppio clic sull'icona del lettore molecolare (a MAE) e, dalla scheda Impostazioni , fare clic su Aggiungi file per aggiungere il foglio di lavoro con i dati o i parametri di input dei dati.
7. Seleziona la scheda Criteri di memoria e fai clic su Scrivi tabelle su disco | Va bene.
8. Fare clic con il pulsante destro del mouse sul pulsante Estrai proprietà e selezionare Configura, come mostrato nella Figura 10D.
9. Selezionare e filtrare le proprietà molecolari o chimiche desiderate dalla finestra di esclusione alla finestra Includi . Fare clic su Applica.
10. Fare clic con il pulsante destro del mouse su AutoQSAR Build Model e fare clic su Configura. Inserire ilnome del modello Q SAR nella finestra di dialogo pop-up.
11. Clicca sul pulsantedi selezione e seleziona l'immobile da adattare tra quelli inclusi. Scegli il valore del set di addestramento casuale (ad esempio, 85%:15%) e diversi modelli da conservare. Fare clic su Applica.
12. Fare clic con il pulsante destro del mouse sul Molecule Reader in basso e selezionare Configura. Caricare i ligandi di prova da un file Excel CSV preparato contenente i ligandi da testare.
13. Fare clic con il pulsante destro del mouse su Estrai proprietà e impostare le impostazioni a scelta.
14. Fare clic con il pulsante destro del mouse sul lettore di molecole in alto e selezionare Esegui.
    NOTA: Un punto arancione indica che il processo è iniziato e una luce verde mostrerà l'avvenuta esecuzione del processo. Il passaggio successivo continuerà fino a quando tutti i nodi non saranno stati eseguiti correttamente.
15. . Eseguire il secondo lettore di molecole per i ligandi di test.
16. Salvare la cartella zip con i risultati del test e del set di addestramento dopo l'esecuzione riuscita di tutti i nodi.
    NOTA: Selezionare il modello con le prestazioni migliori in base ai risultati della convalida incrociata, ad esempio SD - deviazione standard, R2 - correlazione del set di addestramento tra i valori di attività effettivi e previsti e Q2 - correlazione dell'attività effettiva e prevista del set di test.
17. Valutare le prestazioni del flusso di lavoro valutando le prestazioni del modello utilizzando un punteggiore o nodi statistici.
18. Per interpretare i risultati, identificare i descrittori principali o chiave utilizzando l'importanza della funzione. Visualizza i risultati come un grafico a dispersione o un grafico a barre per determinare la relazione tra prestazioni e descrittore. Salva il flusso di lavoro ed esporta i dati dei risultati, le previsioni e le visualizzazioni come grafico a dispersione e/o file CSV.

7. Enumerazione

1. Passare a Attività e cercare Ligand Designer, come illustrato nella Figura 11A.
2. Selezionare una coppia della proteina agganciata e del complesso ligando dal navigatore dell'area di lavoro. Fare clic su Analizza area di lavoro nella finestra di progettazione del ligando. Per generare e valutare nuovi ligandi, selezionare la scansione isosterica dall'elenco dei flussi di lavoro visualizzati, come mostrato nella Figura 11B implica il metodo di coltivazione che estende il ligando aggiungendo frammenti alle parti esistenti della molecola.
3. Dopo aver impostato l'opzionedi numerazione e, fare clic su enumera dalla finestra di notifica della scansione Isostere visualizzata. Ripetere il passaggio 6.2 per la stessa proteina e un ligando diverso fino a quando tutti i ligandi hanno eseguito lo stesso processo. Esaminare i ligandi enumerati dalla tabella Progetti.
4. Salvare le strutture esportando i ligandi progettati.
   NOTA: il metodo di enumerazione ha generato un set di punteggi di docking al termine della simulazione.
5. Selezionare individualmente i composti enumerati con i punteggi di aggancio più negativi e riagganciarli utilizzando la procedura di aggancio descritta nella sezione 4.

8. HOMO e LUMO

1. Aprire il software e caricare il ligando ottimizzato in formato di file di lavoro gaussiano.
2. Passare a Strumenti e selezionare Editor MO con i punti rossi e verdi, come mostrato nella Figura 12A.
   NOTA: il metodo di enumerazione ha generato un set di punteggi di docking al termine della simulazione.
3. Nel pannello dell'editor MO sotto metodo, caricare il file FChk facendo clic su carica Mos dal file Chk o FChk esistente, come mostrato nella Figura 12B.
4. Fare clic sulla scheda Visualizza | aggiorna. Attendere ~10 s per visualizzare la superficie corrente, come mostrato nella Figura 12D.
5. Fare clic su una delle due caselle di spunta accanto alle cifre gialle evidenziate per selezionare la superficie HOMO o LUMO³⁸ da visualizzare nella finestra accanto.
6. Fare clic con il pulsante destro del mouse sullo sfondo viola e selezionare File. Fare clic su Salva il file immagine per salvare l'immagine della superficie corrente, come mostrato nella Figura 12E.
7. Fare clic con il pulsante destro del mouse sullo sfondo viola e selezionare Visualizza. Scegliere il formato di visualizzazione per modificare lo sfondo nella scheda Generale, la trasparenza della superficie nella scheda Superficie, la dimensione e il colore del carattere nella scheda Testo, la qualità dell'immagine e il layout preferito della superficie nella scheda Molecola , come mostrato nella Figura 12F.
8. In alternativa, generare un file cubo e caricare il file FChk in GaussView. Passare alla scheda Risultati e scegliere Superfici/Contorni. Fare clic su azioni cubo e caricare il cubo. Fare clic su Azioni superficie e scegliere una nuova superficie. Ripetete il passaggio 8.7 per modificare la superficie.
   NOTA: Minore è il divario di energia tra l'HOMO e il LUMO³⁹ (la differenza tra LUMO e HOMO), più reattiva ci si aspetta che una molecola sia. Calcola il gap di energia_{(gap E}) utilizzando l'Eq 1 per ogni molecola.
   

9. Simulazione di dinamica molecolare: preparazione e minimizzazione del sistema

1. Assicurarsi che la suite Schrodinger sia stata installata nel computer locale e caricare le strutture complesse proteina-ligando nell'area di lavoro⁴⁰.
2. Fare clic sul pulsante Attività e scegliere Desmond System Builder⁴¹. Nel pannello del costruttore di sistemi , selezionare la scheda Sollazione e scegliere il modello di solvente predefinito come mostrato nella Figura 13A, la forma della scatola come mostrato nella Figura 13B e il metodo di calcolo delle dimensioni della scatola come mostrato nella Figura 13C⁴², che si adattano al complesso proteina-ligando.
3. Selezionare la scheda degli ioni e fare clic su Ricalcola per neutralizzare il sistema aggiungendo i controioni e impostando la concentrazione di sale desiderata.
4. Scegli l'OPLS ^43,44 di scelta come campo di forza.
5. Assegnare un nome appropriato al processo e salvarlo nel computer locale. Fare clic su Esegui per inoltrare il processo per la preparazione.
   NOTA: Assicurarsi che il nome del lavoro sia stato salvato. Usa un nome dettagliato.
6. Equilibratura e produzione
7. Visualizzare il progetto nell'area di lavoro Dopo la preparazione del sistema. Seleziona il complesso proteina-ligando dal Workspace Navigator, naviga nell'attività e scegli la dinamica molecolare (Desmond).
8. Caricare il complesso ligando-proteina dall'area di lavoro nel pannello di dinamica molecolare. Selezionare la sequenza temporale di simulazione desiderata dalla scheda di simulazione . Selezionare NPT come classe d'insieme⁴⁵.
9. Assegna un nome appropriato al lavoro e scrivi il lavoro. Fare clic su Chiudi per uscire dalla finestra di dinamica molecolare.
10. Inviare il lavoro scritto per la preparazione della dinamica molecolare tramite un terminale locale. Al termine, aprire il processo completato e continuare il tempo di simulazione dalla sequenza temporale di simulazione impostata inizialmente fino al tempo di simulazione desiderato⁴⁵, ad esempio 100 ns, 200 ns.
    NOTA: Ripetere il passaggio 9 per gli altri complessi proteina-ligando.
    1. Aprire il lavoro completato nel software Schrödinger Maestro e unire i diversi intervalli di tempo di simulazione se sono stati eseguiti lavori separati. Passare al pulsante TASK e selezionare il diagramma di interazione della simulazione. Caricare i file uniti o il singolo file per visualizzare la traiettoria.
11. Generare un report che includa le visualizzazioni e altri risultati di output dettagliati.

10. Meccanica molecolare con Born e area di superficie generalizzata (MM-GBSA)

1. Aprite il file della traiettoria e riproducete la traiettoria. Visualizza dove è bilanciato il complesso proteina-ligando e annota il numero di fotogrammi. Inoltrare il lavoro tramite il terminale per l'elaborazione.
2. Ripetere la sezione 9 (preparare la simulazione della dinamica molecolare delle proteine) per l'altro complesso proteina-ligando.
3. Concatenare/visualizzare il contenuto del file di output per analizzare i risultati generati. Leggere la media ΔG per ottenere l'energia libera di legame del complesso proteina-ligando.
4. Scarica il file CSV per visualizzare i contributi di diverse molecole intramolecolari.
5. Per calcolare l'energia di legame libero del complesso, prendere nota dei vari parametri termodinamici e di desolvatazione, tra cui l'energia di legame (ΔG_bondd), il modello di solvatazione colombica (ΔG_bind Coulumb), il termine di solvatazione non polare (ΔG_bind Lipo), la correzione del legame idrogeno (ΔG_bind Hbond), il legame covalente (ΔG_bind Covalent), la correzione dell'impacchettamento π-π (ΔG_bind Packing), l'energia di solvatazione elettrostatica Generalized Born (ΔG_bind sol GB) e l'interazione di van der Waals (ΔG_bind vdW).
   1. Ricavare il ΔGbind finale calcolando la media dei valori di_legame ΔG determinati per ogni istantanea all'interno della simulazione MD, come mostrato nell'Eq 2.

Results

Generazione di griglia recettoriale e docking molecolare

Lo strumento di generazione della griglia recettoriale di Maestro è stato utilizzato per caratterizzare correttamente il sito di legame per il successivo aggancio. Il ligando co-cristallizzato è stato utilizzato per definire la griglia. È stata utilizzata l'impostazione SP precision Glide per il docking molecolare. Lo strumento LigPrep di Schrödinger Maestro è stato utilizzato per preparare i leganti per l'aggancio utilizzando il campo di forza OPLS4. Per le simulazioni di dinamica molecolare, il campo di forza OPLS4 è stato utilizzato in Desmond. I campi di forza sono fondamentali per le simulazioni molecolari classiche e la loro accuratezza è fondamentale per la qualità delle simulazioni di legame proteina-ligando nella scoperta di farmaci. Per OPLS4, l'assegnazione della carica e dei parametri è stata completata utilizzando Schrödinger Maestro. L'applicazione dei parametri OPLS4 ha comportato miglioramenti significativi sia nei confronti energetici che geometrici rispetto ai parametri di default di OPLS2005.

Ciò ha comportato l'aggancio di ligandi specifici noti per avere un'affinità per la proteina bersaglio dell'HIV-1, consentendo un'analisi approfondita delle interazioni tra le molecole del ligando e i residui recettoriali. La Tabella 1 rappresenta un riepilogo della classificazione dei composti per la modellazione QSAR.

Al momento dell'aggancio di HBY561, il protocollo di aggancio è stato valutato confrontando il ligando riagganciato con quello trovato nel sito attivo della proteina cristallina 1HQU. Le strutture HBY561 agganciate e cristallizzate sono fornite nel file supplementare 1 (Figura supplementare S1 e Figura supplementare S2). Per valutare la somiglianza tra le pose ancorate e le strutture di riferimento, un valore di deviazione quadratica media (RMSD) inferiore a 2,0 Å è ampiamente considerato come criterio per ottenere risultati di ancoraggio affidabili. Questa soglia indica che la struttura prevista è strettamente allineata con i dati sperimentali. In questo studio, i ligandi hanno dimostrato un RMSD di 1,27 Å quando si confronta la struttura di riferimento con la posa agganciata, come illustrato in rosso nella Figura supplementare S3. Ciò ha dimostrato che il protocollo di docking era sufficiente per questo lavoro e, di conseguenza, tutti i ligandi sono stati agganciati utilizzando le stesse impostazioni. Esaminando i punteggi di docking presentati nella Tabella 2, Efavirenz ed Etravirine hanno mostrato i punteggi più favorevoli a -10,432 eV e -9,647 eV rispetto al punteggio di docking del ligando co-cristallizzato HBY561 (-9,242 eV). La Figura SupplementareS4 del File Supplementare 1 mostra i diagrammi di interazione del ligando tra la proteina originale dell'HIV-1 e il ligando Crystal, l'Etravirina e l'Efavirenz.

Il legame idrogeno, l'impilamento π-π e le interazioni idrofobiche sono le forze principali che contribuiscono al legame. Un caso specifico di legame idrogeno è emerso tra HBY561 e la proteina designata 1HQU, coinvolgendo esplicitamente il residuo amminoacidico LYS101. Questo modello di legame rispecchiava le osservazioni fatte con i ligandi Efavirenz ed Etravirina, come mostrato nella Figura 14.

Inoltre, le interazioni idrofobiche sono state essenziali per il legame in diverse posizioni proteiche che coinvolgono HBY561, Etravirina ed Efavirenz, oltre alle forze intermolecolari, al legame idrogeno e all'impilamento π-π. π-π è stato osservato un impilamento tra TYR318 e l'anello aromatico di Efavirenz. Sia il legame idrogeno che l'impilamento π-π erano essenziali per mantenere le connessioni di legame tra i ligandi e la proteina. I diagrammi di interazione del ligando di HBY_561, nevirapina, doravirina, efavirenz ed etravirina sono presentati nel file supplementare 1-Figura supplementare S5.

Queste forze intermolecolari influenzano le interazioni proteina-ligando e sono cruciali per lo sviluppo di farmaci che riducono l'AMR nell'HIV-1. Il loro ruolo nel migliorare l'affinità di legame, la specificità e il meccanismo d'azione aiuta a progettare farmaci in grado di colpire e inibire efficacemente il virus, affrontando così la crescente preoccupazione della resistenza antimicrobica nel contesto del trattamento dell'HIV-1.

Preparazione del set di dati 2D-QSAR

Le fasi di formazione e test hanno coinvolto 94 mescole. Questi composti sono stati classificati in quattro classi, ciascuna delle quali rappresenta i ligandi associati alla specifica proteina testata. Il processo di formazione ha utilizzato il flusso di lavoro KNIME AutoQSAR con attività, HOMO e LUMO sono stati selezionati come tre descrittori per questa indagine.

Generazione 2D-QSAR

Tutti i valori di attività di tutte le 94 molecole sono stati determinati attraverso dati sperimentali (Tabella supplementare S1). I risultati generati dal modello QSAR sono riportati nella Tabella 3. I composti di Classe 1 nella Tabella Supplementare S2 sono stati utilizzati per la modellazione QSAR, mostrando i gruppi Ar aggiunti e i rispettivi valori di attività. I risultati delle quattro classi indicano che sono stati raggiunti il punteggio più alto di 0,8223, R² di 0,815 e Q ² di 0,8182, corrispondente alla Classe 1. Ciò è in linea con i criteri precedenti di puntare a R² vicino a 1 e Q² maggiore di 0,7⁴⁶. Di conseguenza, abbiamo selezionato la classe 1 per l'addestramento del nostro modello QSAR. Sebbene i modelli per le classi 3 e 4 abbiano dimostrato un eccellente valore di correlazione R² rispettivamente di 0,8172 e 0,6673, non hanno eguagliato le prestazioni della Classe 1.

La correlazione incrociata è stata condotta per convalidare ulteriormente la stabilità del modello QSAR proposto secondo il criterio che la differenza tra il punteggio Q² 0,8223 e R² dovrebbe essere inferiore o uguale a 0,3⁴⁷. Il modello proposto per la classe 1 ha una differenza di 0,0038. Il grafico a dispersione che rappresenta l'attività osservata rispetto all'attività prevista è fornito nella Figura 15.

Gap energetico HOMO-LUMO

La determinazione del gap di energia tra l'orbitale molecolare più basso non occupato e l'orbitale molecolare più alto, comunemente noto come gap di energia HOMO-LUMO, svolge un ruolo cruciale nella caratterizzazione della reattività chimica e della stabilità cinetica di una molecola nel contesto dei sei composti NNRTI. Gli orbitali molecolari di frontiera svolgono un ruolo fondamentale nel facilitare le interazioni di trasferimento di carica con il sito di legame della proteina HIV. La conferma dell'energia minima è stata assicurata esaminando le frequenze vibrazionali e confermando l'assenza di frequenze negative o immaginarie; successivamente sono stati ottenuti i valori di HOMO e LUMO per ogni minimo energetico. Un valore HOMO più alto indica la competenza di una molecola come donatore di elettroni, mentre un valore più basso suggerisce che agisce come un accettore di elettroni debole. La Figura S6 supplementare rappresenta i gap di energia HOMO_LUMO per i sei NNRTI ottimizzati. Inoltre, un ridotto divario energetico tra i livelli di energia di HOMO e LUMO influenza fortemente le interazioni di trasferimento di carica intermolecolari che si verificano tra le molecole studiate a causa della forte capacità di accettazione degli elettroni e della bioattività delle molecole⁴⁸.

L'andamento dei valori del gap energetico, come presentato nella Tabella 4, segue un ordine decrescente: Efavirenz > Etravirina > HBY-561 > Nevirapina > Delavirdina > Doravirina > Rilpivirina. Il sostanziale divario energetico osservato per Efavirenz ed Etravirina significa che le analisi dei punteggi di docking rivelano una correlazione tra la bioattività e il divario HOMO-LUMO. In particolare, il potenziale antivirale aumenta con valori di gap HOMO-LUMO più grandi. Indica non solo la stabilità dei composti, ma anche il loro potenziale di formare interazioni stabili con il recettore. Il gap HOMO-LUMO svolge un ruolo significativo nella comprensione della bioattività delle molecole, in particolare nel contesto della progettazione di farmaci per l'HIV-1.

Enumerazione

Sono stati creati vari strumenti per l'enumerazione delle biblioteche virtuali. Gli strumenti utilizzati per l'enumerazione includono Schrödinger. Si basa sul metodo del core hopping, in cui le librerie vengono create sostituendo uno o più attacchi su una struttura del core con frammenti di composti reagenti⁴⁹. Lo strumento di enumerazione in Maestro v13.1 è stato utilizzato per aggiungere gruppi di lati personalizzati o atomi a ciascuno dei sei NNRTI. I nuovi composti sono stati utilizzati anche per prevedere le attività. C'è stato un miglioramento dei valori di attività attesi delle molecole enumerate rispetto alle molecole di NNRTI inizialmente ottimizzate, come si può vedere nella Tabella 5.

Il miglioramento mostrato nei valori di attività dei ligandi enumerati è dovuto al processo di enumerazione eseguito in quanto il gruppo R personalizzato aggiunto ha influenzato le forze di interazione del nuovo composto proposto e della proteina originale. I composti enumerati sono stati preparati per la meccanica quantistica ottimizzando queste molecole e calcolando le loro frequenze vibrazionali. I loro gap energetici sono stati calcolati e confrontati con i gap energetici degli NNRTI. L'osservazione complessiva, come mostrato nella Tabella 6, indica che i composti enumerati sono più stabili delle loro controparti ottimizzate.

Nella Tabella 6, è stato osservato che il divario energetico dei composti enumerati rispetto ai composti ottimizzati ha mostrato un andamento simile. Ciò indica che le proprietà chimiche delle molecole enumerate sono rimaste invariate, indipendentemente da qualsiasi rotazione conformazionale. Pertanto, sono stati in grado di mantenere importanti forze intermolecolari con i residui amminoacidici della proteina.

Prima di eseguire il processo di enumerazione per gli NNRTI, come descritto nella sezione 6 del protocollo, i risultati di output osservati avevano i loro punteggi di docking iniziali dal processo di enumerazione, rappresentati nella Tabella 7 sotto la colonna del punteggio di docking enumerato. Come spiegato nella sezione 4 del protocollo, il processo di docking molecolare è stato eseguito per convalidare il punteggio di docking proposto per i composti enumerati. Si può osservare che dopo il riaggancio dei composti enumerati, i nuovi punteggi di aggancio sono migliorati, come mostrato nella colonna "ligandi enumerati riagganciati". I punteggi riagganciati per i composti enumerati sono stati confrontati con i punteggi di aggancio degli NNRTI originali rappresentati nella colonna "punteggio di attracco originale" nella Tabella 7. Si è potuto osservare che per i composti enumerati, i punteggi di docking per HBY_561, Etravirina, Efevirinz e Doravirina erano migliori di quelli dei loro composti ottimizzati equivalenti. Tuttavia, Delavirdine possiede lo stesso punteggio di docking di Delavirdine enumerato e ottimizzato.

Dinamica molecolare

Tre legami idrogeno sono formati da HBY 561 con LYS101, gli atomi di N altamente elettronegativi, e l'OH. Il ligando cristallino, o terza molecola, stabilisce due legami idrogeno contemporaneamente con zolfo e idrogeno e un terzo legame idrogeno con GLU138. È importante sottolineare che l'impilamento π-π e le interazioni idrofobiche contribuiscono in modo significativo alle forze intermolecolari coinvolte. Inoltre, la presenza di ulteriori legami idrogeno è cruciale per la dinamica molecolare, in particolare nei grafici della deviazione quadratica media (RMSD) risultanti. In tutto, si osserva che Efavirenz ha formato tre legami idrogeno con l'atomo di azoto molto elettronegativo, l'atomo di ossigeno sull'altro anello non aromatico e l'anello benzenico e TYR318 tra il legante N altamente elettronegativo sull'anello centrale. Si vede un secondo legame idrogeno tra N dall'anello e OH e LY101. L'etravirina mostra tre legami idrogeno con LYS101. La doravirina forma un legame idrogeno con GLU138. La nevirapina mostra due legami idrogeno con LY101.

In questo caso, l'interazione con i residui amminoacidici condivisa da tutti i ligandi è LYS101. Anche se le loro strutture differiscono, interagiscono tutte con lo stesso residuo di amminoacidi. Le simulazioni MD sono state effettuate con i parametri elencati nella sezione 2.8 del protocollo per accertare quanto bene o male ciascun ligando (NNRTI e NNRTI elencato) si lega al sito attivo di 1HQU. L'interazione del ligando illustrata nella Figura 16 indica robusti legami idrogeno tra l'amminoacido LY101 della proteina e le molecole HBY 561, Nevirapina, Efevirenz ed Etravirina. Come si può vedere nel confronto nella Tabella 7, queste forti interazioni spiegano gli alti punteggi di docking di ciascun composto.

Per valutare l'efficacia del legame di ciascun ligando, inclusi NNRTI e NNRTI enumerati nel sito attivo di 1HQU, sono state condotte simulazioni di dinamica molecolare (MDS). In particolare, sono stati selezionati i quattro composti enumerati che hanno dimostrato punteggi di attracco migliori rispetto alle combo ottimizzate originali. Questi composti scelti sono stati sottoposti a MDS come metodo di validazione per esaminare e osservare la reazione di ciascuna molecola con la proteina HIV-1 in un periodo specifico, considerando le interazioni interatomiche in presenza di un ligando.

Prima di iniziare la MDS per i glicani recentemente enumerati, era essenziale confermare l'idoneità del protocollo di simulazione per il nostro sistema. Per raggiungere questo obiettivo, il passo iniziale ha comportato l'esecuzione di MDS della proteina libera 1HQU. Nessun ligando era presente all'interno del sito attivo della proteina (Figura 17A e Figura S7 supplementare). Fino a ~60 ns, ci sono notevoli fluttuazioni nella struttura della proteina, producendo spostamenti di Cα RMSD fino a 4,5 Å; dopodiché, la proteina sembra stabilizzarsi con una fluttuazione RMSD di ~3,5 Å fino a 200 ns. Questa stabilizzazione ci ha convinto che il protocollo MD sarebbe stato appropriato per i nostri complessi proteina-ligando, che saranno analizzati nella sezione seguente.

Le MDS a 200 ns di Etravirina e di Etravirina enumerata (Figura 17B, C) hanno mostrato fluttuazioni della deviazione quadratica media (RMSD) di Etravirina vicine a 5,0 Å e un equilibrio di 4,5 Å. L'etravirina enumerata ha mostrato fluttuazioni RMSD di 4,5 Å e un equilibrio di 3,5 Å. Questa stabilizzazione indica che l'etravirina enumerata può essere un potenziale ligando NNRTI per il trattamento dell'HIV/AIDS. Una traiettoria con un RMSD inferiore a 5 Å indica un robusto effetto di legame tra la proteina del sito attivo e il ligando. Questa osservazione è stata tenuta per tutti i composti precedentemente menzionati, ad eccezione della nevirapina e della doravirina, tra i composti enumerati (File supplementare 1: Figura supplementare S8, Figura supplementare S9, Figura supplementare S10 e Figura supplementare S11).

La Figura 18 e la Figura 19 analizzano ulteriormente il legame tra l'Etravirina, l'Etravirina enumerata, e la proteina. I dati analizzati includono un istogramma dell'interazione, ligando-proteina e contatti proteina-ligando. L'istogramma dei contatti di interazione per ogni rispettivo ligando legato alla proteina è direttamente correlato alle corrispondenti forze di interazione tra i residui dell'amminoacido della proteina e il ligando. L'elevata abbondanza di LYS101 è molto distinta per l'etravirina e l'etravirina enumerata, ed è stata osservata una spessa banda arancione visibile. Una banda arancione chiaro debolmente distinguibile posizionata all'estremità inferiore del grafico di Etravirina enumerato è stata osservata in correlazione con TYR181. Questa corrispondenza indica l'esistenza di due forze intermolecolari di attrazione tra GLU138. Questa osservazione positiva per i ligandi e le loro forme enumerate è stata confrontata per analizzare un ligando migliore come potenziale composto NNRTI. Sulla base dei risultati forniti, l'etravirina enumerata possiede il potenziale per essere utilizzata per il trattamento dell'HIV/AIDS.

Meccanica molecolare con calcoli generalizzati di Born e area superficiale (MM-GBSA)

In questo studio, la fonte primaria di input energetico verso l'energia libera di legame, ΔG_legd, è stato il contributo dell'interazione di van der Waals, ΔG_VdW . L'etravirina enumerata ha un ΔG_VdW più elevato di -66,146 kcal/mol rispetto alla sua controparte NNRTI nota con un ΔG_VdW di -64,669 kcal/mol. Il valore più alto di ΔG_Hbond di -2,541 kcal/mol enumerato Etravirina indica il contributo significativo delle forze di attrazione dell'idrogeno tra il ligando e la proteina. I contributi del ΔG_Coulomb e del ΔG_Covalent per l'etravirina enumerata (-17,976 e 2,807 kcal/mol) erano di gran lunga maggiori di quelli della controparte NNRTI nota, che aveva rispettivamente -11,196 e 2,491.

I risultati osservati durante il legame di Etravirina e dell'Etravirina enumerata con la proteina 1HQU sono in qualche modo coerenti. L'etravirina è risultata migliore della sua controparte, l'etravirina, a causa di due ulteriori legami idrogeno. Lo studio ha anche rivelato che l'etravirina enumerata era preferita per il legame alla tasca identificata. Il_legame ΔG più negativo (-89,684 kcal/mol) per l'etravirina enumerata rispetto a quello dell'etravirina (-80,551 kcal/mol) mostra che l'etravirina enumerata è un buon inibitore dell'HIV-1 RT.

Figura 1: Strutture chimiche di sei inibitori della trascrittasi inversa non nucleotidica approvati dalla Food and Drug Administration degli Stati Uniti per il virus dell'immunodeficienza umana-1. NVP = Nevirapina; DLV = Delavirdina; EFV = Efavirenz; ETV = Etravirina; RPV = Rilpivirina; DOR = Doravirina. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Apertura dell'applicazione Maestro Schrödinger su Windows nel computer locale. (A) Navigazione verso l'applicazione Maestro Schrödinger nel computer locale. (B) Come aprire ed eseguire l'applicazione Maestro Schrödinger nel computer locale. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Importazione di una struttura di file PDB dal computer locale alla finestra del progetto in Schrödinger. (A) Funzione di importazione della struttura in Maestro Schrödinger. (B) Casella di testo ID PDB. (C) File PDB scaricato nel computer locale. (D) Pulsante Importa per consentire l'importazione del file ID PDB inserito. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Struttura del file PDB importato nella finestra del progetto Schrödinger. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5: Flusso di lavoro per la preparazione delle proteine. (A) Interfaccia di ricerca per il flusso di lavoro per la preparazione delle proteine. (B) Salvataggio del nome del file di lavoro e avvio del processo di preparazione delle proteine. (C) Finestra di monitoraggio per i lavori in esecuzione. (D) Scomposizione del ligando nei suoi singoli componenti. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 6: Flusso di lavoro per la preparazione del ligando. (A) Importazione di strutture dal computer locale alla finestra del progetto Schrödinger per la preparazione delle proteine. (B) Ricerca del processo di preparazione del ligando. (C) Finestra del flusso di lavoro per la preparazione del ligando. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 7: Flusso di lavoro geometrico e di ottimizzazione. (A) Finestra del menu GaussView per l'ottimizzazione della geometria. (b) Tipi di lavoro disponibili nella scheda Calcola di GaussView. (C) Opzioni disponibili nella scheda Link0 in GaussView. Clicca qui per visualizzare una versione più grande di questa figura. 

Figura 8: Flusso di lavoro per la generazione della griglia di scorrimento e l'attracco molecolare. (A) Interfaccia del flusso di lavoro per la generazione della griglia del recettore. (B) Notifica pop-up per la selezione di un atomo all'interno del ligando. (C) Impostazioni avanzate del recettore. (D) Notifica di completamento del processo. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 9: Attracco del ligando di scorrimento. (A) Interfaccia per la ricerca dell'aggancio del ligando di scorrimento. (b) Interfaccia di aggancio del ligando. (C) Impostazioni di precisione per l'attracco in planata. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 10: Flusso di lavoro di preparazione KNIME QSAR. (A) Ricerca del nodo AutoQSAR sulla pagina web dell'hub della comunità KNIME. (B) Pulsante di download per ottenere il nodo KNIME AutoQSAR. (C) Importazione del flusso di lavoro KNIME AutoQSAR scaricato. (D) Impostazioni di configurazione per i ligandi durante la costruzione di un modello QSAR. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 11: Enumerazione dei ligandi utilizzando Ligand Designer in Maestro Schrodinger. (A) Ricerca di opzioni di Ligand Designer in Schrödinger. (B) Elenco dei flussi di lavoro per lo svolgimento del processo di enumerazione. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 12: Flusso di lavoro per la generazione di HOMO-LUMO. (A) Per accedere alle opzioni dell'editor molecolare nella scheda Strumenti in GaussView. (B) Caricamento di un file Chk o FChk esistente per generare orbitali molecolari di frontiera. (C) Illustrazione degli orbitali di frontiera HOMO e LUMO in GaussView. (D) Visualizza la finestra per visualizzare gli orbitali di frontiera HOMO e LUMO. (E) Salvare gli orbitali di frontiera dell'HOMO e del LUMO. (f) Interfaccia del formato di visualizzazione in GaussView. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 13: Flusso di lavoro di preparazione, impostazione, preparazione ed esecuzione della dinamica molecolare. (A) Desmond System Builder: Opzioni di solvatazione per determinare modelli d'acqua rigidi. (B) Opzioni di confine di Desmond System Builder per determinare la forma della scatola. (c) Desmond System Builder: Metodo per calcolare la dimensione della scatola. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 14: Diagrammi di interazione del ligando tra 1HQU e 3 ligandi top docked. Forze di interazione tra la proteina (1HQU) e (A) il ligando cristallino (HBY561), (B) Efevirenz e (C) Etravirina. Queste forze influenzano le interazioni proteina-ligando e sono cruciali per lo sviluppo di farmaci che riducono la resistenza antimicrobica nell'HIV-1. Il loro ruolo nel migliorare l'affinità di legame, la specificità e il meccanismo d'azione aiuta a progettare farmaci in grado di colpire e inibire efficacemente il virus, affrontando così la crescente preoccupazione della resistenza antimicrobica nel contesto del trattamento dell'HIV-1. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 15: Un grafico a dispersione mostra l'attività osservata rispetto all'attività prevista per la classe 1 del modello QSAR. Il grafico rappresenta l'adattamento tra la classe 1 come set di addestramento e i composti NNRTI come set di test per fornire un valore di attività predittiva. Abbreviazioni: NNRTI = inibitori della trascrittasi inversa non nucleotidici; QSAR = relazione quantitativa struttura-attività. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 16: Diagrammi di interazione del ligando. Forze di interazione tra la proteina e (A) il ligando cristallino enumerato HBY_561, (B) enumerato Nevirapina, (C) enumerato Doravirina, (D) enumerato Efeverirenz enumerato e (E) enumerato Etravirina. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 17: Diagramma di interazione con simulazione di dinamica molecolare della proteina libera Etravirina e dell'Etravirina enumerata. (A) Diagramma di interazione della dinamica molecolare della proteina libera. (B) Diagramma di interazione della dinamica molecolare dell'Etravirina. (C) Diagramma di interazione delle dinamiche molecolari dell'etravirina enumerata. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 18: Istogramma dei contatti di interazione tra Etravirina e la proteina. (A) Cronologia dei contatti proteina-ligando per l'etravirina. (B) La cronologia delle interazioni proteina-ligando nel tempo, inclusi i legami H, i contatti idrofobici, ionici e a ponte d'acqua. (C) Uno schema che mostra le interazioni dettagliate tra gli atomi del ligando e i residui proteici. Vengono visualizzate solo le interazioni che si verificano più del 30% del tempo di simulazione (da 0,00 a 200 ns). Clicca qui per visualizzare una versione più grande di questa figura.

Figura 19: Istogramma dei contatti di interazione tra l'etravirina enumerata e la proteina. (A) Cronologia dei contatti proteina-ligando per l'etravirina enumerata. (B) La cronologia delle interazioni proteina-ligando nel tempo, inclusi i legami H, i contatti idrofobici, ionici e a ponte d'acqua. (C) Uno schema che mostra le interazioni dettagliate tra gli atomi del ligando e i residui proteici. Vengono visualizzate solo le interazioni che si verificano più del 30% del tempo di simulazione (da 0,00 a 200 ns). Clicca qui per visualizzare una versione più grande di questa figura.

Classe	Bersaglio proteico	Gamma di mescole	Numero totale di composti selezionati
1	NL4-3 wild-type HIV-1	(8a1-8e5 – EC50 (nM)a)	25
2	IIIB WT HIV-1	13a1-13d6 - EC50 (nM)a	23
3	RES056 Ceppo resistente a NNRTI	13a1-13d6 - EC50 (nM)a	23
4	ROD ceppo HIV-2	13a1-13d6 - EC50 (nM)a	23
Totale dei composti selezionati per la modellazione QSAR			94

Tabella 1: Riepilogo dei criteri di classificazione dei composti per la modellazione QSAR. Un set di dati di 94 composti di diidrofuro[3,4-d] pirimidina è stato sintetizzato da Kang e colleghi⁵⁰ per colpire vari ceppi di HIV, vale a dire, NL4-3 HIV-1 wild-type, IIIB WT HIV-1, RES056 ceppo resistente a NNRTI e ceppo ROD HIV-2. Questi derivati pirimidinici sono stati raggruppati in quattro classi in base alla loro proteina target per la preparazione all'esecuzione del nostro allenamento QSAR. La tabella riassume come queste molecole siano state raggruppate in quattro classi in base ai loro valori sperimentali di EC₅₀ , che rappresentano la potenza di un farmaco, operazionalizzata come la concentrazione alla quale il farmaco esercita il 50% del suo effetto massimo. Abbreviazioni: NNRTI = inibitori della trascrittasi inversa non nucleotidici; QSAR = relazione quantitativa struttura-attività.

Nome della proteina	Ligando	Punteggio di attracco
1HQU	Efavirenz	-10.432
	Etravirina	-9.647
	HBY_561	-9.242
	Doravirina	-9.04
	Nevirapina	-8.825
	Rilpivirina	-7.722
	Delavirdina	-6.519

Tabella 2: Punteggi di docking di sei NNRTI ottimizzati e della proteina HIV-1. I punteggi di attracco si riferiscono ai sei NNRTI oggetto di indagine. Il punteggio più negativo indica una buona efficacia di legame tra il ligando e la proteina. Efavirenz ed Etravirina hanno mostrato i punteggi più favorevoli a -10,432 eV e -9,647 eV rispetto al punteggio di docking del ligando co-cristallizzato HBY561 (-9,242). I ligandi potenziali erano quelli con un punteggio di docking più negativo, inferiore a -9,242 eV.

Classe di farmaci	Adattamento dell'attività all'85%	Colonna1	Colonna 2	Colonna3	Colonna4	Colonna5
	Punteggio	SD	R2	RMSE	Q2	Q2 MW (ipotesi nulla)
1	0.8223	0.3268	0.815	0.2479	0.8185	0.1462
2	0.5671	0.2996	0.5067	0.1996	0.2264	0.4736
3	0.8172	0.3692	0.8114	0.1536	0.9065	-1.1532
4	0.6673	0.367	0.6436	0.1709	0.8852	0.1445
*SD – deviazione standard,
R2 – correlazione del set di allenamento tra i valori di attività effettivi e previsti,
Q2 – correlazione dell'attività effettiva e prevista del set di test.
RMSE - Errore quadratico medio radice

Tabella 3: Parametri statistici del modello 2D-QSAR. La tabella presenta la deviazione standard, la correlazione del set di addestramento tra i valori di attività effettivi e previsti (R²) e il punteggio più alto della correlazione dell'attività effettiva e prevista del set di test per ogni classe (Q²). Il punteggio più alto (R²) rappresenta la classe.

LIGANDO	OMOSESSUALE	LUMO	Gap E
Efavirenz	-0.2242	-0.06943	0.15477
Etravirina	-0.21408	-0.08141	0.13267
Nevirapina	-0.20602	-0.07759	0.12843
HBY_561	-0.19687	-0.0748	0.12207
Delavirdina	-0.19651	-0.07958	0.11693
Doravirina	-0.22413	-0.10916	0.11497
Rilpivirina	-0.21343	-0.11216	0.10127

Tabella 4: Gap energetico HOMO-LUMO degli NNRTI ottimizzati. La tabella mostra i risultati dei gap energetici HOMO-LUMO ottenuti dopo l'ottimizzazione dei sei NNRTI.

Ligando	Leganti ottimizzati	Ligandi enumerati
Doravirina	7.229	7.374
Rilpivirina	7.302	7.279
Etravirina	7.229	7.374
Efavirenz	7.229	7.323
Delavirdina	7.302	7.302
Nevirapina	7.229	6.988
HBY_561	7.229	7.323

Tabella 5: Punteggi di attività previsti di NNRTI ottimizzati rispetto ai corrispondenti NNRTI enumerati. La tabella confronta i punteggi dell'attività predittiva tra ligandi ottimizzati ed enumerati. Più alti sono i punteggi di attività, migliore è il composto come potenziale guida per la droga.

LIGANDO	Gap energetico dopo l'ottimizzazione	Gap energetico dopo l'enumerazione	Differenza di gap tra composti ottimizzati ed enumerati
Doravirina	0.115	0.126	0.011
Rilpivirina	0.101	0.127	0.030
Etravirina	0.133	0.126	0.010
Efavirenz	0.155	0.126	0.030
Delavirdina	0.117	0.126	0.010
Nevirapina	0.128	0.126	0.002
HBY_561	0.122	0.126	0.004

Tabella 6: Confronto tra i gap energetici previsti degli NNRTI enumerati e il gap energetico originale degli NNRTI ottimizzati. La tabella mostra un confronto tra il gap energetico di HOMO-LUMO tra i ligandi ottimizzati ed enumerati e le differenze di gap energetico tra di loro.

Ligando enumerato	Regola delle 5 proprietà	Colonna1	Colonna 2	Colonna3	Colonna4	Colonna5	Aggiunto gruppo laterale	Punteggio di ancoraggio enumerato	Colonna sonora originale per l'attracco	Ligandi enumerati riagganciati
	AlogP	PSA	HBD	HBA	MW	MPO
Doravirina	2.4	125.9	2	8	441.8	0.49	Ossidrile	-8.894	-9.04	-9.739
Etravirina	4.4	140.9	3	8	451.3	0.37	Ossidrile	-10.258	-9.647	-10.517
Efavirenz	3.7	64.3	2	3	330.7	0.75	Ammina	-10.284	-10.432	-11.025
Nevirapina	2.6	58.1	1	4	284.3	0.73	Fluoruro	-9.112	-8.825	-9.445
HBY_561	2.4	93.9	2	6	358.5	0.66	Ammide	-9.596	-9.242	-10.1
AlogP - (logaritmo calcolato del coefficiente di ripartizione ottanolo-acqua).
PSA - (Superficie polare)
HBD - (Donatori di obbligazioni a idrogeno)
HBA - (Accettori di legami idrogeno)
MW - (Peso molecolare)
MPO - (Ottimizzazione multiparametrica)

Tabella 7: Confronto del punteggio di docking tra gli NNRTI originali e quelli enumerati. Nella tabella viene illustrato il confronto tra i punteggi di ancoraggio enumerati, ovvero i punteggi di ancoraggio dopo l'enumerazione. I punteggi di docking originali sono i punteggi di docking degli NNRTI ottimizzati. I punteggi enumerati riagganciati sono i punteggi di docking dei ligandi che sono stati enumerati. Poiché il processo di enumerazione fornisce un punteggio di docking predittivo, i ligandi dovevano essere riagganciati con lo stesso metodo dei ligandi ottimizzati. I gruppi aggiunti sono quelli aggiunti ai ligandi durante il processo di enumerazione.

Ligando	Legame ΔG	ΔGCoulomb	ΔGCovalente	ΔGHbond	ΔGLipo	Confezione ΔG	ΔGSolv	ΔGVdW
Etravirina	-80.551	-11.196	2.491	-1.509	-27.447	-4.826	26.605	-64.669
Etravirina enumerata	-89.684	-17.976	2.807	-2.541	-27.652	-4.211	26.034	-66.146
HBY561	-79.664	-12.261	0.994	-0.521	-26.052	-1.278	18.624	-59.169
Enumerato HBY561	-82.719	-13.443	1.534	-0.603	-27.053	-1.210	20.600	-62.544
Efavirenz	-71.372	-12.984	1.151	-0.834	-25.353	-1.379	14.472	-46.44
Efavirenz enumerato	-79.125	-18.602	1.753	-2.159	-25.409	-1.198	16.619	-50.129

Tabella 8: ReXts MMGBSA di ligandi selezionati su 1HQU. La tabella rappresenta la Meccanica Molecolare con i calcoli di Born Generalizzati e dell'area superficiale, che mostrano un'energia libera di legame media (ΔGbind) del complesso proteina-ligando. La tabella mostra un confronto tra i ligandi originariamente ottimizzati che mostrano buoni punteggi di docking rispetto ai ligandi cristallini e le loro controparti enumerate. Il composto scelto con un punteggio di docking più alto e una buona simulazione di dinamica molecolare della fluttuazione RMSD all'equilibrio dovrebbe anche soddisfare i calcoli MMGBSA mostrando l'energialibera di legame più negativa di (legame ΔG_). In questo caso, l'Etravirina enumerata soddisfa entrambi i parametri computazionali.

File supplementare 1: Altri rXts ottenuti in questo studio. Clicca qui per scaricare questo file.

Discussion

Il metodo DFT²⁶ è stato utilizzato per analizzare le proprietà elettroniche e la stabilità di vari derivati pirimidinici, cosa che non avviene in studi simili. L'uso della DFT consente una comprensione più profonda delle interazioni molecolari a livello quantistico, migliorando il processo di progettazione degli NNRTI. In questo studio, abbiamo selezionato sei NNRTI con valori di attività sconosciuti. Abbiamo recuperato le loro strutture molecolari dal database PubChem e condotto l'ottimizzazione geometrica utilizzando il set di basi funzionali Minnesota 15 Local (MN15-L)³² e 6-31++G (d,p)² nel pacchetto software di meccanica quantistica Gaussian 16 revision C01³³ . Per impostare i file di input della simulazione, abbiamo utilizzato GaussView 6.0²⁶. Le strutture quantistiche sono state poi agganciate al sito attivo della proteina HIV-1.

Lo studio ha utilizzato un approccio QSAR⁵¹, che è stato adattato per prevedere l'attività biologica degli NNRTI in base alla loro struttura chimica. Questo modello è stato generato utilizzando un set di dati di 94 derivati della diidrofuro[3,4-d] pirimidina, consentendo l'identificazione di gruppi funzionali chiave che influenzano l'attività antivirale. L'integrazione di un robusto modello QSAR è un progresso cruciale, in quanto aiuta a filtrare i composti nelle prime fasi del processo di progettazione, migliorando l'efficacia della scoperta di farmaci.

Sono state prese in considerazione le attività previste dei nuovi composti e sono stati convalidati i punteggi di attracco. L'avanzata tecnica di docking molecolare ha esplorato le interazioni di legame tra gli NNRTI e l'enzima trascrittasi inversa HIV-1. A ciò si sono aggiunte simulazioni di dinamica molecolare per un periodo prolungato (200 ns), che hanno fornito informazioni sulla stabilità e sul comportamento dei complessi farmaco-proteina in condizioni fisiologiche. La dinamica molecolare⁵² ha convalidato i risultati degli studi di attracco. Simulando il comportamento dei complessi farmaco-enzima nel tempo, possiamo valutare la stabilità dinamica e le interazioni che potrebbero non essere catturate negli studi di docking statico⁵³. Questo approccio fornisce una valutazione più realistica delle prestazioni degli NNRTI nei sistemi biologici. Le simulazioni hanno mostrato che l'etravirina produceva fluttuazioni RMSD di circa 4,5 Å, mentre l'etravirina enumerata dava fluttuazioni RMSD di 3,5 Å. C'erano varie somiglianze tra l'etravirina e l'etravirina enumerata, con il composto enumerato che possedeva interazioni aminoacidiche potenziate all'interno del sito attivo della proteina. La RMSD più bassa, le migliori interazioni con gli aminoacidi e la più alta energia libera di legame suggeriscono che l'etravirina enumerata potrebbe servire come una valida alternativa per il trattamento dell'HIV/AIDS.

L'uso di tecniche di enumerazione⁵⁴ per generare stereoisomeri ed eseguire la scansione isosterica è un aspetto degno di nota di questa ricerca. Questo metodo consente ai ricercatori di esplorare uno spazio chimico più ampio per potenziali NNRTI modificando sistematicamente le strutture esistenti, il che può portare alla scoperta di composti con una migliore efficacia e una resistenza ridotta.

La ricerca integra l'analisi HOMO-LUMO derivata da calcoli di meccanica quantistica per valutare la reattività e la stabilità dei composti. Questo aspetto è spesso trascurato in studi simili⁵⁵, ma fornisce preziose informazioni sulle proprietà elettroniche che possono influenzare l'attività biologica

L'utilizzo del metodo MMGBSA in questo studio per stimare le energie libere di legame degli NNRTI enumerati come potenziali inibitori della trascrittasi inversa (RT) dell'HIV-1 presenta un nuovo aspetto che aumenta il significato e il potenziale impatto di questo lavoro sullo sviluppo del trattamento dell'HIV.

L'applicazione di MMGBSA in questo studio fornisce una stima più accurata delle energie libere di legame per l'etravirina enumerata rispetto alla sua controparte. Calcolando i valori di energia libera di legame, lo studio valuta quantitativamente l'affinità di legame dell'etravirina enumerata, che era considerevolmente più alta (9,133 kcal/mol) rispetto a quella dell'etravirina standard. Questo livello di dettaglio nei calcoli dell'energia vincolante consente una comprensione più sfumata di come le modifiche strutturali possano influenzare l'efficacia degli NNRTI, che spesso manca in studi simili che possono basarsi esclusivamente su valutazioni qualitative.

Il valore_covalente ΔG riportato di 1,477 kcal/mol indica ulteriormente la forza dell'interazione per il composto enumerato. L'approccio comparativo è innovativo in quanto non solo identifica un candidato promettente, ma lo colloca anche nel contesto più ampio delle terapie esistenti, fornendo un punto di riferimento per il futuro sviluppo di NNRTI.

Il confronto mostrato nella Tabella 8 indica anche che l'etravirina enumerata può essere un potenziale composto da utilizzare come ART alternativo poiché la sua energia libera di legame di (ΔG_legd) è la più alta rispetto all'etravirina, HBY56, all'etravirina e alle loro controparti enumerate.

I risultati del nostro studio potrebbero avere un impatto significativo sullo sviluppo di nuovi agenti terapeutici per l'infezione da HIV. Inoltre, questo approccio può consentire di identificare il candidato anti-HIV più promettente. Questi risultati possono aprire la strada alla progettazione razionale di nuovi NNRTI per l'HIV-1.

L'incorporazione di MMGBSA in combinazione con altri metodi computazionali (come il docking molecolare, la modellazione QSAR e le simulazioni di dinamica molecolare) migliora la robustezza dei risultati. Questo approccio integrato consente una valutazione completa dei composti, dall'ottimizzazione strutturale al comportamento dinamico in un contesto biologico. Tale metodologia è relativamente nuova nella ricerca NNRTI, in cui gli studi spesso si concentrano su metodi isolati senza una visione olistica del processo di progettazione del farmaco. La ricerca evidenzia diversi risultati promettenti e una migliore comprensione delle interazioni molecolari tra gli NNRTI e l'enzima trascrittasi inversa, che possono informare i futuri sforzi di progettazione dei farmaci.

Mentre altri studi nel campo dello sviluppo di NNRTI si concentrano spesso su singoli metodi computazionali o analisi di docking di base, questa ricerca si distingue per la combinazione di calcoli chimici quantistici con la dinamica molecolare e la modellazione QSAR, impiegando un approccio di enumerazione sistematica che espande lo spazio chimico potenziale per gli NNRTI e utilizzando un in-silico completo che non solo predice le affinità di legame, ma valuta anche la stabilità e la dinamica delle interazioni farmaco-enzima.

Nel complesso, la novità di questa ricerca risiede nel suo approccio multiforme, che sfrutta tecniche computazionali avanzate per affrontare le sfide della resistenza ai farmaci nel trattamento dell'HIV, aprendo così la strada allo sviluppo di NNRTI più efficaci. I risultati sottolineano il potenziale per lo sviluppo di NNRTI più efficaci in grado di superare i limiti delle terapie attuali.

Alcune applicazioni future dell'approccio descritto in questo protocollo includono quanto segue.

Integrazione con l'apprendimento automatico

Studi futuri potrebbero integrare MMGBSA con algoritmi di apprendimento automatico per migliorare il potere predittivo delle stime di energia libera da vincolo. Addestrando i modelli su grandi set di dati, i ricercatori hanno potuto migliorare l'accuratezza e l'affidabilità delle previsioni, consentendo una migliore identificazione dei candidati NNRTI promettenti.

Applicazione nella progettazione di farmaci basati su frammenti

MMGBSA può essere efficacemente utilizzato nella progettazione di farmaci basati su frammenti, in cui piccoli frammenti molecolari sono ottimizzati per migliorare l'affinità di legame. Questo approccio potrebbe portare all'identificazione di nuovi NNRTI con maggiore potenza e selettività contro l'HIV-1.

Esplorazione dei meccanismi di resistenza ai farmaci

La tecnica può essere applicata per studiare le interazioni di legame degli NNRTI con ceppi mutanti di HIV-1. Confrontando le energie libere di legame degli NNRTI con le varianti wild-type e resistenti, i ricercatori possono ottenere informazioni sui meccanismi della resistenza ai farmaci e informare la progettazione di inibitori di nuova generazione.

Valutazione delle proprietà farmacocinetiche

L'MMGBSA può anche essere impiegato per valutare le proprietà farmacocinetiche degli NNRTI, come la solubilità e la permeabilità. Comprendendo come queste proprietà sono correlate all'affinità di legame, i ricercatori possono ottimizzare i farmaci candidati per migliori profili terapeutici.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GaussView	GaussView		V6.1.1
KNIME	KNIME		V4.7.1
Schrödinger Maestro V13.6	SCHRÖDINGER INC.		Anno di rilascio della licenza 2023-2