Un flusso di lavoro computazionale bilingue per identificare potenziali inibitori PLK1 nella lingua dei segni americana e in inglese
3 aprile 2026
Questo protocollo bilingue fornisce un flusso di lavoro computazionale di scoperta di farmaci che valuta le interazioni proteina-ligando delle Kinasi Polo-Simili 1 a 3 (PLK1–3) e delle proprietà ADMET-S, Absorption, Distribution, Metabolism, Excretion, Toxicity, and Stability (ADMET-S).
Un flusso di lavoro computazionale bilingue. Introduzione. Le ricerche mostrano che PLK1 è sovraespressa in vari tumori. L'inibizione di PLK1 attraverso il suo dominio polo-box, PBD, ha dimostrato di indurre apoptosi.
L'obiettivo di questo studio è identificare inibitori selettivi del PLK1-PBD con proprietà medicinali e farmacocinetiche desiderate. Gli omologhi PLK2 e PLK3 sono stati sottoposti agli stessi protocolli per valutare la selettività. Protocollo. Preparazione proteica mirata.
Qui utilizziamo CHARMM-GUI per ottimizzare PLK1, 4HCO, dal Protein Data Bank, PDB. Questo garantisce che la proteina non abbia residui o idrogeni mancanti. Andiamo avanti con lo strumento.
Sotto Generatore di Input, seleziona Manipolatore Lettore PDB. Scorri fino alla casella di input. Assicurati che l'opzione PDB sia selezionata prima di inserire 4HCO per PLK1.
Nella pagina successiva, deseleziona la catena proteica B per processare solo la catena A. Procedi. Scorri verso il basso le informazioni del PDB e procedi. Dei quattro output, selezioniamo il file PDB e lo salviamo.
Infine, procedi ad aprire il file PDB con un editor di testo. Trova e sostituisci lo stato di protonazione dell'istidina da HSD a HIS. Screening del database dei prodotti naturali.
L'approccio per ottenere un campione di piccole molecole da colpire a PLK1 utilizza un database di prodotti naturali ed è composto da tre parti. I database di prodotti naturali sono estesi, quindi i composti iniziali derivano dalla selezione di una malattia e di un limite di fiducia. In questo esempio viene utilizzato SuperNatural 3.0.
SuperNatural 3.0 viene utilizzato per ottenere molecole tramite selezione della malattia. Un modo per interrogare è attraverso i percorsi umani. Qui viene selezionato il cancro al seno.
L'ID KEGG per questo percorso è qui. Poi digitiamo l'ID KEGG nel percorso SuperNatural 3.0. In alternativa, possiamo cliccare su Malattia, selezionare il cancro al seno e salvare il file completo dei risultati.
Nelle domande frequenti, è possibile scaricare l'intera libreria del database. Procedi. Procedi a sbloccare i file compressi, ottenere il CSV e rimuovere il file zip. Apri R Studio, o un IDE a tua scelta.
Dopo aver importato i dati in R Studio, i risultati completi iniziali hanno 73.046 molecole. Ci sono 1.193 molecole dopo l'applicazione dei limiti di confidenza. Campionamento a grappolo.
Dopo aver applicato la regola dei cinque di Lipinski con il RDkit. Pacchetto chimico, ci restano 999 molecole. Qui è evidente che abbiamo 999 molecole.
Successivamente, applichiamo il clustering K-means per derivare 50 molecole rappresentative. Il clustering si basa sulla somiglianza con i Tanivoto. Calcolo dell'affinità di aggancio proteina-ligando e legando.
L'obiettivo di questo metodo è agganciare PLK1 a ciascun ligando per ottenere affinità di legame. Procedi ad aprire CB-Dock2. Procedi alla scheda Dock.
Qui carichiamo il 4hco. PDB come proteina bersaglio per l'agganciamento. Carica un ligando.
Qui iniziamo con il ligando uno. In alternativa, puoi digitare o incollare questa stringa SMILES. Procedi a scrivere la tua email per facilitare la raccolta dei dati.
Dopodiché, clicca su Auto Blind Docking. Ci sono i risultati inviati nell'email. Salva il file zip dei risultati dell'docking.
Dopo il salvataggio, il file zip viene estratto e al suo interno ci sono diversi file. Rimuovi tutti i file, ad eccezione del complesso. file PDB.
Dovrebbe esserci un complesso predefinito cinque. file PDB. Pulisci la directory rimuovendo i file zip non estratti.
Dopo il completamento dell'aggancio proteina-ligando con CB-Dock2, che ha classificato le posizioni secondo i punteggi Vina, il passo successivo è il calcolo dell'affinità di legame con PRODIGY. L'affinità di legame con PRODIGY garantisce una valutazione competitiva della selettività proteica. È favorevole che i liganti siano selettivi rispetto a PLK1, e non agli omologhi strutturali.
Procedi al server web PRODIGY. Seleziona la scheda PRODIGY-LIGAND. Fai riferimento a un complesso.
PDB per determinare gli identificatori di proteine e catene di ligando. Il complesso. Il file PDB viene aperto con un editor di testo.
L'identificatore della catena per la proteina è P.That viene inserito nel server web. La catena di liganti tipicamente inizia a HETATM. Cerca quello.
L'identificatore della catena per il ligando è A:UNL. Questo viene inserito nel server web. I cinque complessi forniti per ciascuna combinazione di proteina di ligando saranno caricati contemporaneamente.
Un script di gestione file sviluppato viene utilizzato in R per questo compito. Lo script comprime il file pdb per tutte le combinazioni di docking. Dopo la compressa, i file vengono caricati manualmente su PRODIGY.
Procedi a inviare il ligando PRODIGY. C'è una lista di affinità di binding per ogni cinque pose nella combinazione caricata. Delta-Gnoelec è il punteggio di affinità di legame escludendo i calcoli elettrostatici.
Procedi a salvare i risultati, che sono chiusi con una zip. All'apertura del file zip, c'è una cartella di output con i punteggi di affinità. Valutazione ADMET-S.
La valutazione ADMET, senza stabilità, coinvolge tre strumenti diversi. ADMET valuta la farmacolizzabilità e la biodisponibilità utilizzando oltre 120 proprietà. ORCA applica la Teoria del Funzionale della Densità, DFT, per analizzare le proprietà dei farmaci.
Procediamo. Crea una directory per la stabilità. Recupera la stringa SMILES di una piccola molecola.
Apri Avogadro, o editor di molecole a tua scelta. Usa la stringa SMILES per costruire la tua piccola molecola. Conserva la molecola dopo aver costruito.
Assicurati che sia situato in una sottodirectory di stabilità. Procedi a ottimizzare la geometria. Successivamente, viene generato un file di input ORCA.
Copia e incolla il livello di teoria desiderato, come visto dalla quarta riga del documento di esempio. Procedi a sostituire il livello predefinito della teoria. Procedi a generare il file.
Salva in questa cartella di stabilità. Aggiungi il file sh o il file di lavoro bash. Procedi a personalizzare i parametri del file del lavoro.
Ad esempio, l'email da notificare può essere personalizzata. Risultati rappresentativi. Innanzitutto, abbiamo PCA per la riduzione della molteplicità dimensionale.
Questa figura mostra diversi gruppi numerati raggruppati in ellissi grigie. Successivamente, i risultati del campione di ligando 1 e PLK1-PBD. In alto a sinistra è raffigurata il ligando 1 in verde, con residui indesiderati, rossi e arancioni.
A destra c'è un modello rappresentativo dopo la pulizia e la preparazione con CHARMM-GUI. Sotto si trova il complesso ormeggiato con PLK1, PBD e ligando 1. Inoltre, CB-Dock2 mostra le prime cinque cavità di attracco e le loro affinità sotto forma di punteggi Vina.
Le affinità di legame previste da PRODIGY possono essere visualizzate tramite mappe di calore. La heatmap rappresenta i ruoli degli omologhi PLK1, 2 e 3. Il rosso rappresenta un'affinità debole e indesiderata, mentre il verde l'opposto.
La valutazione ADMET-S può essere rappresentata con una varietà di cifre. La prima è l'uovo sodo. La heatmap identifica lo stato di inibitore e non substrato con verde e rosso dei liganti rispetto a diversi indicatori metabolici.
Per la liberazione, un grafico a linee che mostra le soglie temporali ideali affinché il farmaco venga distribuito prima dell'espressione. Varie metriche possono anche essere compilate in una grafica radar utile. Il numero di tossicofori in ciascun ligando può essere rappresentato con un diagramma a colonne.
Toxtree produce sia una classificazione della tossicità dei farmaci sia un ragionamento qualitativo basato sull'albero decisionale delle regole di Cramer. La stabilità o la reattività molecolare possono essere rappresentate con un grafico a linee con adeguate soglie di gap HOMO-LUMO. Conclusione. In sintesi, questo protocollo utilizza una varietà di strumenti virtuali di screening dei farmaci, affinità di legame e ADMET-S a livello di scuola superiore o università.
I risultati generati da questo protocollo hanno il potenziale di aumentare la resa di scoperte favorevoli di farmaci.
Panoramica
Questo protocollo illustra un flusso di lavoro computazionale bilingue per l'identificazione di potenziali inibitori della PLK1. Si sottolinea l'importanza della valutazione delle interazioni proteina-ligando e delle proprietà ADMET-S nella scoperta di farmaci.
Componenti Chiave dello Studio
Area della Scienza
- Chimica
- Biologia computazionale
- Farmacologia
Contesto
- PLK1 è sovraespresso in vari tipi di cancro.
- L'inibizione di PLK1 può indurre apoptosi.
- Lo studio mira a identificare inibitori selettivi del dominio PBD di PLK1.
- I database di prodotti naturali vengono utilizzati per lo screening di potenziali inibitori.
Scopo dello studio
- Sviluppare un flusso di lavoro per l'identificazione di inibitori della PLK1.
- Valutare le proprietà medicinali e farmacocinetiche dei candidati.
- Utilizzare strumenti computazionali per la scoperta di farmaci.
Metodi Utilizzati
- Preparazione della proteina utilizzando CHARMM-GUI.
- Screening del database di prodotti naturali con SuperNatural 3.0.
- Docking proteina-ligando e calcoli dell'affinità di legame.
- Valutazione ADMET-S per farmacodinamicità e biodisponibilità.
Risultati principali
- Identificazione di 999 molecole candidato dopo il screening.
- Affinità di legame calcolate utilizzando PRODIGY.
- La valutazione ADMET-S fornisce informazioni sulle proprietà farmacologiche.
- Visualizzazione dei risultati attraverso diverse rappresentazioni grafiche.
Conclusioni
- Il protocollo offre un approccio completo allo screening virtuale di farmaci.
- Ha potenziali applicazioni nel miglioramento degli sforzi di scoperta di farmaci.
- Il flusso di lavoro è adatto a scopi educativi a livello di scuola secondaria o universitario.
Domande frequenti
Rilevanza Industriale del Progetto
L'inibizione selettiva del dominio polo-box (PBD) di PLK1 rappresenta una strategia promettente per la scoperta di farmaci in oncologia, ma l'elevata omologia con PLK2 e PLK3 richiede una valutazione rigorosa della selettività al fine di evitare effetti fuori bersaglio. Questo flusso di lavoro computazionale bilingue integra screening virtuale, clustering, docking, previsione dell'affinità di legame e profilo ADMET-S per selezionare candidati derivati da prodotti naturali da sottoporre a ulteriori validazioni. L'approccio supporta il triage nelle fasi iniziali e la generazione di ipotesi, consentendo decisioni più informate nell'ambito del percorso di scoperta.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Target
- Permette l'analisi del dominio PBD di PLK1 come bersaglio terapeutico, valutandone la selettività rispetto a PLK2 e PLK3.
- Supporta la riduzione del rischio biologico filtrando computazionalmente i composti con profili indesiderati verso bersagli secondari.
- Facilita una previsione affidabile dell'interazione con il bersaglio attraverso risultati quantitativi di docking e affinità di legame.
Sviluppo di screening e saggi
- Prepara un insieme chimicamente diversificato di composti simili a farmaci per lo screening biochimico o cellulare successivo.
- Standardizza lo screening virtuale e il raggruppamento per garantire riproducibilità e diversità chimica nella selezione dei candidati.
- Genera dati quantitativi di affinità di legame e dati ADMET-S per informare la priorizzazione e la progettazione dei saggi.
Ricerca Translazionale e Preclinica
- Allinea le previsioni computazionali alla rilevanza per la malattia filtrando in base all'associazione con il percorso del cancro al seno.
- Fornisce un insieme mirato di candidati per la validazione sperimentale, sostenendo la continuità traslazionale da studi in silico a studi in vitro.
- Consente un avanzamento aggiustato per il rischio integrando previsioni di stabilità meccanico-quantistiche e ADMET-S.
Integrazione di Pipeline e Flusso di Lavoro
Questo flusso di lavoro collega la fase iniziale della scoperta all'identificazione del capostazione, integrando il screening virtuale, la valutazione della selettività e l'analisi della farmacorassomiglianza per inibitori del dominio PBD di PLK1.
- Biologia della scoperta: Supporta la verifica delle ipotesi e la riduzione del rischio meccanicistica confrontando il legame del ligando tra PLK1, PLK2 e PLK3.
- Screening: Fornisce un insieme riproducibile di composti raggruppati con risultati quantitativi di docking e ADMET-S pronti per i saggi.
- Analisi: Offre mappe termiche dell'affinità di legame, grafici radar ADMET-S e classificazioni della tossicità per consentire un triage basato sui dati.
- Ricerca traslazionale: Collega le previsioni computazionali alla priorizzazione sperimentale di candidati rilevanti per il cancro al seno.
- Riutilizzo aziendale: Stabilisce un flusso di lavoro modulare e bilingue adattabile ad altri bersagli chinasi o vie patologiche.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva e riduce l'ambiguità meccanicistica nella validazione precoce dei bersagli in oncologia.
- Valore operativo: Standardizza i flussi di lavoro computazionali per garantire riproducibilità, scalabilità e adozione tra diversi team.
- Valore strategico: Permette decisioni più efficienti di avanzamento o interruzione e un'allocazione ottimizzata del capitale, privilegiando i candidati con profili favorevoli di selettività e ADMET-S.
- Impatto sul portafoglio: Favorisce la priorizzazione e la progressione di candidati con potenziale traslazionale, adeguata alla gestione del rischio.
Considerazioni sull'implementazione
- Richiede competenze specifiche in chiminformatica, docking molecolare e analisi ADMET-S.
- È subordinato all'accesso a infrastrutture computazionali e software specializzati (ad esempio, CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Richiede una gestione standardizzata dei dati e una documentazione condivisa dei flussi di lavoro tra i gruppi di lavoro per garantire la riproducibilità.
- Potrebbe richiedere l'adattamento dei parametri di clustering e filtraggio per diverse famiglie di target o contesti patologici.
- Le previsioni virtuali devono essere validate sperimentalmente per confermare selettività e meccanismo d'azione.
