Un flusso di lavoro computazionale bilingue per identificare potenziali inibitori PLK1 nella lingua dei segni americana e in inglese
April 3rd, 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 dimostra un flusso di lavoro computazionale bilingue per l'identificazione di potenziali inibitori PLK1. Enfatizza l'importanza di valutare le interazioni proteina-ligando e le proprietà ADMET-S nella scoperta di farmaci.
Componenti principali dello studio
Area della scienza
- Chimica
- Biologia computazionale
- Farmacologia
Sfondo
- PLK1 è sovraespressa in vari tipi di cancro.
- L'inibizione di PLK1 può indurre l'apoptosi.
- Lo studio mira a identificare inibitori PLK1-PBD selettivi.
- I database dei prodotti naturali sono utilizzati per lo screening di potenziali inibitori.
Obiettivo dello studio
- Sviluppare un flusso di lavoro per l'identificazione di inibitori PLK1.
- Valutare le proprietà medicinali e farmacocinetiche dei candidati.
- Utilizzare strumenti computazionali per la scoperta di farmaci.
Metodi utilizzati
- Preparazione delle proteine utilizzando CHARMM-GUI.
- Screening del database di prodotti naturali con SuperNatural 3.0.
- Docking proteina-ligando e calcoli di affinità di legame.
- Valutazione ADMET-S per la druggability e la biodisponibilità.
Principali risultati
- Identificazione di 999 molecole candidate dopo lo screening.
- Affinità di legame calcolate utilizzando PRODIGY.
- La valutazione ADMET-S fornisce informazioni sulle proprietà del farmaco.
- Visualizzazione dei risultati attraverso varie 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 superiore o universitario.
Domande frequenti
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
