Name: Modellazione farmacoforica per bersagli con ampie librerie di ligandi: un caso di studio su SARS-CoV-2 Mpro (Video) | JoVE Journal
Uploaded: 2025-09-26T14:30:00.000+00:00
Duration: 5 min 50 s
Description: Scopri la modellazione farmacoforica con grandi librerie di ligandi per identificare pattern strutturali che guidano la scoperta di farmaci contro SARS-CoV-2 Mpro. Questo metodo computazionale migliora l'accuratezza nello screening virtuale.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. Metodo 1
<ol>
	<li>Preparare i ligandi per la generazione di farmacofori di consenso<ol>
		<li>Allineare tutti i complessi proteina-ligando utilizzando il software PyMOL11.</li>
		<li>Estrarre ogni conformatore del ligando allineato e salvarlo come file separato in formato SDF. NOTA: Per il protocollo descritto è possibile utilizzare anche altri formati come MOL, MOL2 e PDB.</li>
	</ol>
	</li>
	<li>Genera file JSON farmacoforo utilizzando Pharmit12
	<ol>
		<li>Carica ogni file ligando individualmente su Pharmit utilizzando l'opzione Carica funzioni (vedi Tabella dei materiali per un collegamento a Pharmit).</li>
		<li>Utilizzare l'opzione Salva sessione per scaricare il file JSON del farmacoforo corrispondente.</li>
	</ol>
	</li>
	<li>Organizzare i file JSON per l'uso in ConPhar<ol>
		<li>Archivia tutti i file JSON scaricati in un'unica cartella. Questi file verranno caricati nell'ambiente Google Colab nel metodo successivo.</li>
	</ol>
	</li>
</ol>
2. Metodo 2
<ol>
	<li>Configurare l'ambiente Google Colab<ol>
		<li>Avvia un nuovo taccuino di Google Colab: apri Google Colab nel browser web e crea un nuovo taccuino e regola le impostazioni per utilizzare una versione precedente selezionando Runtime → Cambia runtime → versione 2025.07 runtime.</li>
		<li>Installa Conda e PyMOL. Il codice necessario per installare Conda e PyMOL in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		# Installa CondaColab: Abilita il supporto dell'ambiente Conda in Google Colab 
		da IPython.utils import io 
		Importazione di tqdm.notebook 
		Importa sistema operativo 
		totale = 100 con tqdm.notebook.tqdm(total=total) come pbar: con io.capture_output() come acquisito: # Installa CondaColab !pip install -q condacolab Importazione CondacoLab condacolab.install() pbar.update(10) # Aggiorna il percorso Python per individuare i pacchetti installati 
		Importa sistema sys.path.append('/usr/local/lib/python3.7/site-packages/') pbar.update(20) # Installa il bundle PyMOL usando mamba dal canale Schrodinger %shell mamba install -c schrodinger pymol-bundle --yes pbar.update(90)</li>
		<li>Verificare l'esecuzione riuscita: eseguire la cella facendo clic sull'icona di riproduzione o premendo Maiusc + Invio. Una volta eseguita correttamente, verrà visualizzata una barra verde orizzontale sopra la cella (vedere la Figura 1).</li>
	</ol>
	</li>
	<li>Installa il pacchetto Python ConPhar e importa i moduli necessari<ol>
		<li>Installa e importa ConPhar. Il codice necessario per installare il pacchetto ConPhar e importare i moduli necessari in Google Colab è fornito qui in corsivo come riferimento, e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		# Installa il pacchetto di analisi farmacoforica ConPhar Importa pymol !pip installa conphar da Conphar. Importazione di farmacofori parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore Importa sistema operativo Importa panda come PD NOTA: La dichiarazione di importazione da conphar. Farmacofori è suddiviso in più righe per chiarezza, ma deve essere inserito come un'unica riga continua. Lo strumento ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) è in fase di sviluppo attivo. Il protocollo attuale utilizza una versione stabile (0.1.2), che è stata convalidata per la procedura descritta. Gli utenti sono incoraggiati a utilizzare questa versione per garantire la riproducibilità.</li>
		<li>Conferma l'installazione riuscita: Esegui la cella facendo clic sull'icona di riproduzione o premendo Maiusc + Invio. Al termine dell'installazione e dell'importazione degli strumenti ConPhar, verrà visualizzato un messaggio di conferma (vedere la Figura 2).</li>
	</ol>
	</li>
	<li>Caricamento di singoli modelli di farmacoforo da file JSON<ol>
		<li>Creare una cartella per i file JSON del farmacoforo. Il codice necessario per creare una cartella per l'archiviazione dei file di input del farmacoforo in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		# Crea una cartella per archiviare i file JSON di input 
		os.makedirs("JSON_FOLDER", exist_ok=Vero) NOTA: questo comando crea automaticamente la cartella se non esiste già.</li>
		<li>Carica i file JSON nella cartella: fai clic sull'icona della cartella nel pannello di sinistra di Colab, apri la cartella appena creata e fai clic con il pulsante destro del mouse per selezionare Carica. Aggiungere i file JSON necessari (vedere la Figura 3). NOTA: Assicurarsi che i file seguano il formato previsto generato da Pharmit.</li>
	</ol>
	</li>
	<li>Analizza e consolida le caratteristiche farmacoforiche<ol>
		<li>Estrai le caratteristiche farmacoforiche dai file caricati. Il codice necessario per analizzare i file JSON caricati, estrarre le funzionalità farmacoforiche e archiviarli in un singolo DataFrame in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		p4_table=PD. DataFrame() per il file in os.listdir('/content/JSON_FOLDER'): se '.json' nel file: provare: p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}") p4['ligand']=file.replace('.json','') p4_table=pd.concat([p4_table;p4];ignore_index=Vero) tranne l'eccezione: passare p4_table</li>
		<li>Eseguire la cella facendo clic sull'icona di riproduzione o premendo MAIUSC + INVIO per generare il DataFrame consolidato (vedere la Figura 4). Il DataFrame consolidato risultante compila tutte le caratteristiche farmacoforiche estratte dai singoli ligandi in una tabella unificata, facilitando il clustering a valle e l'analisi statistica. NOTA: lo script include la gestione delle eccezioni di base per ignorare i file JSON in formato non valido durante l'elaborazione per evitare l'interruzione del flusso di lavoro. Dato il gran numero di file, controllare ciascuno in anticipo non è pratico; Al contrario, lo script può essere modificato per stampare il nome di qualsiasi file che non viene caricato, in modo che l'utente possa esaminarlo e correggerlo singolarmente.</li>
	</ol>
	</li>
	<li>Genera e salva il consenso Farmacoforo<ol>
		<li>Visualizza tutti i descrittori farmacoforici. Il codice necessario per visualizzare i descrittori farmacoforici estratti dai file di input in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		show_pharmacophoric_descriptors(p4_table)</li>
		<li>Eseguire la cella facendo clic sull'icona di riproduzione o premendo MAIUSC + INVIO per visualizzare il raggruppamento delle caratteristiche farmacoforiche (vedere la Figura 5). Gli output raggruppati raggruppano caratteristiche farmacoforiche simili su più ligandi in base alle loro posizioni spaziali, consentendo l'identificazione di modelli di interazione conservati.</li>
		<li>Salva il modello del farmacoforo in formato PyMOL. Il codice necessario per generare e salvare il modello di farmacoforo di consenso in un formato compatibile con PyMOL in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')</li>
		<li>Eseguire la cella per produrre il file .pse corrispondente (vedere la Figura 6).</li>
		<li>Salvare il modello del farmacoforo in formato JSON. Il codice necessario per generare e salvare il modello di farmacoforo di consenso in un formato compatibile con Pharmi in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. ​save_pharmacophore_to_json(p4_table,out_file= «ConPhar_pharmit.json»)</li>
		<li>Eseguire la cella per produrre il file di .json corrispondente (vedere la Figura 6).</li>
		<li>Genera output e dendrogrammi in cluster di funzionalità. Il codice necessario per generare i file farmacoforici di consenso raggruppati per tipo di funzionalità, inclusi i formati compatibili con PyMOL e Pharmit, e le visualizzazioni dei dendrogrammi in Google Colab è fornito qui in corsivo come riferimento, e lo script eseguibile completo è disponibile anche nel file di supporto 1. concensus,links=compute_concensus_pharmacophore (p4_table,save_data_per_descriptor=Vero,out_folder='/contenuto')</li>
		<li>Eseguire la cella facendo clic sull'icona di riproduzione o premendo MAIUSC + INVIO (vedere la Figura 7). I risultati mostrano visualizzazioni di dendrogrammi, che sotto forma di albero rappresentano le relazioni gerarchiche tra le caratteristiche farmacoforiche raggruppate, aiutando gli utenti a interpretare il grado di somiglianza e la vicinanza spaziale tra i cluster. NOTA: Questo passaggio salva più file di output e figure nella cartella specificata.</li>
		<li>Esporta i risultati del farmacoforo di consenso in un file CSV. Il codice richiesto per salvare la tabella del farmacoforo di consenso finale in formato CSV in Google Colab è fornito qui in corsivo come riferimento e lo script eseguibile completo è disponibile anche nel file di supporto 1. 
		concensus.to_csv('consensus_result.csv', index=False)</li>
		<li>Eseguire la cella facendo clic sull'icona di riproduzione o premendo MAIUSC + INVIO per esportare i dati del farmacoforo di consenso in un file CSV denominato consensus_result.csv per ulteriori analisi (vedere la Figura 8). NOTA: Il file CSV facilita le applicazioni a valle, come l'analisi statistica o la visualizzazione in un software per fogli di calcolo.</li>
	</ol>
	</li>
	<li>Utilizzare il farmacoforo di consenso per lo screening virtuale<ol>
		<li>Esporta il farmacoforo di consenso in formato JSON. Assicurarsi che il file includa le coordinate spaziali per tutte le feature. Questo formato è direttamente compatibile con gli strumenti di screening basati sul web come Pharmit12. Per eseguire uno screening virtuale, caricare il file JSON del farmacoforo sul server Pharmit tramite l'opzione Carica funzionalità . Il server consente di perfezionare il modello modificando, aggiungendo o rimuovendo funzionalità, nonché di eseguire lo screening rispetto a librerie di composti di grandi dimensioni, come PubChem13o ZINC14. NOTA: Tutti gli script necessari per riprodurre le analisi descritte in questo studio sono forniti nel file di supporto 1 e sono accessibili in modo interattivo anche tramite https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. I lettori sono incoraggiati a creare una copia personale del quaderno Colab per eseguire e modificare le analisi senza alterare lo script originale.</li>
	</ol>
	</li>
</ol>
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68933/68933fig1.jpg"> 
Figura 1: Screenshot del primo blocco di codice utilizzato per configurare l'ambiente Google Colab installando CondaColab. Una barra di avanzamento blu orizzontale appare sopra la cella durante l'esecuzione e diventa verde al completamento con successo. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig1large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68933/68933fig2.jpg"> 
Figura 2: Screenshot del secondo blocco di codice utilizzato per installare il pacchetto ConPhar in Google Colab. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig2large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68933/68933fig3.jpg"> 
Figura 3: Screenshot che mostra i file JSON del farmacoforo caricati correttamente nella cartella designata in Google Colab. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig3large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68933/68933fig4.jpg"> 
Figura 4: Screenshot che mostra il codice utilizzato per estrarre le caratteristiche farmacoforiche dai file JSON e consolidarle in un singolo DataFrame. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig4large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68933/68933fig5.jpg"> 
Figura 5: Visualizzazione del clustering delle caratteristiche farmacoforiche generate durante la costruzione del modello farmacoforico di consenso. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig5large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68933/68933fig6.jpg"> 
Figura 6: Schermata che mostra la corretta generazione dei file del farmacoforo di consenso nei formati compatibili con PyMOL e Pharmit. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig6large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68933/68933fig7.jpg"> 
Figura 7: Schermata che mostra la generazione di file farmacofori di consenso raggruppati per tipo di funzionalità, inclusi gli output per le visualizzazioni PyMOL, Pharmi e dendrogramma. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig7large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68933/68933fig8.jpg"> 
Figura 8: Schermata che mostra l'esportazione riuscita dei dati del farmacoforo di consenso nel file consensus_result.csv. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig8large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>

<ol><li>Leach, A. R., Gillet, V. J., Lewis, R. A., Taylor, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Three-dimensional+pharmacophore+methods+in+drug+discovery%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Three-dimensional pharmacophore methods in drug discovery.</a> J Med Chem. 53 (2), 539-558 (2010).</li>
<li>Giordano, D., Biancaniello, C., Argenio, M. A., Facchiano, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug+design+by+pharmacophore+and+virtual+screening+approach%5BTitle%5D)+AND+%22Pharmaceuticals+%28Basel%29%22%5BJournal%5D)">Drug design by pharmacophore and virtual screening approach.</a> Pharmaceuticals (Basel). 15 (5), 646(2022).</li>
<li>Schaller, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Next+generation+3D+pharmacophore+modeling%5BTitle%5D)+AND+%22WIREs+Comput+Mol+Sci%22%5BJournal%5D)">Next generation 3D pharmacophore modeling.</a> WIREs Comput Mol Sci. 10 (4), e1468(2020).</li>
<li>Wolber, G., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((LigandScout%3A+3-D+pharmacophores+derived+from+protein-bound+ligands+and+their+use+as+virtual+screening+filters%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">LigandScout: 3-D pharmacophores derived from protein-bound ligands and their use as virtual screening filters.</a> J Chem Inf Model. 45 (1), 160-169 (2005).</li>
<li>Ekins, S., Mestres, J., Testa, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+silico+pharmacology+for+drug+discovery%3A+Methods+for+virtual+ligand+screening+and+profiling%5BTitle%5D)+AND+%22Br+J+Pharmacol%22%5BJournal%5D)">In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling.</a> Br J Pharmacol. 152 (1), 9-20 (2007).</li>
<li>Wolber, G., Dornhofer, A. A., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+overlay+of+small+organic+molecules+using+3D+pharmacophores%5BTitle%5D)+AND+%22J+Comput+Aided+Mol%22%5BJournal%5D)">Efficient overlay of small organic molecules using 3D pharmacophores.</a> J Comput Aided Mol. 20 (12), 773-788 (2006).</li>
<li>Schuster, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+pharmacophores+as+tools+for+activity+profiling%5BTitle%5D)+AND+%22Drug+Discov+Today+Technol%22%5BJournal%5D)">3D pharmacophores as tools for activity profiling.</a> Drug Discov Today Technol. 7 (4), e205-e211 (2010).</li>
<li>Qing, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling%3A+advances%2C+limitations%2C+and+current+utility+in+drug+discovery%5BTitle%5D)+AND+%22J+Recept+Ligand+Channel+Res%22%5BJournal%5D)">Pharmacophore modeling: advances, limitations, and current utility in drug discovery.</a> J Recept Ligand Channel Res. 7, 81-92 (2014).</li>
<li>Ullrich, S., Nitsche, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+SARS-CoV-2+main+protease+as+drug+target%5BTitle%5D)+AND+%22Bioorg+Med+Chem+Lett%22%5BJournal%5D)">The SARS-CoV-2 main protease as drug target.</a> Bioorg Med Chem Lett. 30 (17), 127377(2020).</li>
<li>Ruiz-Moreno, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Consensus+pharmacophore+strategy+for+identifying+novel+SARS-CoV-2+Mpro+inhibitors+from+large+chemical+libraries%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">Consensus pharmacophore strategy for identifying novel SARS-CoV-2 Mpro inhibitors from large chemical libraries.</a> J Chem Inf Model. 64 (6), 1984-1995 (2024).</li>
<li>Schrödinger, L., DeLano, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSchr%C3%B6dinger%2C+L+%22PyMOL%2C+2020%22">PyMOL, 2020</a>. , http://www.pymol.org/pymol (2020).</li>
<li>Sunseri, J., Koes, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmit%3A+Interactive+exploration+of+chemical+space%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Pharmit: Interactive exploration of chemical space.</a> Nucleic Acids Res. 44 (W1), W442-W448 (2016).</li>
<li>Kim, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PubChem+2025+update%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">PubChem 2025 update.</a> Nucleic Acids Res. 53 (D1), D1516-D1525 (2025).</li>
<li>Tingle, B. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ZINC-22%3A+A+free+multi-billion-scale+database+of+tangible+compounds+for+ligand+discovery%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">ZINC-22: A free multi-billion-scale database of tangible compounds for ligand discovery.</a> J Chem Inf Model. 63 (4), 1166-1176 (2023).</li>
<li>Hazemann, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accelerating+the+hit-to-lead+optimization+of+a+SARS-CoV-2+Mpro+inhibitor+series+by+combining+high-throughput+medicinal+chemistry+and+computational+simulations%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Accelerating the hit-to-lead optimization of a SARS-CoV-2 Mpro inhibitor series by combining high-throughput medicinal chemistry and computational simulations.</a> J Med Chem. 68 (8), 8269-8294 (2025).</li>
<li>Momin, Y., Beloshe, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling+in+drug+design%5BTitle%5D)+AND+%22Adv+Pharmacol%22%5BJournal%5D)">Pharmacophore modeling in drug design.</a> Adv Pharmacol. 103, 313-324 (2025).</li>
<li>Zdrazil, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ChEMBL+database+in+2023%3A+A+drug+discovery+platform+spanning+multiple+bioactivity+data+types+and+time+periods%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The ChEMBL database in 2023: A drug discovery platform spanning multiple bioactivity data types and time periods.</a> Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).</li>
<li>Zhou, L., Griffith, R., Gaeta, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+spatial+and+chemical+information+for+clustering+pharmacophores%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">Combining spatial and chemical information for clustering pharmacophores.</a> BMC Bioinformatics. 15 (Suppl 16), S5(2014).</li>
<li>Guner, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((History+and+evolution+of+the+pharmacophore+concept+in+computer-aided+drug+design%5BTitle%5D)+AND+%22Curr+Top+Med+Chem%22%5BJournal%5D)">History and evolution of the pharmacophore concept in computer-aided drug design.</a> Curr Top Med Chem. 2 (12), 1321-1332 (2002).</li>
<li>Wieder, M., Perricone, U., Seidel, T., Boresch, S., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparing+pharmacophore+models+derived+from+crystal+structures+and+from+molecular+dynamics+simulations%5BTitle%5D)+AND+%22Monatsh+Chem%22%5BJournal%5D)">Comparing pharmacophore models derived from crystal structures and from molecular dynamics simulations.</a> Monatsh Chem. 147 (3), 553-563 (2016).</li>
<li>Santos, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comprehensive+map+of+molecular+drug+targets%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">A comprehensive map of molecular drug targets.</a> Nat Rev Drug Discov. 16 (1), 19-34 (2017).</li>
</ol>

<table><tbody><tr><td>Google Colab</td><td>Google LLC</td><td>https://colab.google</td><td>Piattaforma web-based per l'esecuzione di notebook Python; utilizzato qui per eseguire script ConPhar e PyMOL per la modellazione farmacoforica di consenso.</td></tr><tr><td>Farmacia</td><td>Koes Lab presso l'Università di Pittsburgh</td><td>https://pharmit.csb.pitt.edu/search.html</td><td>Piattaforma web per lo screening virtuale interattivo dei farmacofori e l'esplorazione dello spazio chimico, che consente il caricamento di file di ligandi e la generazione di caratteristiche farmacofore</td></tr><tr><td>PyMOL</td><td>Schr&ouml; dinger, Inc.</td><td>https://www.pymol.org</td><td>Software di visualizzazione molecolare e allineamento strutturale utilizzato per le proteine... Sovrapposizione e analisi del complesso ligando</td></tr><tr><td>Supporto dello script del flusso di lavoro del farmacoforo File 1</td><td>Google LLC</td><td>https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing</td><td>Script eseguibile completo per l'installazione di Conda, PyMOL e l'esecuzione del flusso di lavoro del farmacoforo in Google Colab. Fornito anche come file di supporto 1.</td></tr></tbody></table>

modellazione farmacoforica per bersagli con ampie librerie di ligandi: un caso di studio su sars-cov-2 mpro

Pharmacophore Modeling for Targets with Extensive Ligand Libraries: A Case Study on SARS-CoV-2 Mpro

Cento complessi Mpro co-cristallizzati con diversi inibitori non covalenti sono stati allineati, come esemplificato nella Figura 9A. Ogni ligando è stato poi estratto come file individuale (Figura 9B) e successivamente caricato sul server Pharmit. La sessione è stata salvata per generare un file JSON corrispondente (vedere la Figura 9C).
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/68933/68933fig9.jpg"> 
Figura 9: Preparazione del ligando per la modellazione farmacoforica di consenso. (A) Allineamento strutturale di tre complessi Mpro rappresentativi co-cristallizzati con inibitori non covalenti. (B) Sovrapposizione dei 100 ligandi inclusi in questo studio. (C) Caricamento di ciascun ligando sul server Pharmit utilizzando l'opzione "Carica funzionalità", seguita dalla generazione di file JSON tramite l'opzione "Salva sessione". Entrambe le opzioni sono indicate con frecce rosse. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig9large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Il set completo di file JSON è stato utilizzato per generare il modello farmacoforico di consenso, che comprendeva 1450 caratteristiche farmacoforiche raggruppate in 110 cluster: 23 aromatici (Aro), 30 accettori di legami idrogeno (HBA), 16 donatori di legami idrogeno (HBD), 36 idrofobici (Hyd) e 5 cluster caricati negativamente (Anion) (Figura 10A, Tabella supplementare 1). Abbiamo identificato i cluster più grandi per ogni caratteristica per la loro incorporazione nel modello di consenso. Tra i cluster Aro, abbiamo selezionato quelli con più di 20 elementi. Dei gruppi HBA, HBD e Hyd, abbiamo mantenuto cluster con almeno 50 elementi. Nessuno dei cluster di anioni aveva più di 4 membri, quindi sono stati esclusi dal modello di consenso (Figura 10B). Queste soglie numeriche (&gt;20 membri per Aro; ≥50 per HBA, HBD e Hyd) sono state definite empiricamente in base alla distribuzione delle dimensioni dei cluster per dare priorità ai modelli di interazione più conservati e densamente popolati.
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/68933/68933fig10.jpg"> 
Figura 10: Raggruppamento di caratteristiche farmacoforiche da 100 complessi Mpro-ligando. (A) Distribuzione di 1450 caratteristiche farmacoforiche: aromatico (Aro) in viola, accettore di legame idrogeno (HBA) in arancione, donatore di legame idrogeno (HBD) in bianco, idrofobo (Hyd) in verde e caricato negativamente (Anion) in rosso. (B) I cluster contenenti ≥10 membri sono mostrati per Aro, HBA, HBD e Hyd; vengono visualizzati tutti i cluster di anioni. I cluster più grandi, definiti come quelli con ≥20 membri per Aro, e ≥50 membri per HBA, HBD e Hyd, e ≥4 membri per Anion, sono evidenziati con sfere punteggiate. Il numero di membri in ciascuno dei cluster più grandi è indicato in modo esplicito. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig10large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Pertanto, il nostro modello farmacoforico di consenso includeva 11 caratteristiche: 3 caratteristiche aromatiche (Aro), Aro 1, 2 e 3, derivate da cluster con 20, 24 e 45 membri, rispettivamente; 4 accettori di legami idrogeno (HBA), HBA 1, 2, 3 e 4, da cluster con 51, 55, 77 e 81 membri, rispettivamente; 2 donatori di legami idrogeno (HBD) da cluster con 51 e 71 membri, rispettivamente; e 2 caratteristiche idrofobiche (Hyd) da cluster con 50 e 52 membri, rispettivamente (vedi Figura 11A).
Il modello del farmacoforo è stato utilizzato per effettuare ricerche nel database PubChem utilizzando la strategia precedentemente riportata10, ma non sono state trovate corrispondenze. Per aumentare la flessibilità della ricerca, è stata rimossa la caratteristica aromatica Aro 1, derivata dal grappolo più piccolo e meno rappresentativo. Questo aggiustamento ha portato all'identificazione di due risultati, tra cui un conformatore del composto con i CID PubChem 101267741 e 10285538 (vedi Figura 11B). La struttura chimica 2D del composto 101267741 è mostrata nella Figura 11C. È interessante notare che questo composto identificato si adatta bene all'interno della tasca dell'attacco Mpro. Un'analisi comparativa con il ligando co-cristallizzato 38a15 (PDB ID: 9HAJ) mostra che il conformero di corrispondenza farmacoforica di 101267741 è sepolto ancora più in profondità di 38a all'interno delle sottotasche S1 e S2 di Mpro. Tuttavia, il 38a occupa una regione più ampia della tasca, principalmente a causa della sua catena laterale etilcarbossammide, che si estende verso la tasca S1'. Tuttavia, le interazioni intermolecolari chiave di 38a coinvolgono altre frazioni piuttosto che questa catena laterale. Al contrario, il composto 101267741 forma 11 interazioni intermolecolari, tra cui sette legami idrogeno e quattro contatti idrofobici. Rispetto ai tre legami idrogeno e alle due interazioni idrofobiche formate da 38a, la modalità di legame del composto 101 appare più forte (Figura 11D).
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/68933/68933fig11.jpg"> 
Figura 11: Ricerca di farmacofori nel database PubChem. (A) Il modello completo di farmacoforo di consenso contiene 11 caratteristiche: 3 aromatici (viola), 4 accettori di legami idrogeno (arancione), 2 donatori di legami idrogeno (bianchi) e 2 idrofobici (verdi). (B) Il conformero del composto PubChem 101267741 allineato con il modello farmacoforo ridotto dopo la rimozione della caratteristica Aro 1 e (C) Struttura chimica bidimensionale del composto identificata. (D) Analisi comparativa delle modalità di legame del composto 38a (magenta; da PDB ID: 9HAJ) e del composto PubChem CID 101267741 (verde) alla tasca catalitica di SARS-CoV-2 Mpro. Le corrispondenti interazioni intermolecolari per ciascun composto sono mostrate a destra. I legami idrogeno e le interazioni idrofobiche sono mostrati come linee tratteggiate rispettivamente in blu e grigio. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig11large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
File di supporto 1: script del flusso di lavoro del farmacoforo. <a href="https://www.jove.com/files/ftp_upload/68933/Supporting%20File%201%20Pharmacophore%20Workflow%20Script.txt" target="_blank">Clicca qui per scaricare questo file.</a>
Supporto Tabella 1: Riepilogo del clustering delle caratteristiche farmacoforiche. Numero di cluster, membri per cluster, coordinate del centroide e raggi del cluster <a href="https://www.jove.com/files/ftp_upload/68933/Table_S1.xlsx" target="_blank">Fare clic qui per scaricare questo file.</a>

Modellazione farmacoforica per bersagli con ampie librerie di ligandi: un caso di studio su SARS-CoV-2 Mpro

A pharmacophore defines the spatial arrangement of molecular features required for optimal interactions between a compound and its biological target. ...

pharmacophore-modeling-for-targets-with-extensive-ligand-libraries

Research

Ricerca

JoVE Journal

Biochemistry

Biochimica

Questo studio mirava a presentare una strategia per identificare le interazioni farmaco-peptidico. La strategia prevede la biopanning di peptidi corti che riconoscono farmaci basati su un biosensore QCM (Quartz-Crystal Microbalance), seguito da un'analisi bioinformatica per valutare quantitativamente le informazioni ottenute per il riconoscimento del farmaco e l'annotazione dei siti di legame farmacologico sulle proteine.

Strategia di biopanning e analisi bioinformatica ad alta produttività basata su biosensore per la convalida globale delle interazioni farmaco-proteina

Questo articolo descrive l'intero processo XChem per lo screening dei frammenti a base di cristalli, a partire dalla richiesta di accesso e da tutte le fasi successive alla diffusione dei dati.

Ottenere uno screening efficiente dei frammenti presso l'impianto XChem di Diamond Light Source

Un'abilità chiave nella modellazione biomolecolare è la visualizzazione e l'annotazione di siti attivi nelle proteine. Questa tecnica è dimostrata utilizzando quattro popolari programmi gratuiti per la visualizzazione macromolecolare: iCn3D, Jmol, PyMOL e UCSF ChimeraX.

Modellazione di un sito attivo enzimatico utilizzando Molecular Visualization Freeware

Questo protocollo introduce gli strumenti disponibili per la modellazione di ligandi a piccole molecole nelle mappe cryoEM di macromolecole.

Modellazione di ligandi in mappe derivate dalla criomicroscopia elettronica

L'esperimento qui utilizzato mostra un metodo di docking molecolare combinato con il saggio di spostamento termico cellulare per prevedere e convalidare l'interazione tra piccole molecole e bersagli proteici.

Previsione e validazione del bersaglio proteico di un composto a piccola molecola

Qui presentiamo un protocollo per la progettazione guidata dalla struttura dell'interazione di legame proteina-ligando tra Sanglifehrin A e Ciclofilina A/Ganoderiolo-F, essenziale per scoprire nuovi farmaci. La stabilità del complesso ligando-recettore è stata valutata tramite simulazione della dinamica molecolare.

Progettazione e sviluppo guidati dalla struttura di nuovi inibitori della ciclofilina A e derivati del ganoderiolo-F: un approccio in-silico

I metodi computazionali sono promettenti per accelerare la scoperta di farmaci, ma spesso trascurano la natura dinamica delle strutture proteiche. In questo articolo, discutiamo dell'analisi di docking basata su ensemble per incorporare indirettamente la flessibilità delle proteine, migliorando potenzialmente l'accuratezza e l'affidabilità degli sforzi di scoperta farmacologica.

Integrazione della flessibilità e della dinamica della struttura della proteina bersaglio nella scoperta di farmaci computazionali utilizzando l'analisi di docking basata su ensemble

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.

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

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 per identificare potenziali inibitori PLK1 nella lingua dei segni americana e in inglese

Questo protocollo utilizza sia coexpression subunità e postlysis subunità miscelazione per un esame più approfondito di assemblaggio proteasoma ricombinante.

Esaminando Assemblea Proteasome con ricombinante archeali proteasomi e nondenaturing PAGINA: il caso di un approccio combinato

Scopri la modellazione farmacoforica con grandi librerie di ligandi per identificare pattern strutturali che guidano la scoperta di farmaci contro SARS-CoV-2 Mpro. Questo metodo computazionale migliora l'accuratezza nello screening virtuale.

Modellazione farmacoforica per bersagli con ampie librerie di ligandi: un caso di studio su SARS-CoV-2 Mpro

Esplora altri video