Modellazione farmacoforica per bersagli con ampie librerie di ligandi: un caso di studio su SARS-CoV-2 Mpro
26 settembre 2025
Questo articolo presenta un protocollo per la costruzione di un modello farmacoforico di consenso integrando caratteristiche molecolari da più ligandi. Questo metodo è applicabile alle attività di scoperta di farmaci mirati a qualsiasi bersaglio biologico con conformazioni note legate al ligando, consentendo l'identificazione di caratteristiche di interazione chiave per lo screening virtuale e la progettazione razionale di farmaci.
La nostra ricerca esplora la modellazione farmacoforica con ampie librerie di ligandi. In questo studio, ci concentriamo su SARS-CoV-2 Mpro per identificare i modelli strutturali che guidano la scoperta di farmaci. I recenti progressi nella modellazione farmacoforica utilizzano set di dati più ampi e diversificati, che migliorano l'accuratezza nell'identificazione dei principali alimentatori molecolari per la scoperta di farmaci.
Le simulazioni dinamiche molecolari e l'apprendimento automatico sono attualmente utilizzati per far progredire la modellazione dei farmacofori e migliorare i risultati della scoperta di farmaci. Una sfida chiave è la gestione di set di dati di ligandi ampi e diversificati, migliorando al contempo l'accuratezza dell'estrazione futura e riducendo i costi computazionali. Abbiamo dimostrato che le costose librerie di ligandi migliorano l'accuratezza futura dei farmacofori, consentendo previsioni più affidabili e una migliore identificazione di potenziali farmaci candidati.
Per iniziare, avvia il software PyMOL. Allineare tutti i complessi di ligandi proteici sul software. Per ogni complesso allineato, estrarre il conformatore del ligando e salvarlo come file separato in formato SDF.
Carica ogni file ligando individualmente per coltivarlo, utilizzando l'opzione Carica funzionalità. Dopo il caricamento, utilizzare l'opzione Salva sessione per scaricare il file del farmacoforo in formato JSON. Archivia tutti i file JSON del farmacoforo scaricati in un'unica cartella per un utilizzo successivo nell'ambiente Google Colab.
Avvia Google Colab in un browser web e crea un nuovo taccuino. Installa Conda e PyMOL, quindi esegui la cella facendo clic sull'icona di riproduzione o premendo Maiusc e Invio per verificare la corretta esecuzione. Se completata correttamente, verrà visualizzata una barra verde sopra la cella.
Ora, installa il pacchetto Python CANFAR e importa i moduli richiesti. Esegui la cella facendo clic sull'icona di riproduzione per confermare l'avvenuta installazione. Al termine dell'esecuzione, verrà visualizzato un messaggio di conferma.
Creare quindi una nuova cartella per l'archiviazione dei file JSON del farmacoforo. Apri la cartella, fai clic con il pulsante destro del mouse al suo interno e seleziona Carica per caricare i file JSON. Per analizzare e consolidare le funzionalità del farmacoforo, estrarre le funzionalità da tutti i file caricati.
Fare clic sull'icona di riproduzione per eseguire la cella e generare un frame di dati consolidato contenente le caratteristiche di ogni singolo ligando. Visualizzare tutti i descrittori del farmacoforo, quindi eseguire la cella per visualizzare i modelli di clustering. Ora, salva il modello del farmacoforo nel formato PyMOL.
Esegui la cella per generare un file pse, quindi salva il modello come file JSON eseguendo la cella di codice corrispondente. Genera output e dendogrammi raggruppati di funzionalità utilizzando il codice fornito. Fare clic su Riproduci ed esportare i dati del farmacoforo di consenso in un file CSV eseguendo il comando di esportazione.
Utilizzare il modello di farmacoforo di consenso generato per lo screening virtuale. 100 complessi principali di proteasi o Mpro co-cristallizzati con diversi inibitori non covalenti sono stati allineati per visualizzare la diversità del ligando all'interno della tasca di legame. Ogni ligando è stato estratto individualmente dai complessi allineati per generare file separati per lo screening virtuale.
I ligandi estratti sono stati caricati sul server pharmit e utilizzati per generare file JSON strutturati per la modellazione di farmacofori. I file JSON hanno prodotto 1.450 caratteristiche farmacoforiche, raggruppate in 110 cluster, tra cui 23 aromatici, 30 accettori di legami idrogeno, 16 donatori di legami idrogeno, 36 cluster idrofobici e cinque anionici. Per costruire il modello di consenso, sono stati mantenuti solo i cluster più densamente popolati, mentre i cluster di anioni sono stati esclusi, a causa di membri insufficienti.
Il modello farmacoforico di consenso finale consisteva in 11 caratteristiche, comprendenti tre aromatici, per accettori di legami idrogeno, due donatori di legami idrogeno e due caratteristiche idrofobiche. Dopo aver rimosso la caratteristica aromatica meno rappresentativa, circa uno, sono stati identificati due composti candidati. La struttura chimica bidimensionale del composto 101 267 741 è stata visualizzata per confermarne la compatibilità con il modello farmacoforico.
La mescola 101 267 741 si inserisce profondamente nella tasca di attacco Mpro, occupando le tasche secondarie S1 e S2 in modo più efficace rispetto al ligando di riferimento 38a, che si diffonde verso la tasca S1. Il composto 101 267 741 ha formato 11 interazioni intermolecolari, sette legami idrogeno e quattro contatti idrofobici.
Panoramica
Questo articolo presenta un protocollo per la costruzione di un modello farmacoforo consensuale, integrando caratteristiche molecolari provenienti da più ligandi, con un focus specifico sulla Mpro di SARS-CoV-2. Questo metodo potenzia gli sforzi di scoperta di farmaci identificando caratteristiche chiave delle interazioni per lo screening virtuale e la progettazione razionale di farmaci.
Componenti Chiave dello Studio
Area della Scienza
- Modellizzazione del farmacoforo
- Scoperta di farmaci
- Biologia strutturale
Sfondo
- La modellizzazione farmacofora utilizza ampie librerie di ligandi per identificare modelli strutturali.
- I progressi nella modellizzazione migliorano l'accuratezza nell'identificazione delle caratteristiche molecolari chiave.
- Le sfide includono la gestione di insiemi di dati diversificati e la riduzione dei costi computazionali.
- Studi recenti mostrano che librerie di ligandi più ampie aumentano l'affidabilità delle previsioni.
Scopo dello studio
- Sviluppare un modello farmacoforo consensuale per la Mpro di SARS-CoV-2.
- Migliorare i risultati della scoperta di farmaci attraverso tecniche di modellizzazione avanzate.
- Ottimizzare l'estrazione e l'analisi delle caratteristiche farmacofore.
Metodi Utilizzati
- Utilizzato PyMOL per l'allineamento dei complessi proteina-ligando.
- Estratti i conformeri del ligando e salvati in formato SDF.
- Caricati i file dei ligandi per generare file JSON di farmacoforo.
- Utilizzato Google Colab per l'elaborazione dei dati e l'estrazione delle caratteristiche.
Risultati principali
- Generato 1.450 caratteristiche farmacofore raggruppate in 110 cluster.
- Il modello consensuale finale comprendeva 11 caratteristiche, incluse interazioni aromatiche e a legame idrogeno.
- Identificato il composto 101267741 come possibile candidato farmaco.
- Visualizzate le interazioni del composto all'interno della tasca di legame della Mpro.
Conclusioni
- Il modello farmacoforo consensuale guida efficacemente il screening virtuale.
- Un'accuratezza migliorata nella modellizzazione farmacoforica potenzia l'identificazione di candidati farmaceutici.
- Studi futuri potrebbero concentrarsi sul perfezionamento dei metodi di estrazione e dell'efficienza computazionale.
Domande frequenti
Rilevanza Industriale del Metodo
La modellizzazione del farmacoforo consensuale mediante l'uso di librerie estese di ligandi consente una maggiore affidabilità predittiva nella fase iniziale della scoperta di farmaci, in particolare per bersagli come la Mpro di SARS-CoV-2. L'integrazione di conformazioni legate a ligandi diversi riduce il bias del modello e supporta uno screening virtuale robusto, influenzando direttamente l'identificazione dei composti promettenti e la selezione del portafoglio. Questo approccio semplifica la selezione razionale di candidati per bersagli dotati di dati strutturali ricchi, migliorando l'efficienza della ricerca e sviluppo aziendale.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Target
- Permette l'analisi di ipotesi terapeutiche catturando caratteristiche di interazione conservate tra diversi ligandi.
- Supporta la validazione funzionale del bersaglio identificando i determinanti molecolari chiave del legame nella regione catalitica.
- Migliora l'affidabilità predittiva per la selezione del portafoglio riducendo il bias del modello attraverso l'integrazione di caratteristiche consensuali.
Sviluppo di Screening e Saggi
- Prepara modelli farmacofori validati per lo screening virtuale scalabile di librerie di composti ultra-larghe.
- Facilita la standardizzazione dei saggi definendo caratteristiche quantitative di interazione per la valutazione a valle.
- Permette flussi di lavoro di screening riproducibili e indipendenti dalla piattaforma attraverso strumenti informatici open source.
Ricerca Translazionale e Preclinica
- Allinea la selezione dei candidati alle caratteristiche del sito di legame rilevanti per la malattia, favorendo la continuità traslazionale.
- Fornisce una riduzione del rischio meccanicistica mappando le interazioni del ligando su sottopocket strutturali del bersaglio.
- Supporta decisioni di avanzamento corrette per il rischio, prioritizzando composti con un'ottimale adattabilità al farmacoforo.
Integrazione di Pipeline e Flusso di Lavoro
Questo protocollo di modellizzazione del farmacoforo consensuale è applicabile dalla fase iniziale della scoperta fino all'identificazione del composto leader, sfruttando la biologia strutturale e l'informatica per guidare lo screening virtuale e la priorizzazione dei candidati.
- Biologia della Scoperta: Integra le conformazioni legate al ligando per chiarire i percorsi di legame e ridurre i rischi relativi all'interazione con il bersaglio.
- Screening: Fornisce modelli farmacofori quantitativi e riproducibili per lo screening virtuale ad alto rendimento.
- Analisi: Offre output delle caratteristiche raggruppate e descrittori statistici per confrontare le interazioni dei ligandi.
- Ricerca Translazionale: Garantisce l'allineamento dei candidati con le caratteristiche del bersaglio rilevanti per la malattia, favorendo la progressione preclinica.
- Riutilizzo Aziendale: Offre un flusso di lavoro scalabile e open source adattabile a qualsiasi bersaglio dotato di dati sufficienti sui ligandi.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva e riduce l'ambiguità meccanicistica nelle interazioni tra bersaglio e ligando.
- Valore operativo: Standardizza la modellizzazione farmacoforica e consente uno screening riproducibile e scalabile.
- Valore strategico: Supporta decisioni informate di avanzamento o interruzione del progetto e una priorizzazione efficiente delle risorse per i composti promettenti.
- Impatto sul portafoglio: Favorisce l'avanzamento con gestione del rischio e il riutilizzo incrociato dei modelli tra diversi progetti.
Considerazioni sull'implementazione
- Richiede competenze specifiche in biologia strutturale, chemiinformatica e modellizzazione di farmacofori.
- Richiede l'accesso a strumenti di visualizzazione molecolare (ad esempio, PyMOL) e a infrastrutture computazionali (ad esempio, Google Colab).
- Necessita di protocolli standardizzati per la preparazione dei ligandi e l'estrazione delle caratteristiche, condivisi tra i diversi gruppi di lavoro.
- È adattabile a diversi bersagli per cui siano disponibili strutture complesse con ligandi, ma è limitato dalla qualità e dalla diversità dei dataset.
- Il costo computazionale e le soglie di raggruppamento delle caratteristiche devono essere gestiti nel caso di librerie di ligandi estremamente grandi.
