方法論記事

ネットワーク薬理学および分子ドッキング解析の標準化のための薬物発見のための再現可能な計算ワークフロー

462 閲覧数

⸱

DOI：

10.3791/70171

⸱

2026年4月24日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1National Institute of TCM Constitution and Preventive Treatment of Disease, Wangqi Academy of Beijing University of Chinese Medicine, Beijing University of Chinese Medicine, 2School of Traditional Chinese Medicine, Beijing University of Chinese Medicine, 3School of Traditional Chinese Medicine, Southern Medical University, 4Sunsimiao Hospital, Beijing University of Chinese Medicine

* These authors contributed equally

この記事について

サマリー

この標準化されたプロトコルは、ネットワーク薬理学と分子ドッキングを分子動力学(MD)シミュレーションと統合し、創薬のためのものとなっています。定量的なスクリーニング基準と再現可能なステップを確立し、公開データセットを用いた多標的薬物スクリーニングに適した結果信頼性の向上に寄与します。

要約

ネットワーク薬理学や分子ドッキングは創薬に広く応用されていますが、断片的なワークフローや一貫性のない操作は結果の再現性をしばしば損なっています。ここでは、これらのアプローチを統合し、薬物スクリーニングとメカニズム探索のための再現性のあるフレームワークに統合した標準化されたプロトコルを説明し、ワークフローはデータ準備、計算解析、検証の3つの段階に分類されます。調製段階では、公開データベースの化合物ライブラリが経口バイオ利用率、薬剤類似性、毒性予測などの吸収、分布、代謝、排出、毒性(ADMET)基準でフィルタリングされ、潜在的な治療対象は標的予測と疾患関連データベースの統合を通じて包括的に薬剤・疾患相互作用候補を特定します。計算解析段階では、重複するターゲットに対して遺伝子オントロジー(GO)および京都遺伝子・ゲノム百科事典(KEGG)の濃縮解析およびタンパク質間相互作用ネットワークのトポロジー解析を受け、コアターゲットが特定されます。分子ドッキングは、明確な利点を持つ2つの標準化されたオプション戦略で構成されています。2段階の段階的戦略では、AutoDock Vinaを用いて化合物ライブラリの高スループット予備スクリーニングを行い、その後YASARAとの精密な再ドッキングを行います。これにより高スループットスクリーニングによる偽陽性が排除され、その後のYASARA分子動態(MD)シミュレーションとネイティブ互換性のあるタンパク質-リガンド複合体が生成され、クロスソフトウェアフォーマット変換による構造的偏差を回避できます。ワンステップ戦略はYASARA単独でドッキングプロセスを完了し、運用ワークフローを簡素化し、実験効率を向上させ、特定の研究目標に完全に適用可能です。検証段階では、標準化されたMDシミュレーションが、平均二乗根偏差(RMSD)および平均二乗根変動(RMSF)というコア指標を通じてリガンド-タンパク質複合体の安定性を評価します。この統一的かつ再現性の高いパイプラインは、ネットワーク薬理学およびドッキング研究の信頼性を高め、計算創薬におけるクロススタディ比較を促進します。

概要

ネットワーク薬理学は、薬物と生物間の相互作用パターンをホリスティックなネットワークの観点から解読する研究アプローチです。薬物-成分-標的-疾患-生物学的経路を含む相互作用ネットワークを構築し解析することで、薬剤が効果を発揮する主要な分子、コア経路、相乗メカニズムを定量的に特定します。この分析フレームワークは、多オミクスデータ統合とトポロジカルネットワーク解析を重視する国際的なネットワーク薬理学標準と整合しており、最終的には薬剤の全体的な治療効果を明らかにし、潜在的な副作用を予測し、新薬開発のための体系的な指針を提供します。この戦略は、COVID-19に対する非ステロイド性抗炎症薬(NSAIDs)の標的タンパク質に関連するシグナル伝達経路の解読や、変形肉腫や2型糖尿病(2,3,4)などの疾患治療機序の探求など、多様な分野で成功裏に適用されています。この利点は、現代薬理学における単一標的から多標的創薬へのパラダイムシフトを推進しています。

分子ドッキングは、アルゴリズムモデリングを用いて小分子化合物と生物的高分子標的間の空間的適合性と相互作用強度を評価し、最適な結合構成を予測する計算シミュレーション手法です。MorrisらはAutoDock4およびAutoDockTools4を導入し、選択的受容体の柔軟性を持つ自動ドッキングを可能にします。これらのツールは分子動態と分子幾何学に基づいており、分子間のエネルギー差を計算して結合の安定性と親和性を評価します。AutoDockのような古典的なツールは半柔軟性のあるリガンド-受容体モデリングを用いており、このようなシミュレーションにおける結合親和性を評価するゴールドスタンダードとなっています7。

創薬においては、ネットワーク薬理学スクリーニング技術が主要な成分を特定するために頻繁に用いられ、分子ドッキングによって標的タンパク質との結合を評価し、最終的に薬剤と疾患の関係を確立します8。しかし、現在の応用は実験設計の一貫性の欠如、標準化されていない運用手順、検証ステップの欠如に悩まされています。ハーブ医学関連のネットワーク薬理学研究の体系的な評価により、データベース間のデータの異質性と不十分な実験検証が再現不可能な結果をもたらすことが指摘されています9。これらの制約は研究成果の再現性と信頼性を損なうだけでなく、計算予測を実験的検証に変換することも妨げます。実験的検証や任意のパラメータを持つ断片的なドッキングワークフローを欠く孤立したネットワーク薬理学研究とは異なり、このプロトコルは標準化された閾値と段階的な操作を組み合わせて両方のアプローチを統合しています。このフレームワークにより、主観的なパラメータ選択が排除され、異なるオペレーターが一貫した結果でワークフローを再現できるようにします。

したがって、ネットワーク薬理学スクリーニングを通じて潜在的な薬物標的や経路を特定する標準化された運用手順を確立し、分子ドッキングを組み合わせて薬物標的結合活性を検証することで、薬剤作用機序の研究や候補薬のスクリーニングに実験的証拠を提供します。このプロトコルは、公開されているオミクス、化学的、タンパク質構造データベースを用いて、薬物成分および合成小分子の多標的薬物スクリーニングに特に適しています。結晶構造が解消されていない標的や、既知の疾患関連相互作用ネットワークのない単一標的孤児薬物スクリーニングには適用できません。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

このプロトコルは公開データベースの計算解析のみを含み、ヒト被験者、脊椎動物、生物学的組織の使用は含まれません。この節で説明されているすべての要約ワークフローは 図1に示されています。

figure-protocol-1
図1:ワークフローの概要。 緑色の長方形は代替薬剤成分、赤い長方形は疾患、黄色の楕円は使用されているウェブサイトとソフトウェア、オレンジ色の長方形は取得したファイルやデータ、重要なステップを示し、紫のダイヤ形は最終的な必要な結果を表しています。 この図の拡大版はこちらをクリックしてください。

1. 薬物成分および標的の取得

  1. PubChemデータベース(https://pubchem.ncbi.nlm.nih.gov/)で化学名をキーワードとして検索すると、対応するSMILES(簡易分子入力ライン入力システム)文字列が得られます。
  2. ADMETlab 3.0のウェブサイト(https://admetlab3.scbdd.com/)にアクセスし、「サービス」タブの ADMET評価 オプションを選択し、SMILES文字列を入力して「 SUBMIT 」ボタンをクリックしてください。
  3. ADMETの結果は、吸収、分布、代謝、排泄、毒性、医薬品化学、毒性成分ルールに基づいてフィルタリングします。各指示剤に対して事前に定められたすべての閾値基準を満たす化合物のみを保持してください(表1)。
  4. ProTox 3.0のウェブサイト(https://tox.charite.de/protox3/index.php?site=home)にアクセスし、フィルタリングした化合物のSMILES文字列を入力し、 TOX PREDICTION モジュールを選択し、すべての希望する予測オプション(例:臓器毒性、発がん性)にチェックを入れ、予測を実行します。
  5. ProTox 3.0の結果に基づく、あらかじめ定められた安全閾値を超える毒性が予測される化合物をスクリーニングします(表2)。
  6. ADMETおよびProTox 3.0の両方のスクリーニングに合格する化合物を、化合物名、SMILES、スクリーニング状況の列をつけた構造化された薬物成分データベース(例:ExcelやCSV形式)にまとめます。
  7. SwissTargetPredictionウェブサイト(https://swisstargetprediction.ch/)にアクセスし、生物のドロップダウンメニューから ホモ・サピエンス を選択し、薬物成分データベースの成分のSMILES文字列を入力し、「 ターゲットを予測 」ボタンをクリックすると、確率スコアが0を超えるすべての予測ターゲットを収集します。
  8. SEA(Similarity Ensemble Approach)のウェブサイト(https://sea.bkslab.org/)にアクセスし、上記のターゲット予測に使ったSMILES文字列を入力し、結果をフィルターしてターゲットキーフィールドで_Humanで終わり、p値が0.05未満のエントリのみを保持します。
  9. SwissTargetPredictionおよびSEAから取得した標的リストを単一の薬剤作用標的ライブラリに統合します。Uniprot(https://www.uniprot.org/)を通じて重複標的を削除し、標的名を公式の遺伝子記号(例:HGNCガイドラインを用いて)に標準化します。
    注:薬物作用ターゲットライブラリは後で使用するためにCSVファイルとして保存可能です。

表1:ADMETlab 3.0の医薬品安全性スクリーニングの閾値基準。 表は、主要な物理化学的特性、ADMEパラメータ、代謝相互作用、毒性エンドポイント、毒性経路、毒性成分ルールに関する推奨カットオフ値および分類範囲をまとめています。予測は確率値(< 0.3、0.3 - 0.7、> 0.7)または定量的範囲に基づき、低・中・高の3つのリスクレベルに分類されており、初期創薬時の化合物安全性プロファイルの体系的評価を可能にします。 この表をダウンロードするには、こちらをクリックしてください。

表2:創薬における毒性予測のためのProTox-3.0閾値基準。 表はProTox 3.0で予測された主要な毒性評価点を要約し、初期創薬時の医薬品安全性評価に重要なパラメータに焦点を当てています。各エンドポイントは二値分類(活性または非活性)と確率スコア(0-1)を返し、活性は潜在的な毒性リスクを示します。臓器毒性(肝毒性、心毒性)、毒性エンドポイント(発がん性、変異原性、免疫毒性)、CYP代謝阻害に優先すべきであり、これらは臨床的喪失の主な原因です。複数の有効性ヒットは広範な毒性の可能性を示唆し、化合物の優先順位低下を正当化します。急性毒性は予測LD50およびGHSクラスで評価され、クラス1から3(< 300 mg/kg)が非常に毒性が高いと考えられます。確率スコアは各予測の信頼度を提供します。 この表をダウンロードするにはこちらをクリックしてください。

2. 疾患標的の取得

注:データベースをスクリーニングする際は、命名法の不一致による見落としを防ぐために標的遺伝子命名規則を標準化してください。

  1. 5つの疾患関連データベースにアクセスできます:OMIM(https://www.omim.org/)、Disgenet(https://disgenet.com/)、TTD(https://ttd.idrblab.cn/)、GeneCards(https://www.genecards.org/)、PharmGkb(https://www.pharmgkb.org/)。以下のデータベース固有のスクリーニング基準を適用します:GeneCardsの場合は、関連性スコア≥1.0のエントリをフィルターしてください;DisGeNETの場合は、対象疾患に関連するエントリを選択します。PharmGKBの場合は、 Gene オプションを選択して結果を遺伝子関連エントリーに限定します。TTDでは、Disease列がターゲット疾患と一致するエントリーを保持します。
  2. 各データベースでは、対象疾患の公式名称(例:アルツハイマー病)を検索キーワードとして使用し、関連するすべてのターゲットを取得します。
  3. 5つのデータベースすべてのターゲットリストを1つのスプレッドシートにまとめます。リスト間で遺伝子シンボルを比較することで重複ターゲットを除去します。
  4. 残りの標的名をUniprotを通じて公式遺伝子記号に標準化し、命名法の不一致を解消します。標準化された重複除去リストを疾患標的ライブラリ(CSVまたはExcel形式)として保存します。
    注意:疾患標的ライブラリは薬物作用標的ライブラリ(ステップ1.9)と併存し、後でステップ3で使用することができます。

3. 共通の薬剤疾患標的の獲得

  1. Venny 2.1.0ウェブツール(https://bioinfogp.cnb.csic.es/tools/venny/)にアクセスしてください。薬剤作用ターゲットライブラリ(ステップ1.9)と疾患ターゲットライブラリ(ステップ2.4)をVenny 2.1.0の2つの入力フィールドにインポートし、2つのターゲットセット間の重なりを示すベン図を作成します。
  2. ベン図の結果から交差標的を抽出します。これらを一般的な薬剤疾患標的(潜在的な相互作用点)としてラベル付けし、CSVファイルとして保存します。

4. タンパク質間相互作用(PPI)ネットワークの構築およびコアターゲット解析

  1. STRINGデータベース(https://cn.string-db.org/)にアクセスしてください。ドロップダウンメニューからホ モ・サピエンス を生物として選択します。
  2. 一般的な薬剤疾患標的(ステップ3.2)をSTRING入力欄にインポートします。最小必要相互作用スコアパラメータを高信頼度(0.700)に設定し、「 検索 」をクリックしてPPIデータを生成します。PPIデータをTSV(タブ分離値)ファイルとしてエクスポートします。
  3. CytoNCAプラグインをあらかじめインストールしたCytoscapeソフトウェアを開いてください。Fileから ネットワークをインポート するFile>を使ってPPI TSVファイルをCytoscapeにインポート>。
  4. CytoNCAプラグインを起動するには、 CytoNCA > Open>Apps をクリックします。コアターゲットスクリーニングのために5つの参照指標を選択してください:Betweenness、Closeness、Degree、Eigenvector、LAC。
    注:使用される5つの主要な位相的指標は、Betweenness(Betweenness、ネットワーク内の最短経路すべてにターゲットが現れる頻度を測定)、Closeness(ターゲットからネットワーク内の他のすべてのターゲットまでの平均最短経路長を反映する近接中心性)、Degree(局所接続度、ターゲットと他のターゲット間の直接的な相互作用数を定量化)、固有ベクトル(Eigenvector centrality、ターゲット自身の連結性と接続されたターゲットの重要度の両方を重み付け)、LAC(局所平均連結性、ターゲットの直接隣接ノード間の接続密度を評価する)です。
  5. ネットワーク解析を開始するには 、ツール>ネットワーク分析 メニューをクリックし、 OKをクリックしてください。解析結果をCSVテーブルにエクスポートします。
  6. 5つの指標すべてで中央値を計算し、中央値を満たすかそれを超える目標を保持します。ステップ4.5を繰り返し、10から20の目標が残るまで繰り返します。
  7. 残りのターゲットを度数指標(高い順から低い順)でランク付けし、まず上位10個のターゲットをコア遺伝子として選びます。コア遺伝子リストをCSVファイルとして保存します。
    1. 偽陽性を減らし、構造的に適切な標的のみがドッキングに進むようにするために、構造の実現可能性や薬剤可能性についてさらに評価を行う:PDBデータベースで利用可能な高解像度結晶構造(≤ 2.5 Å)を確認するか、信頼できるホモロジーモデルの構築が可能かどうかを評価する。ポケット予測ツールを使って適切な結合部位の存在を確認し、文献や機能データベースと照合して疾患経路への関連性を検証する。
    2. 構造的利用可能性、薬剤投入可能なポケット、またはドッキング研究における疾患関連性を欠く標的は優先順位を下げます。GOおよびKEGG濃縮解析は、この段階の全コアターゲットリストを用いて依然として実施可能であり、構造情報を必要としません。
      注:ステップ4.6および4.7の遺伝子数は必要に応じて変更可能です。通常、ステップ4.6終了後には10〜20のターゲットが残っており、信頼できるGOおよびKEGG濃縮解析と一貫した可視化傾向を確保するために、ステップ4.7で少なくとも10のコア遺伝子を維持することが推奨されます。

5. GOおよびKEGGの濃縮分析と可視化

注:この部分では、細胞成分、機能的、細胞内経路のレベルでの遺伝子機能を明確にします。

  1. DAVIDウェブツール(https://davidbioinformatics.nih.gov/home.jsp)にアクセスしてください。入力タイプとして Gene List を選択し、コア遺伝子を入力フィールドにインポートします。
  2. 識別子をOFFICIAL_GENE_SYMBOLに設定し、「種の選択」で ホモ・サピエンス を選択します。次に、「 リストを送信 」をクリックしてコア遺伝子をアップロードします。
  3. GO濃縮分析では、 GOTERM_BP_DIRECT、 GOTERM_CC_DIRECT 、 GOTERM_MF_DIRECT の各カテゴリを選択します。
  4. KEGG濃縮分析では、 KEGG_PATHWAY カテゴリを選択してください。GOおよびKEGG解析の両方で有意性閾値をp < 0.05に設定してください。
  5. 機能注釈チャートをクリックするとエンリッチメント結果を生成できます。GOとKEGGの結果をCSVファイルとしてエクスポートしてください。R Studioソフトウェアとggplot2を使って、上位10の強化された用語や経路の棒グラフやバブルプロットを作成します。
    注意:表示される用語や経路の数は要件に応じて調整可能です。

6. Autodock Vinaを用いた分子ドッキング

注:ステップ6とステップ7はどちらも分子ドッキングのステップです。ステップ6はAutoDock Vina 1.1.2ソフトウェアを使用し、ステップ7はYASARA 10.3.16を使用します。YASARAを使用することで、その後のYASARA分子動力学シミュレーションが可能になります。AutoDock Vinaのドッキング結果が必要な場合、YASARAでのドッキング結果はAutoDock Vinaのものと一致している必要があります。これにより、ソフトウェア切り替えによる不一致を回避し、分子動力学シミュレーションの検証結果の信頼性も保証します。詳細な方法は以下の通りです:LigPlot+(バージョン2.3)でステップ6.31の「result.pdb」結果を開き、2D相互作用図を作成し、リガンドと相互作用するキー残基を特定し、YASARAのドッキングステップ7.18でキー残基を選択し、ボックスサイズを結合ポケットを覆うように設定することで、VinaとYASARA間のドッキング部位の整合性を最大化します。その後、ステップ7.19で最適なドッキング結果を選択する際には、リガンドと受容体間の主要な相互作用残基がAutoDock Vinaの結果から特定されたものと整合していることを確認してください。この整合性要件は、正確な原子対応ではなく、本質的な相互作用パターンの保持に焦点を当てています。力場パラメータの違いや側鎖の柔軟性の違いにより、周辺残留物の構造にわずかな変動が期待されます。重要な活性部位残留物との重要な相互作用が保存されている限り、ドッキング結果はクロス検証の目的で一貫したものとみなすことができます。AutoDock Vinaドッキング(ステップ6)が不要な場合は、ステップ7を直接実行できます。

  1. PubChemデータベースから、対応するSMILES文字列を検索して、ligand.sdfと名付けられた薬物化合物のSDF(構造データファイル)を取得します(ステップ1.1)。
  2. Chem3DソフトウェアでSDFファイルを開いてください。計算オプションで MM2 を選択し、「 エネルギー最小化 」をクリックすると化合物構造の自由エネルギー最小化が行われます。
  3. 最小化した構造を選択ファイル >「名前を付けて保存」でリガンド.mol2ファイルとして保存します。RCSB PDBデータベース(https://www.rcsb.org/;PDB IDまたは遺伝子名で検索可能)のreceptor.pdbから、コア遺伝子のタンパク質受容体のPDB(タンパク質データバンク)フォーマットファイルを取得します。
    1. 解像度が2.5 Å≤構造と、可能であれば結合部位が分離している構造を優先してください。構造を選択する際は、すべての期待されるドメインの存在、大きな未解決ループの有無、リガンド結合に影響を与える可能性のある変異の有無、機能的に重要な補因子(例:ヘム、金属イオン)や共結晶リガンドが含まれているかどうかを確認します。
    2. 既知のオリゴマー集合体を持つ標的については、単量体または多量体のいずれかが研究課題に適切かを考慮します。二量体または高次相互作用が関係する場合は、生物学的アセンブリをダウンロードできます。選定された構造は後段階でさらに準備されるため、初期検査で後流の複雑さを回避できます。
  4. PyMOLソフトウェアで受容体.pdbを開きます。コマンドラインで「remove organic」と入力し、 Enter キーを押してタンパク質構造から小分子配位子を除去します。
    注意:共結晶リガンドを結合部位の定義に使用する場合は、まずリガンドの3D中心座標を記録し、PyMOLコマンドラインでremove organicと入力し、 Enter キーを押して共結晶化した小分子を削除します。そうでなければ、直接remove organicを実行して共結晶化した小分子を除去してください。
  5. コマンドラインで「remove solvent」とタイプし、 Enter キーを押してタンパク質構造から自由水分子を除去します。コマンド選択metal_cofactor resn [ターゲット補因子残基名]を使って機能的に重要な金属イオンや補因子(例:HEM、Zn2⁺、Mg2⁺)を特定し、構造内で保持されていることを確認します。
  6. PyMOLからクリーンになった受容体を「 ファイル>分子のエクスポート>保存」をクリックしてreceptor_clean.pdbとしてエクスポートします。
  7. UCSF Chimera 1.19でreceptor_clean.pdbを開きます。シーケンス > Tools > シーケンス をクリックしてシーケンスを表示し、バインディング部位に隣接するループの欠落を確認します(欠損領域は赤いアウトラインボックスで示されます)。欠損ループがある場合は、シーケンスウィンドウメニューから 「Structure > Modeller(ループ/精錬) 」を選択し、 非終端の欠損構造を選択し、適切なモデル数(例:5)を設定して計算を進めて再構築します。完了後、最も合理的なモデルを選択します。
  8. Chimeraで構造を最適化します。選択した残基に対してRotamersツール(Dunbrackライブラリ)を使ってサイドチェーンを最適化し、ColumnsメニューからクラッシュやH結合を追加して評価し、衝突が最小(0〜1の優先)と有利なH結合を持つ構造を選択します。次に水素を加え、Dock Prep(AMBER ff14SB)を使って電荷を割り当てます。最後に、Minimum Structureツールでエネルギー最小化を行い、骨格原子を選択して(sel @ca, c, n, o)、選択を反転させて固定 原子を有効にします。処理済み構造をreceptor_optimized.pdbとして保存するには、 File > Save PDBを選択してください。
    注意:秩序が整った残基のサイドチェーン最適化は省略してください。ドックプレップはプロトン化を自動的に処理します。最小化はバックボーンを固定した状態で行うべきです。
  9. PyMOLでreceptor_optimized.pdbを再開し、標準結合部位を定義します。共結晶リガンドが存在する場合は、その座標を使ってグリッドを中心に設定します。配位体の中心を記録し、その後有機物除去で除去します。共結晶リガンドがない場合は、文献から既知のキー残基(例:選択binding_site、resi XXX-XXX)またはポケット予測ツールを用いて視覚的に結合ポケットを特定し、視覚的評価を検証して結合部位を定義します。グリッドボックスセットアップのために定義された部位の3次元中心座標(x/y/z)を記録します。
    注:ここに記録された座標はAutoDock Vinaグリッドの中心化に使用されます。残基ベースの定義では、選択された残基の幾何学的中心を計算する必要があります。視覚的または予測ツールで特定されたポケットには、空洞の中心を用います。結合部位を定義する際は、意図したドッキング戦略がオルステリック(活性)部位を対象にしているのか、それともアロステリック部位を対象にしているのかを考慮する必要があります。オルステリックターゲット作成では、結合部位は文献で報告されている共結晶リガンドまたは保存された活性部位残基に基づいて定義されるべきです。アロステリックターゲティングでは、ポケット予測ツールを用いて、特に既知のアロステリック規制を持つターゲットに対して潜在的なアロステリックサイトを特定することができます。事前情報がない場合、グローバルドッキングと予測結合ホットスポットのクラスタリングは、潜在的なアロステリックサイト同定に役立ちます。この柔軟性により、プロトコルはオルステリックおよびアロステリックの創薬キャンペーンの両方に対応可能です。
  10. PyMOLから最終的な最適化された構造をreceptor.pdbとしてエクスポートするには、「 ファイル」>「分子を保存>エクスポート」をクリックしてください。
  11. AutoDock Tools 4.2.6で「 ファイル > 分子を読む」をクリックしてreceptor.pdbを開きます。柔軟な残基を定義します。「 柔軟な残基を編集>」>残基を選択し 、リガンド結合時に立体構造変化が見込まれる結合部位残基を選択してください(10個の残基を選択し≤)。
    注:このステップにより、選択された側鎖がドッキング中に動くことができ、誘導フィット効果を考慮します。
  12. フレキシブル残基付きのレセプターをPDBファイルとして保存します。 「ファイル>保存」をクリックし、ドロップダウンメニューから 「PDBを書き込む 」を選択します。「利用可能なPDBレコード」ウィンドウでATOMとCONECTにチェックを入れ、 ADDをクリックしてから OKをクリックします。ファイルをreceptor.pdbとして保存します。
    注意:このPDBファイルには柔軟な残留物に関する情報が含まれており、PDBQTファイルの生成に使用されます。
  13. 高分子をドッキングのために準備します。「 Grid > Macromolecule > Choose、 receptor.pdb ファイルを選択し、「 Select Molecule」をクリックします。受容体を「 ファイル>名前付け」 をクリックしてPDBQTファイルとして保存し、receptor.pdbqtと名付けます。
    注意:AutoDock Toolsは電荷と原子タイプを割り当て、受信体をAutoDockのネイティブPDBQT形式で保存し、グリッドボックス生成やドッキング計算に備えます。
  14. リガンドメニューをクリックし、入力を選択し、次に「開く」をクリックします。リガンド.mol2を選択してOKをクリックします。リガンドメニューをクリックし、トーションを選択し、トーション検出をクリックします。AutoDockツールはリガンド構造内の回転可能な結合を自動的に識別します(例:アルキル鎖の単結合、ペプチド結合を除くアミド結合)。
  15. トーション選択ウィンドウで検出された回転可能結合を確認します(有効な回転結合はすべて保持し、芳香環結合などの剛性結合は除外)。ねじれ定義を確認する ために「設定 」をクリックし、その後 「閉じる」をクリックします。
    注:有効な回転可能な結合を保持することで、リガンドはドッキング時に異なる立体構造(フレキシブルリガンド)を採用でき、受容体は剛性を保つことができます。これがAutoDock Vinaにおけるセミフレキシブルドッキングの核心です。
  16. 再度 Ligand メニューをクリックし、「 Output」を選択し、「 PDBQTとして保存」をクリックします。ファイル名をligand.pdbqtとし、receptor.pdbqtと同じディレクトリに保存します。
  17. 表示 メニューをクリックし 、 二次構造を選択します。表示 のみをクリックし、次に 線 を選択して「 表示解除 」をクリックしてタンパク質表示を簡略化します。
  18. グリッドメニューをクリックし、グリッドボックスを選択します。x、y、z(中心座標)、間隔(Å)を調整して、ボックスをタンパク質の活性部位の上に配置します。
    注意:結合部位が不明な場合は、ポケット予測ツール(例:CASTp、DoGSite)を使って推定結合ポケットを特定してください。タンパク質全体を覆うと偽陽性や計算コストが大幅に増加し、推奨されません。
  19. ファイル>「閉じて現在を保存」をクリックし、次にグリッドボックスの設定をGrid.gpfとして保存するには、出力>「Grid」>「GPFを保存」をクリックしてください。
  20. テキストエディタでGrid.gpfを開き、グリッドセンター(x、y、zの値)とnpts(サイズx、y、zの値)をファイルから記録します。
  21. 新しいテキストファイルを作成し、Config.txtと名付け、以下の内容を入力してください:
    受容体 = 受容体。pdbqt
    リガンド = リガンド。pdbqt
    center_x = [グリッドセンター×Grid.gpfからの値]
    center_y = [グリッドセンターy値、Grid.gpfからの]
    center_z = [グリッドセンターz値(Grid.gpfからの)]
    size_x = [npts x Grid.gpf からの値]
    size_y = [Grid.gpfからのnpts y値]
    size_z = [Grid.gpfからのnpts z値]
    energy_range = 5
    num_modes = 10
    括弧内のテキストをGrid.gpfの値に置き換えます(ステップ6.19)。
    注意:energy_rangeパラメータは、最適な結合モデルに対する最大許容エネルギー差として設定し、単位はkcal/molで表す必要があります。例えば、5に設定すると、最適モデルとのエネルギー差が5kcal/molに達した時点でAutoDock Vinaは計算を終了します。さらに、num_modesは生成すべき結合モデルの数を指定しており、通常は10に設定されます。
  22. vina_split.exeとvina.exeファイルをreceptor.pdbqt、ligand.pdbqt、Config.txtと同じディレクトリに入れます。
  23. Windowsシステムコンソールを開き、cdコマンド(例:cd C:\DockingFiles)を使ってディレクトリに移動します。
  24. 以下のコマンドを入力して Enterを押してください:vina.exe --config config.txt --log log.txt --out output.pdbqt
  25. ドッキングが完了するまで待ちます(システムによって時間は異なります)。2つのファイルが表示されます:log.txt(ドッキング結果)とoutput.pdbqt(最低エネルギー配位子構造)。再現性を確保するため、異なるランダムシードで3回の独立したドッキングランが行われます。トップポーズにRMSD<1.0 Åがあると一貫性が確認されます。
    注:実証的な参考として、AutoDock Vinaの結合エネルギー(kcal/mol)は、≤-7(高い親和性、潜在的活性構造)、-7から-5(中程度の親和性)、≥-5(低親和性)と解釈できます。これらの閾値はシステム依存であり、実験データで検証されるべきです。
    1. 特定のターゲットに対するドッキング精度と識別能力を評価するために、2つの補完的な検証アプローチが推奨されます。結晶学的配位子を用いた再ドッキング検証を用いて、プロトコルが実験的に観察された結合モードを再現できるかどうかを評価し、RMSD < 2.0 Åを標準受容基準として用いてください。
    2. 公開ベンチマークデータセット(例:DUD-E)を用いた濃縮分析を用いて、プロトコルが真の有効化合物と特性一致のデコイを区別する能力を評価する。これにはROC曲線(分類性能のグローバルな指標を提供する)やEF1%などの濃縮因子(上位区分の有効成分濃縮を定量化する)の計算が含まれる。これらの検証ステップを合わせると、適切な親和性のカットオフを確立し、対象クラスの信頼できるスクリーニング性能を確保する。
  26. PyMOLソフトウェアを開きます。ファイル >開いてoutput.pdbqtとreceptor.pdbqtをインポートします。結合した構造を「 ファイル」>「名前を付けて保存」をクリックしてresult.pdbとして保存します。
  27. PyMOLワークスペースを「 新しいセッション> ファイル」をクリックしてクリアし、その後result.pdbを再度開いてリガンド-タンパク質複合体を可視化します。

7. YASARAを用いた分子ドッキング

注:このステップは、分子動力学(MD)シミュレーションのための正確な再ドッキングおよび前処理として機能し、ステップ6のハイスループット予備スクリーニング結果の段階的検証です。ステップ6では、オートドックVinaという高スループット仮想スクリーニングのゴールドスタンダードツールを用いて、化合物ライブラリから優れた結合親和性を持つ候補分子を迅速にスクリーニングします。このステップでは、YASARAのドッキングモジュールがYASARA MDシミュレーションプラットフォームと完全に互換性があるため、ファイルフォーマット変換やソフトウェア切り替えによる構造的偏差を回避し、後のMDシミュレーションのための標準化された初期複合構造を提供できるため、ドッキングに採用されています。ステップ6でAutoDock Vinaでスクリーニングされたすべての候補分子について、このステップで得られるドッキング結果(活性ポケットにおける結合ポーズや主要なアミノ酸相互作用を含む)はAutoDock Vinaの結果と整合し、結合親和度の相対的な順位もMDシミュレーションに進む前に同じ傾向を維持しなければなりません。計算アルゴリズムの違いにより、両ソフトウェア間で絶対ドッキングスコアは直接比較できません。この一貫性要件により、ソフトウェアの違いによる誤検性結果を排除し、候補分子の結合特性の安定性を確保し、その後のMDシミュレーション検証の信頼性と論理的連続性を保証できます。

  1. OpenBabelを使ってligand.sdfファイルをligand.pdbファイルに変換してください。
    注:OpenBabelはここではフォーマット変換のみに使用されます。分子動力学のためのリガンドの実際のパラメータ化は、YASARAによって今後のステップで自動的に行われます。
  2. YASARAソフトウェアを開いてください。 ファイル> ロード をクリックし、 ligand.pdb を選択してリガンドをインポートします。リガンドから構造的欠陥を除去するには 、Edit > Clean > All をクリック。
    注:このステップは基本的なジオメトリクリーンアップを行います。YASARAは内蔵のAutoSMILES技術を用いて、一般AMBER力場(GAFF)およびAM1-BCC電荷を適用し、タンパク質に用いられるAMBER14力場との互換性を確保するために、リガンドに自動的に力場パラメータを割り当てます。このパラメータ化は、ドッキングおよびMDシミュレーションにおける正確なエネルギー計算に不可欠です。
  3. オプション >デフォルトpHをクリックし、適切なpH(例:生理的条件は7.4)を選択し、 OKをクリックします。
  4. ド ッキング>力場 をクリックしてドッキングフォースフィールドを設定し、その後のMDシミュレーションとパラメータの整合性を確保します。
    注:AMBER14はYASARA 10.3.16におけるこの創薬ワークフローの推奨力場であり、タンパク質の包括的なパラメータカバレッジを提供し、標準MDシミュレーションプロトコルと完全に互換性があります。標準タンパク質残基については、力場の内蔵テンプレートからパラメータが自動的に割り当てられます。小分子リガンドについては、YASARAは内蔵のAutoSMILES技術を用いて自動的にパラメータ化を行い、GAFF(一般AMBER力場)原子タイプとAM1-BCC電荷を割り当てます。これによりタンパク質とリガンドパラメータの互換性が保証され、ドッキングおよびMDシミュレーションの両方で正確なエネルギー計算が可能になります。より適切な力場は、使用されているYASARAバージョンやシステムの特性に応じて選択可能です。
  5. シミュレーター>すべての原子の周囲にシミュレーションセル>を定義して作業境界を設定します。周期的境界条件を有効にするために>セル境界>周期的をクリック。
  6. オプション >「エネルギー最小化>実験を選択する」をクリックし、次に 「実行 」をクリックしてリガンドのエネルギーを最小化します。
  7. ファイル>「名前を付けて保存」をクリックし、ファイル名付けをligand.pdbにし、元のリガンドPDBファイルを上書きするためにOKをクリックしてください。ワークスペースを消去するには「ファイル>新」をクリックし、次に「ファイル>ロード」をクリックしてreceptor.pdbファイルを選択します。
  8. タンパク質受容体についてはステップ7.2から7.7を繰り返し、処理済みファイルを新しいreceptor.pdbファイルとして保存します。
  9. 「ファイル>新しく」をクリックし、「ファイル>ロード」をクリックし、ligand.pdbとreceptor.pdbの両方を選択します。pHを設定し、シミュレーションセルを定義し、複合体の周期的境界を有効にするためにステップ7.3から7.5を繰り返します。
  10. 「 プロセッサ」>「CPUをセット 」をクリックし、使用するCPUコア数を選択します。 「プロセッサ」>「GPUを設定し 」をクリックし、計算を加速するGPUデバイスを選択します。
  11. ファイル > YASARA シーン>保存」をクリックし、ファイル名 sce\nesult.sce (存在しなければ sce フォルダを作成してください)、 OK をクリックします。
  12. Options > Macro&Movie > Set targetをクリックし、sce\nesult.sceを選択し、OKをクリックします。Options > Macro&Movie > Play Macloをクリックし、dock_run.mcrマクロファイルを選択してOKをクリックします。
  13. シ ミュレーター>選択された原子の周りにシミュレーション>セルを定義 して7.5を繰り返し、その後 「継続 」をクリックしてドッキングを開始します。
  14. ドッキング完了を待つ。yobの接尾辞付きファイルが生成される;name.log結合エネルギーと接触受容体残基を含む。
    注:分子動力学シミュレーションの検証の合理性を確保するために、YASARAでAutoDock Vinaのドッキング結果と一致する結果を選択してください。

8. 分子動力学シミュレーション

  1. ワークスペースを消去するには 「ファイル>新設 」をクリックしてください。次に「 ファイル>「YASARAオブジェクト>読み込み 」をクリックし、 result.yobを選択します。
  2. SCENE CONTENTパネル(右側)で、すべてのMolエントリを展開します。 Edit > Split > Objectをクリックし、シーケンスパネルで Mol の内容をすべて選択し、 OKをクリックします。
  3. 「 Edit > Join > Object」をクリックし、最初と最後のエントリ(リガンド)以外のすべての Mol 内容を選択し、 OKをクリックします。最初の Mol エントリを選択し、再度 OK をクリックしてタンパク質を再結合します。
  4. 次に、成分の番号を付け直します。編集から「 Renumbers 」を選択し、「 オブジェクト」をクリックします。これにより2つの部分が生成されます。前者はタンパク質-受容体複合体、もう2つは小分子リガンドです。
  5. 「 Edit > Transfer」をクリックし、ドロップダウンリストから 「Object 」オプションをクリックしてください。配列パネルで、まず対応する項目をクリックして小分子リガンド内容を選択します。次に、タンパク質受容体の内容をそのエントリをクリックし、「 OK 」をクリックして選択ペアを確認します。
  6. 次のポップアップウィンドウで、転送中に画面に表示される「原子を修正する」から始まるオプションをチェックし、「 OK」をクリックしてください。
  7. 手順7.2から7.5を繰り返し、 Simulator>温度 をクリックして 298Kを選択してください。 ファイル>「YASARAシーン>として保存」をクリックし、ファイル名をsce\nesultrun.sceに してOKをクリックします。
  8. ワークスペースを消去するには 「ファイル>新設 」をクリックしてください。次に「 オプション」>「マクロ&ムービー」>ターゲット設定をクリックし、「 sce\nesultrun.sce」を選択して「 OK」をクリックします。
  9. ステップ7.4で選択した力場がMDシミュレーションにも使用されていることを確認してください。md_run.mcrマクロは通常、現在の力場設定を引き継ぎます。 Options>Macro&Movie > Playマクロをクリックし、 md_run.mcr マクロファイル を選択してOK をクリックして分子動力学シミュレーションを開始します。
  10. タンパク質-リガンド複合体に対して異なる初期速度で3つの独立したMDシミュレーション(3×100 ns)を行い、3つの軌跡の統計解析を行い結果の信頼性を確保します。操作中、シミュレーション形式のファイルが生成されます。例えば、軌跡が100 psごとに保存されている場合、100 nsのシミュレーションでsim接尾辞付きの1000ファイルが生成されます。
  11. Step 8.10が完了したら、 Options > Macro&Movie > Set targetをクリックし、 sce\nesultrun.sce ファイル を選択してOKをクリックします。
  12. マクロ&ムービー>再生マクロ>オプションをクリックし、md_analyze.mcr、md_analyzebindenergy.mcr、md_analyzeres.mcrを選択してOKをクリックします。
  13. 3つの分析がすべて完了すると、対応するデータファイルresult_run_analysis.tab、result_run_bindenergy.tab、result_run_analysisres.tabが生成されます。
  14. まず、result_run_analysis.tabを解析します。これは10のコアパラメータを提供します:エネルギー(システム全体のエネルギー)、結合(結合エネルギー)、角(結合角エネルギー)、二面体(二面体角エネルギー)、平面度(平面エネルギー)、クーロン(静電エネルギー)、VdW(ファンデルワールスエネルギー)、CA(タンパク質RMSDのCα RMSD)、バックボーン(タンパク質バックボーンRMSD)、およびヘビーアトムズ(重原子RMSD)。
  15. 時間(ns)列と対応するパラメータ列を抽出し、系がエネルギー平衡に達したかどうかを評価します。初期の10〜20 ns以降、狭い変動範囲内で位置エネルギーを安定化させることで系の安定性を確認します。Cα原子、タンパク質骨格、重原子の平均二乗根偏差(RMSD)を監視して立体構造安定性を評価します。これらのRMSD値が停滞に達した時点で、シミュレーションは構造的に安定していると判断されました。
  16. 典型的なサイズのタンパク質–リガンド複合体の経験的基準として、Cαおよび骨格RMSD値が2.5 Å未満で停滞し、重原子RMSDが3.5 Å未満であることは、立体構造安定性の支持指標とみなすことができます。重要なのは、これらの数値値に厳密に従うのではなく、RMSD軌道に明確なプラトー相が存在することと主要かつ必須の基準を用いることです。
    注意:これらの閾値は経験的なものであり、特定のタンパク質サイズと柔軟性の文脈で解釈されるべきです。収束の決定的な指標は持続的な平坦であり、構造が一貫した立体構造群の周りで安定化していることを示します。
  17. 次に、シミュレーション軌道上でリガンドとターゲット間の結合エネルギーを提供するresult_run_bindenergy.tabを解析します。シミュレーション期間全体にわたる平均結合エネルギーを計算します。YASARAのMM-PBSA実装では、より多くの正の値ほど結合が強くなります。中程度で安定した相互作用は通常、平均結合エネルギーが正かつ十分に大きいこと(特定の数値はシステム依存ですが既知の結合体や実験データに対して較正可能)と、平均に対して小さい標準偏差(例:変動係数<50〜60%)で示され、シミュレーション中の変動が限定的であることを示します。
    注:このステップで報告される結合エネルギーは厳密なMM-PBSA法を用いて計算されており、従来のYASARA結合エネルギーマクロはより高速な近似(BoundaryFast)を用いています。デフォルト近似は迅速なスクリーニングや相対比較に適しており、MM-PBSA法はより正確な絶対結合自由エネルギーを得るために推奨されます。著者がYASARAマクロのヘッダーで明示しているように、正のエネルギーが多いほど結合が良好であることを示し、負のエネルギーは結合なしを示すものではありません。したがって、ユーザーは正の値を強い結合の指標と解釈し、数値の大きさは特定のタンパク質-リガンド系によって異なります。
  18. 最後に、残基ID、RMSD、Backbone RMSD、HeavyAtoms RMSD、RMSFなどの残基ごとのデータを提供するresult_run_analysisres.tabファイルを解析します。解析は特定された安定生産相に集中します。まず、ターゲットの活性部位内の残基(例:配位から5Å以内のもの)を特定します。次に、シミュレーション中のこれらの個々の活性部位残基の立体構造安定性を評価します。
    注:タンパク質-リガンド錯体における安定した活性部位残基の経験的参照点として、RMSF値が1.0 Å未満および安定相におけるRMSDの変動が1〜1.5 Å以内の変動は、一般的に局所的な構造が良好に維持されていることの指標と考えられます。RMSFが2.0 Åを超える残基は柔軟性の高まりを示す可能性があります。このような残基は三次元構造にマッピングし、機能的に重要な柔軟な領域(例:ループや表面積)に対応するか、結合ポケット内の潜在的な不安定性を示すかを判断する必要があります。これらの数値的ガイドラインは絶対的なルールではありません。主な基準は大きな立体構造ドリフトの有無であり、これは確立されたシステム全体の収束性と併せて評価されるべきです。
  19. データファイルが整理されたら、その整理されたデータをPrismにインポートして対応するプロットを作成します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

アレルギー性鼻炎(AR)に対するロラタジンのネットワーク薬理学解析に続き、ロラタジンとPTGS2の相互作用が代表的なケーススタディとして選ばれ、分子ドッキングおよびMDシミュレーションプロトコルの段階的な応用を示すものとなりました。この例は、特定の相互作用の生物学的検証を提供するのではなく、ワークフローの実行とデータ解釈を示すことを目的としています。実験データに対する定量的評価のために、ユーザーは公開データベースで既知の結合親和性を持つよく特徴付けられたシステムにプロトコルを適用することが推奨されます。

ターゲット識別とオーバーラップ解析
合計127件のロラタジン関連標的が公開データベースから取得されました。AR関連標的は複数の疾患データベースから収集され、2,620件の標的が集められました。ベン図(図2)に示すように、ロラタジンとアレルギー性鼻炎の間に重複する標的が57箇所特定されました。これら57標的は、さらなる...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

重要性と重要なステップ
このプロトコルはネットワーク薬理学、分子ドッキング、分子動力学シミュレーションを組み合わせており、単独手法や二重組み合わせワークフローに比べて明確な利点を持ち、現在の創薬における重要な非効率性や信頼性のギャップを解消するのに役立ちます。このプロセス全体は信頼性を確保するために3つの重要なステップに依存しており、それぞれが計算薬物スクリーニングの核心的な課題に対応しています。第一に、マルチデータベース統合(例:小分子構造用のPubChem、疾患標的用の5つのデータベース、生物学的メカニズムおよび経路注釈用のGOとKEGG)とADMET特性フィルタリングにより、単一データベース依存のバイアスを回避し、in vivo潜在的アドバンス4を持つコンポーネントのみを保証します。第二に、複数の指標(Betweenness、Closeness、Degree、Eigenvector、LAC)を用いた成分-標的-疾患ネットワークのトポロジー解析では、治療的関連性の低い末梢標的では...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

すべての著者は利益相反がないと宣言しています。

謝辞

中国国家重点研究開発プログラム(2024YFC3506300、2024YFC3506301)、国家伝統中医管理局高レベル重点学科(No.zyyzdxk-2023251)、中国国家自然科学基金(82204948)、中国教育部基礎・学際分野突破計画(JYB2025XDXM612)、湖北省主要科学技術特別プロジェクト(2023BCA005)、湖北石圳研究所首席科学研究プロジェクト(HSL2024SX0002)

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
ADMETlab 3.0上海医薬品研究所(SIMM)、中国科学院該当なしADMET(吸収、分布、代謝、排泄、毒性)特性予測のためのオンラインプラットフォーム;リガンドの薬理動態および毒物学的プロファイルの評価に使用されます(URL: https://admetlab3.scbdd.com/)
AutoDockツール(AutoDock 4)スクリップス研究所AutoDock 4.2.6分子ドッキングシミュレーション用のソフトウェアスイート;ドッキング用のAutoDock 4と、タンパク質およびリガンド入力ファイルの準備(水素の追加、電荷の割り当て、回転可能な結合の設定)、ドッキンググリッドの定義、ドッキング結果の解析を行うAutoDockTools(ADT)が含まれます。
オートドック・ヴィナスクリップス研究所AutoDock Vina 1.1.2オープンソースの分子ドッキングソフトウェア;小分子配位子とタンパク質受容体間の結合親和性やポーズの予測に用いられます
Chem3Dパーキンエルマー情報学Chem3D 2024分子モデリングソフトウェア、小分子配位子の3D構造の構築、最適化、可視化に使用されます
サイトスケープCytoscapeコンソーシアム(システム生物学研究所)Cytoscape 3.10.3生物学的ネットワークの可視化と解析のためのオープンソースソフトウェア、遺伝子/タンパク質相互作用ネットワークの構築および編集に使用
DAVID(注釈、可視化、統合発見のためのデータベース)米国国立アレルギー感染症研究所(NIAID)該当なし関数注釈およびエンリッチメント解析のためのオンラインツール;ターゲット遺伝子のGO(遺伝子オントロジー)およびKEGG(京都遺伝子・ゲノム百科事典)経路富集解析の実施に使用されます(URL: https://david.ncifcrf.gov/)
DisGeNETデータベースバルセロナ・スーパーコンピューティングセンター(BSC)該当なし遺伝子と疾患の関連データベース;特定の疾患に関連する遺伝子を特定するために使用されます(URL: https://disgenet.com/)
GeneCardsデータベースワイツマン科学研究所該当なしヒト遺伝子の統合データベース;包括的な遺伝子情報(例:発現、機能、疾患関連)を取得するために使用されます(URL: https://www.genecards.org/)
LigPlus欧州分子生物学研究所-欧州バイオインフォマティクス研究所(EMBL-EBI)LigPlus 2.33D座標ファイルから2次元タンパク質-リガンド相互作用図を自動的に生成するソフトウェア。水素結合、疎水性接触、結合部位残基を図式的に示しています。登録時に学術メールで入手可能;https://www.ebi.ac.uk/thornton-srv/software/LigPlus/ 
OMIMデータベースジョンズ・ホプキンス大学医学部(NCBIとの協力)該当なしオンラインメンデル遺伝における人間の遺伝;遺伝性疾患およびそれに関連する遺伝子に関する情報取得に使用されます(URL: https://www.omim.org/)
オープンバベルOpenBabel開発チーム該当なしオープンソースの化学ツールボックス;分子ファイル形式(例:.mol2から.pdbへの変換)を異なるソフトウェアプラットフォーム間で変換するために使用
PharmGKBデータベーススタンフォード大学該当なしファーマコゲノミクス知識ベース;遺伝子-薬物相互作用および薬理ゲノム変異に関する情報取得に使用されます(URL: https://www.pharmgkb.org/)
プリズムGraphPadソフトウェアプリズム9科学的なグラフ作成、データ解析(例:結合エネルギー分布曲線のプロット、誤差バーの解析)、出版物品質の図の作成に使用されます。
プロトックス 3.0Charité- 大学大学;ツメディツィン ベルリン、ドイツ該当なし小分子の毒性学的終末を予測するためのオンラインツール;候補配位体の潜在的毒性評価に使用されます(URL: https://tox.charite.de/protox3/index.php?site=home)
PubChemデータベースアメリカ合衆国国立バイオテクノロジー情報センター(NCBI)該当なし化学情報の公開データベース;小分子配位子の2次元/3次元構造および物理化学的性質の取得に使用されます(URL: https://pubchem.ncbi.nlm.nih.gov/)
PyMOLシュルドゥムル;ディンガー合同会社PyMOL 2.6.1分子可視化ソフトウェア、タンパク質-リガンド複合体の高品質画像の閲覧、編集、生成に使用されます
R Studioポジット、PBCRstudio 2025.09.1+401Rプログラミングのための統合開発環境(IDE);生物学データの統計解析およびGO/KEGGプロットの作成に使用されます
RCSB PDBデータベース構造バイオインフォマティクス研究共同研究室(RCSB)該当なしタンパク質構造のデータベース;PDB形式(URL: https://www.rcsb.org/)
SEA(類似アンサンブルアプローチ)スクリップス研究所該当なし化学的類似性に基づくターゲット予測のためのオンラインツール;リガンドターゲットを確認するためのSwissTargetPredictionを補完するために使用されます(URL: https://sea.bkslab.org/)
ストリングSTRINGコンソーシアム(EBI、SIBなど)該当なし既知および予測されたタンパク質間相互作用のデータベース;遺伝子/タンパク質相互作用ネットワークの構築に使用されます(URL: https://string-db.org/)
スイスターゲット予測スイス生物情報学研究所(SIB)該当なし小分子の潜在的なタンパク質標的を予測するためのオンラインサーバー;リガンド候補受容体の同定に使用されます(URL: http://swisstargetprediction.ch/)
TTDデータベース中山大学創薬開発研究所(IDRBL)該当なし治療用ターゲットデータベース;検証済みおよび潜在的な薬物標的に関する情報取得に使用されます(URL: https://db.idrblab.net/ttd/)
UCSFキメラカリフォルニア大学サンフランシスコ校バイオコンピューティング、可視化、情報学リソース(RBVI)UCSF キメラ 1.19分子可視化・解析ソフトウェア;タンパク質構造の準備に使用され、ミッシングループ再構築(Modellerインターフェース経由)、側鎖最適化(Dunbrackロタマーライブラリ)、プロトン化状態調整、AMBER ff14SB力場を用いたエネルギー最小化が含まれます。バージョン1.19(2025年3月リリース)はPDB構造の取得機能を修正します。非営利利用は無料で利用可能です。https://www.cgl.ucsf.edu/chimera/ 
UniProtデータベースUniProtコンソーシアム(EBI、SIB、PIR)該当なしタンパク質配列と機能の包括的なデータベース;タンパク質配列、構造、機能的注釈の取得に使用されます(URL: https://www.uniprot.org/)
ヴェニー 2.1.0国立生物技術センター、a (CNB-CSIC)、スペイン該当なしベン図を生成するオンラインツール;遺伝子セット間の重複を可視化するために使用されます(例:異なるデータベースのターゲット遺伝子)(URL: https://bioinfogp.cnb.csic.es/tools/venny/)
ヤサラヤサラ・バイオサイエンスヤサラ 2016年3月10日分子モデリングおよびシミュレーションソフトウェア、分子ドッキング(ステップ3.7)およびその後の分子動力学シミュレーションでドッキング結果の検証に使用されます

参考文献

  1. Hopkins, A. L. Network pharmacology: The next paradigm in drug discovery. Nat Chem Biol. 4 (11), 682-690 (2008).
  2. An, W., et al. Mechanisms of rhizoma coptidis against type 2 diabetes mellitus explored by network pharmacology combined with molecular docking and experimental validation. Sci Rep. 11 (1), 20849(2021).
  3. Hu, M., et al. Use of network pharmacology and molecular docking to explore the mechanism of action of curcuma in the treatment of osteosarcoma. Sci Rep. 13 (1), 9569(2023).
  4. Oh, K. K., Adnan, M., Cho, D. H. Network pharmacology approach to decipher signaling pathways associated with target proteins of NSAIDs against COVID-19. Sci Rep. 11 (1), 9606(2021).
  5. Kuntz, I. D., Blaney, J. M., Oatley, S. J., Langridge, R., Ferrin, T. E. A geometric approach to macromolecule-ligand interactions. J Mol Biol. 161 (2), 269-288 (1982).
  6. Sahu, M. K., Nayak, A. K., Hailemeskel, B., Eyupoglu, O. E. Exploring recent updates on molecular docking: Types, method, application, limitation & future prospects. Int J Pharma Res Allied Sci. 13 (2), 24-40 (2024).
  7. Morris, G. M., et al. Autodock4 and autodocktools4: Automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  8. Li, C., et al. Characterization of the molecular mechanisms underlying lurasidone-induced acute manic episodes in bipolar depression: A network pharmacology and molecular docking approach. CNS Neurosci Ther. 31 (4), e70383(2025).
  9. Lee, W. Y., et al. Evaluating current status of network pharmacology for herbal medicine focusing on identifying mechanisms and therapeutic effects. J Adv Res. 76, 799-815 (2025).
  10. Shahzadi, Z., et al. Network pharmacology and molecular docking: Combined computational approaches to explore the antihypertensive potential of Fabaceae species. Bioresour Bioprocess. 11 (1), 53(2024).
  11. Che, X., Zhang, L. Blind docking methods have been inappropriately used in most network pharmacology analysis. Front Pharmacol. 16, 1566772(2025).
  12. Ren, M., Ma, J., Qu, M. Network pharmacology integrated with molecular docking and molecular dynamics simulations to explore the mechanism of shaoyao gancao tang in the treatment of asthma and irritable bowel syndrome. Medicine .(Baltimore). 103 (50), e40929(2024).
  13. Jorgensen, W. L. The many roles of computation in drug discovery. Science. 303 (5665), 1813-1818 (2004).
  14. Gao, L., et al. Molecular dynamics simulation-driven focused virtual screening and experimental validation of fisetin as an inhibitor of Helicobacter pylori htra protease. Mol Divers. 29 (6), 6243-6258 (2025).
  15. Schaefer, M. H., Serrano, L., Andrade-Navarro, M. A. Correcting for the study bias associated with protein-protein interaction measurements reveals differences between protein degree distributions from different cancer types. Front Genet. 6, 260(2015).
  16. Richter, S., Fetzer, I., Thullner, M., Centler, F., Dittrich, P. Towards rule-based metabolic databases: A requirement analysis based on KEGG. Int J Data Min Bioinform. 13 (3), 289-319 (2015).
  17. Gu, S., et al. Benchmarking ai-powered docking methods from the perspective of virtual screening. Nat Machine Intell. 7 (3), 509-520 (2025).
  18. Zhang, P., et al. Network pharmacology: Towards the artificial intelligence-based precision traditional chinese medicine. Brief Bioinform. 25 (1), 1-12 (2023).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

ADMET KEGG

関連記事