アメリカ手話と英語における潜在的なPLK1阻害剤を特定するためのバイリンガル計算ワークフロー
April 3rd, 2026
このバイリンガルプロトコルは、Polo様キナーゼ1から3(PLK1–3)およびデータベースソースの自然分子の吸収、分布、代謝、排泄、毒性、安定性(ADMET-S)特性のタンパク質-リガンド相互作用を評価する計算的薬物発見ワークフローを提供します。
バイリンガルの計算ワークフロー。はじめに。研究によると、PLK1はさまざまながんで過剰発現しています。PLK1のポロボックスドメインであるPBDを阻害すると、アポトーシスが誘導されることが示されています。
本研究の目的は、望ましい医薬品および薬物動態的特性を持つ選択的PLK1-PBD阻害剤を特定することです。ホモログPLK2とPLK3は選択性を評価するために同じプロトコルを適用しました。手順だ。ターゲットを絞ったタンパク質の調製。
ここではCHARMM-GUIを用いて、Protein Data Bank(PDB)からPLK1、4HCOを最適化します。これにより、タンパク質に残基や水素の欠落がないことが保証されます。ツールを使い始めましょう。
入力ジェネレーターでPDBリーダーマニピュレーターを選択します。入力欄までスクロールしてください。PLK1の4HCO入力前にPDBオプションを選択していることを必ず確認してください。
次のページで、タンパク質鎖Bを選択して鎖Aのみを処理します。進行します。PDB情報をスクロールして進めてください。4つの出力のうち、PDBファイルを選択して保存します。
最後に、テキストエディタでPDBファイルを開いていきます。HSDからHISへのヒスチジンプロトン化状態を見つけて置き換えてください。天然物データベースのスクリーニング。
PLK1を標的とする小分子サンプルを取得する方法は、天然物データベースを用い、3つの部分から成り立っています。天然物データベースは非常に充実しており、初期化合物は病害と信頼値の選択によって得られます。この例ではSuperNatural 3.0が使われています。
SuperNatural 3.0は、病気選択を通じて分子を得るために使われています。一つの方法は人間の経路を通じてです。ここでは乳がんが選ばれています。
この経路のKEGG IDはこちらです。次に、KEGG IDをSuperNatural 3.0の経路に入力します。あるいは、病気をクリックして乳がんを選択し、完全な結果ファイルを保存することもできます。
よくある質問では、データベースの全ライブラリをダウンロードできます。進め。zipファイルを解凍し、CSVを取得し、zipファイルを削除します。R Studioを開くか、お好きなIDEを使ってください。
R Studioでデータをインポートすると、最初の完全な結果は73,046分子となります。信頼限界を適用すると分子は1,193個です。クラスターサンプリング。
リピンスキーの5の法則をRDキットに適用した後、化学パッケージ、残りは999分子だ。ここでは分子が999個あることが明らかです。
次に、K平均クラスタリングを適用して50の代表的な分子を導出します。クラスタリングは谷本の類似度に基づいています。タンパク質-リガンドのドッキングおよび結合親和性の計算。
この方法の目的は、PLK1を各リガンドにドッキングして結合親和性を高めることです。CBドック2を開けてください。ドックタブに進みましょう。
ここで4hcoをアップロードします。PDBをドッキングのターゲットタンパク質として使います。リガンドをアップロードします。
ここではリガンド1から始めます。あるいは、このSMILES文字列を入力するか貼り付けることもできます。データ収集のため、メールを入力してください。
その後、「Auto Blind Docking」をクリックしてください。結果はメールで送られました。ドッキング結果のzipファイルを保存してください。
保存後、zipファイルは解凍され、その中にさまざまなファイルが入っています。複合体以外のすべてのファイルを削除してください。PDBファイル。
デフォルトで5つの複合施設があるはずです。PDBファイル。解凍されていないzipファイルを削除してディレクトリをクリーンアップしてください。
CB-Dock2によるタンパク質-リガンドドッキングが完了し、Vinaスコアでポーズをランク付けした後、次のステップはPRODIGYとの結合親和性の計算です。PRODIGYとの結合親和性により、タンパク質選択性の競争評価が保証されます。配位子は構造相同体ではなくPLK1を選択的にする方が有利です。
PRODIGYのウェブサーバーに進みましょう。PRODIGY-LIGANDタブを選択してください。複合施設について言及してください。
PDBファイルでタンパク質およびリガンド鎖識別子を決定するために。その複合施設。pdbファイルはテキストエディタで開きます。
タンパク質の鎖識別子はPです。これはウェブサーバーに挿入されます。リガンド鎖は通常HETATMから始まります。それを探してください。
リガンドの鎖識別子はA:UNLです。それはウェブサーバーに挿入されます。各タンパク質リガンドの組み合わせに対して提供された5つの複合体は一度にアップロードされます。
この作業にはRで開発されたファイル管理スクリプトが使用されます。スクリプトはすべてのドッキング組み合わせのpdbファイルをzip化します。zip化後、ファイルは手動でPRODIGYにアップロードされます。
PRODIGYリガンドの提出を進めてください。アップロードされた組み合わせの5つのポーズごとにバインディングアフィニティのリストがあります。デルタ・グノエレックは静電気計算を除いた結合親和性スコアです。
結果を保存し、圧縮してください。zipファイルを開くと、親和度スコアの出力フォルダがあります。ADMET-S評価。
安定性のないADMET評価には3つの異なるツールが使われます。ADMETは120以上の特性を用いて薬剤性および生体利用能を評価しています。ORCAは密度関数理論(DFT)を用いて薬剤の特性を解析しています。
続けましょう。安定性のためにディレクトリを作成しましょう。小分子のSMILES文字列を回収します。
Avogadroやお好きな分子エディターを開いてください。SMILESの文字列を使って小分子を作りましょう。組み立てた後に分子を保存してください。
安定性サブディレクトリに位置していることを確認しましょう。次に「ジオメトリ最適化」へ進みます。次に、ORCA入力ファイルが生成されます。
この安定フォルダにセーブしてください。shファイルやbashジョブファイルを追加してください。ジョブファイルのパラメータをカスタマイズします。
例えば、通知するメールはカスタマイズ可能です。代表的な結果。まず、多次元削減のためのPCAがあります。
この図は、異なる番号付きクラスターが灰色の楕円でまとめられていることを示しています。次に、サンプルリガンド1とPLK1-PBDの結果です。左上には緑色のリガンド1の描写があり、不要な残基が赤とオレンジで描かれています。
右側はCHARMM-GUIで清掃と準備を行った代表的なモデルです。下はPLK1、PBD、リガンド1を含むドッキング複合体です。さらに、CB-Dock2はVinaスコアの形で上位5つのドッキングキャビティとその親和性を示します。
PRODIGYによる結合親和性の予測はヒートマップで可視化できます。ヒートマップはPLK1、2、3のホモログの役割を示しています。赤は弱く望ましくない適性を表し、緑はその逆を表します。
ADMET-S評価はさまざまな図で表現できます。まずはゆで卵です。異なる代謝指標に対して、阻害剤および非基質の状態を緑色と赤色で識別するヒートマップ。
クリアランスには、発現前に薬物が分布する理想的な時間閾値を示す折れ線グラフが使われます。さまざまな指標をまとめて有用なレーダーチャートを作成することも可能です。各配位子の毒性成分数は列図で示すことができます。
Toxtreeは、クレイマーのルール決定木に基づく薬物毒性分類と定性的推論の両方を出力します。安定性や分子反応性は、十分なHOMO-LUMOギャップ閾値の折れ線グラフで表現できます。結論。まとめると、このプロトコルは高校や学部レベルで様々な仮想薬物スクリーニング、結合親和性、ADMET-Sツールを使用します。
このプロトコルから得られる結果は、良好な創薬の成果を高める可能性があります。
概要
このプロトコルは、潜在的なPLK1阻害剤を特定するためのバイリンガル計算ワークフローを実証します。タンパク質-リガンド相互作用とADMET-S特性を評価することの重要性を、創薬において強調しています。
主要な研究要素
科学の分野
- 化学
- 計算生物学
- 薬理学
背景
- PLK1は様々ながんで過剰発現しています。
- PLK1の阻害はアポトーシスを誘導できます。
- この研究は選択的なPLK1-PBD阻害剤を特定することを目指しています。
- 天然物データベースは潜在的な阻害剤のスクリーニングに利用されています。
研究の目的
- PLK1阻害剤を特定するためのワークフローを開発すること。
- 候補物の薬用および薬物動態特性を評価すること。
- 創薬のための計算ツールを活用すること。
使用された方法
- CHARMM-GUIを使用したタンパク質の準備。
- SuperNatural 3.0を使用した天然物データベースのスクリーニング。
- タンパク質-リガンドドッキングと結合親和性の計算。
- 薬剤性とバイオアベイラビリティのADMET-S評価。
主な結果
- スクリーニング後の999の候補分子が特定されました。
- 結合親和性はPRODIGYを使用して計算されました。
- ADMET-S評価は薬物特性に関する洞察を提供します。
- 様々なグラフィカル表現を通じた結果の可視化。
結論
- このプロトコルは、仮想的な薬物スクリーニングへの包括的なアプローチを提供します。
- 創薬努力を強化するための潜在的な応用があります。
- このワークフローは高校または学部レベルでの教育目的に適しています。
よくある質問
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.
