이 기사에서는 여러 리간드의 분자 특징을 통합하여 합의 약리단 모델을 구성하기 위한 프로토콜을 제시합니다. 이 방법은 알려진 리간드 결합 형태를 가진 모든 생물학적 표적을 표적으로 하는 약물 발견 노력에 적용할 수 있으며, 가상 스크리닝 및 합리적인 약물 설계를 위한 주요 상호 작용 특징을 식별할 수 있습니다.
방법 논문
광범위한 리간드 라이브러리가 있는 표적에 대한 약리단 모델링: SARS-CoV-2 Mpro에 대한 사례 연구
이 논문에서
요약
초록
약리단은 화합물과 생물학적 표적 간의 최적의 상호 작용에 필요한 분자 특징의 공간적 배열을 정의합니다. 이러한 모델은 결합 형태에서 표적과 알려진 리간드 세트 사이의 분자간 상호 작용을 분석하여 도출될 수 있습니다. 합의 약리단은 여러 리간드의 공통 특징을 통합하여 모델 편향을 줄이고 예측력을 향상시킵니다. 그러나 크고 화학적으로 다양한 리간드 세트에서 강력한 합의 약리단을 생성하는 것은 기술적 과제를 안고 있습니다.
여기에서는 여러 리간드 결합 복합체에 걸쳐 약리 기능을 식별하고 클러스터링하도록 설계된 오픈 소스 정보학 도구인 ConPhar를 사용하여 합의 약리단 구성을 위한 프로토콜을 제시합니다. 이 프로토콜에는 모델 생성, 개선 및 초대형 분자 라이브러리의 가상 스크리닝에 대한 적용이 포함됩니다. 사례 연구로 표적과 공결정화된 100개의 비공유 억제제를 사용하여 SARS-CoV-2 주요 프로테아제(Mpro)에 이 방법을 적용했습니다. 결과 약리단 모델은 Mpro의 촉매 영역에서 주요 상호 작용 특징을 포착하고 새로운 잠재적 리간드를 식별할 수 있게 했습니다.
이 전략은 리간드 결합 형태를 사용할 수 있는 모든 생물학적 표적에 광범위하게 적용할 수 있습니다. 이는 광범위한 리간드 데이터 세트가 있는 표적에 특히 유용하며 원하는 상호 작용 프로필을 가진 새로운 후보의 식별을 간소화하여 합리적인 약물 발견을 지원합니다.
서론
약리단 모델링은 컴퓨터 지원 약물 설계의 기본 기술로, 생물학적 활성을 담당하는 필수 분자 특징을 식별할 수 있습니다 1,2. 약리단은 리간드와 생물학적 표적 사이의 분자 상호 작용에 필요한 수소 결합 공여체, 수용체, 방향족 고리 및 소수성 영역과 같은 특징의 공간적 배열을 정의합니다3. 실험적 결정학 또는 분자 모델링에서 여러 리간드-표적 복합체를 사용할 수 있는 경우 공유된 상호 작용 패턴을 합의 약리단 모델에 통합하여 모델 견고성을 높이고 가상 스크리닝 정확도를 향상시킬 수 있습니다 4,5.
합의 약단의 유용성에도 불구하고 특히 리간드가 구조적으로 다양한 경우 생성은 기술적으로 여전히 어렵습니다. 개별 리간드로부터 약리단을 생성하는 데 여러 소프트웨어 도구를 사용할 수 있지만 여러 기능 세트를 일관된 모델로 통합하기 위한 표준화된 절차가 부족합니다 6,7. 또한 스크리닝 및 시각화 도구와 호환되는 형식으로 기능 클러스터링, 필터링 및 내보내기를 지원하는 엔드 투 엔드 워크플로를 제공하는 플랫폼은 거의 없습니다8. 이러한 한계로 인해 대규모 신약 발견 노력에서 합의 약단의 광범위한 채택이 제한되었습니다.
이러한 격차를 해소하기 위해 ConPhar는 사전 정렬된 광범위한 리간드-표적 복합체 세트에서 약리학적 특징의 체계적인 추출, 클러스터링 및 합의 모델링을 위해 특별히 설계된 새로운 오픈 소스 도구로 개발되었습니다. 기존 소프트웨어와 달리 ConPhar는 유연한 매개변수 조정, 자동화된 기능 통합 및 여러 출력 형식과의 호환성을 제공하여 가상 스크리닝 파이프라인에 적합한 강력한 합의 모델 생성을 용이하게 합니다. 따라서 이 도구는 크고 화학적으로 다양한 리간드 라이브러리를 처리할 때 발생하는 이전의 병목 현상을 극복하여 약리단 모델링 워크플로의 재현성과 확장성을 향상시킵니다.
이 접근법을 입증하기 위해 우리는 리간드-표적 복합체의 모음에서 합의 약리단 모델을 구성하기 위한 재현 가능한 프로토콜을 제시합니다. 이 워크플로는 약리단 특징 추출, 클러스터링, 시각화 및 다운스트림 애플리케이션을 위한 오픈 소스 도구를 통합합니다. 사례 연구로 광범위한 구조 데이터를 가진 중요한 치료 표적인 SARS-CoV-2 주요 프로테아제(Mpro)에 프로토콜을 적용했습니다9. 우리는 아포 형태와 중복 복합체를 제외하고 Mpro와 공결정화된 100개의 비공유 리간드(2025년 5월 27일 기준 PDB 항목)의 데이터 세트를 선별했습니다. 개별 약리학적 특징을 추출하고 특징 클러스터링을 위해 특별히 설계된 도구인 ConPhar를 사용하여 합의 모델로 병합했습니다10. 이 사례는 보존된 상호 작용 패턴을 밝히고 초대형 라이브러리의 합리적인 스크리닝을 지원하는 프로토콜의 능력을 보여줍니다.
프로토콜
1. 방법 1
- 합의 약리단 생성을 위한 리간드 준비
- PyMOL 소프트웨어11을 사용하여 모든 단백질-리간드 복합체를 정렬합니다.
- 정렬된 각 리간드 포머를 추출하고 SDF 형식의 개별 파일로 저장합니다.
참고: MOL, MOL2 및 PDB와 같은 다른 형식도 여기에 설명된 프로토콜에 사용할 수 있습니다.
- Pharmit12를 사용하여 약리단 JSON 파일 생성
- Load Features 옵션을 사용하여 각 리간드 파일을 Pharmit에 개별적으로 업로드합니다(Pharmit에 대한 링크는 재료 표 참조).
- 세션 저장 옵션을 사용하여 해당 약리단 JSON 파일을 다운로드합니다.
- ConPhar에서 사용할 JSON 파일 구성
- 다운로드한 모든 JSON 파일을 단일 폴더에 저장합니다. 이러한 파일은 다음 방법에서 Google Colab 환경에 업로드됩니다.
2. 방법 2
- Google Colab 환경 설정하기
- 새 Google Colab 노트북 실행: 웹 브라우저에서 Google Colab을 열고 새 노트북을 만든 다음 런타임 → 런타임 → 2025.07 런타임 버전 변경을 선택하여 이전 버전을 사용하도록 설정을 조정합니다.
- Conda 및 PyMOL을 설치합니다. Google Colab에 Conda 및 PyMOL을 설치하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
# CondaColab 설치 : Google Colab에서 Conda 환경 지원 활성화
IPython.utils에서 io를 가져옵니다.
tqdm.notebook 가져오기
OS 가져오기
합계 = 100
tqdm.notebook.tqdm(total=total)을 pbar로 사용합니다.
캡처된 io.capture_output()를 사용합니다.
# CondaColab 설치
!pip 설치 -q condacolab
condacolab 가져오기
condacolab.install()
pbar.update(10)
# 설치된 패키지를 찾기 위해 Python 경로를 업데이트합니다.
sys 가져오기
sys.path.append('/usr/local/lib/python3.7/site-packages/')
pbar.update(20)
# Schrodinger 채널에서 mamba를 사용하여 PyMOL 번들 설치
%shell mamba install -c 슈뢰딩거 pymol-bundle --예
pbar.update(90) - 성공적인 실행 확인: 재생 아이콘을 클릭하거나 Shift + Enter를 눌러 셀을 실행합니다. 성공적으로 실행되면 셀 위에 녹색 가로 막대가 나타납니다( 그림 1 참조).
- ConPhar Python 패키지 설치 및 필수 모듈 가져오기
- ConPhar를 설치하고 가져옵니다. ConPhar 패키지를 설치하고 Google Colab에서 필요한 모듈을 가져오는 데 필요한 코드는 참조용으로 기울임꼴로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
# ConPhar 약리단체 분석 패키지 설치
Pymol 가져오기
!pip 설치 conphar
콘파르에서. 약국은 parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json compute_concensus_pharmacophore 수입합니다.
OS 가져오기
pandas를 pd로 가져오기
참고: conphar의 import 문. 약리단은 명확성을 위해 여러 줄로 나뉘지만 단일 연속 줄로 입력해야 합니다. ConPhar 도구(https://github.com/AngelRuizMoreno/ConcensusPharmacophore)는 활발히 개발 중입니다. 현재 프로토콜은 설명된 절차에 대해 검증된 안정적인 릴리스(0.1.2)를 사용합니다. 사용자는 재현성을 보장하기 위해 이 버전을 사용하는 것이 좋습니다. - 성공적인 설치 확인: 재생 아이콘을 클릭하거나 Shift + Enter를 눌러 셀을 실행합니다. ConPhar 도구를 성공적으로 설치하고 가져오면 확인 메시지가 나타납니다( 그림 2 참조).
- ConPhar를 설치하고 가져옵니다. ConPhar 패키지를 설치하고 Google Colab에서 필요한 모듈을 가져오는 데 필요한 코드는 참조용으로 기울임꼴로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
- JSON 파일에서 개별 Pharmacophore 모델 로드
- 약리단 JSON 파일용 폴더를 만듭니다. Google Colab에 약리단 입력 파일을 저장하기 위한 폴더를 만드는 데 필요한 코드는 참조용으로 기울임꼴로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
# 입력 JSON 파일을 저장할 폴더 만들기
os.makedirs("JSON_FOLDER", exist_ok=True)
참고: 이 명령은 폴더가 아직 없는 경우 자동으로 만듭니다. - 폴더에 JSON 파일 업로드: Colab의 왼쪽 패널에서 폴더 아이콘을 클릭하고 새로 생성된 폴더를 연 다음 마우스 오른쪽 버튼을 클릭하여 업로드를 선택합니다. 필요한 JSON 파일을 추가합니다( 그림 3 참조).
참고: 파일이 Pharmit에서 생성된 예상 형식을 따르는지 확인하십시오.
- 약리단 JSON 파일용 폴더를 만듭니다. Google Colab에 약리단 입력 파일을 저장하기 위한 폴더를 만드는 데 필요한 코드는 참조용으로 기울임꼴로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
- 약리학 기능 구문 분석 및 통합
- 업로드된 파일에서 약리학적 특징을 추출합니다. 업로드된 JSON 파일을 구문 분석하고, 약리학적 특징을 추출하고, Google Colab의 단일 DataFrame에 저장하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며, 전체 실행 스크립트는 지원 파일 1에서도 확인할 수 있습니다.
p4_table=pd입니다. 데이터프레임()
os.listdir('/content/JSON_FOLDER')의 파일:
파일에 '.json'인 경우:
노력하다:
p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}")
p4['리간드']=file.replace('.json','')
p4_table=pd.concat([p4_table,p4],ignore_index=참)
예외 제외:
합격
p4_table - 재생 아이콘을 클릭하거나 Shift + Enter 를 눌러 셀을 실행하여 통합된 DataFrame을 생성합니다( 그림 4 참조). 그 결과 통합된 DataFrame은 개별 리간드에서 추출된 모든 약리적 특징을 통합 테이블로 컴파일하여 다운스트림 클러스터링 및 통계 분석을 용이하게 합니다.
참고: 스크립트에는 워크플로 중단을 방지하기 위해 처리 중에 잘못된 형식의 JSON 파일을 우회하는 기본 예외 처리가 포함되어 있습니다. 파일 수가 많기 때문에 각 파일을 미리 확인하는 것은 실용적이지 않습니다. 대신 로드에 실패한 파일의 이름을 인쇄하도록 스크립트를 수정할 수 있으므로 사용자가 개별적으로 검사하고 수정할 수 있습니다.
- 업로드된 파일에서 약리학적 특징을 추출합니다. 업로드된 JSON 파일을 구문 분석하고, 약리학적 특징을 추출하고, Google Colab의 단일 DataFrame에 저장하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며, 전체 실행 스크립트는 지원 파일 1에서도 확인할 수 있습니다.
- 합의 Pharmacophore 생성 및 저장
- 모든 약리 설명자를 표시합니다. Google Colab의 입력 파일에서 추출된 약리 설명자를 시각화하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
show_pharmacophoric_descriptors(p4_table) - 재생 아이콘을 클릭하거나 Shift + Enter 를 눌러 셀을 실행하여 약전 특징의 클러스터링을 시각화합니다( 그림 5 참조). 특징 클러스터형 출력은 공간적 위치를 기반으로 여러 리간드에 걸쳐 유사한 약리 특징을 그룹화하여 보존된 상호 작용 패턴을 식별할 수 있습니다.
- 약리단 모델을 PyMOL 형식으로 저장합니다. Google Colab에서 PyMOL 호환 형식으로 합의 약리단 모델을 생성하고 저장하는 데 필요한 코드는 참조용으로 기울임꼴로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse') - 셀을 실행하여 해당 .pse 파일을 생성합니다( 그림 6 참조).
- 약리단 모델을 JSON 형식으로 저장합니다. Google Colab에서 Pharmit 호환 형식으로 합의 약리단 모델을 생성하고 저장하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
save_pharmacophore_to_json(p4_table,out_file=
'ConPhar_pharmit.json') - 셀을 실행하여 해당 .json 파일을 생성합니다( 그림 6 참조).
- 특징 클러스터형 출력 및 덴드로그램을 생성합니다. Google Colab에서 PyMOL 및 Pharmit 호환 형식과 덴드로그램 시각화를 포함하여 기능 유형별로 그룹화된 합의 약리단 파일을 생성하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
concensus,링크=compute_concensus_pharmacophore
(p4_table,save_data_per_descriptor=참,out_folder='/콘텐츠') - 재생 아이콘을 클릭하거나 Shift + Enter 를 눌러 셀을 실행한다( 그림 7 참조). 결과는 클러스터링된 약리학 기능 간의 계층적 관계를 트리 형태로 나타내는 덴드로그램 시각화를 표시하여 사용자가 클러스터 간의 유사성 및 공간적 근접성을 해석하는 데 도움이 됩니다.
알림: 이 단계에서는 여러 출력 파일과 그림을 지정된 폴더에 저장합니다. - 합의 약리단 결과를 CSV 파일로 내보냅니다. Google Colab에서 최종 합의 약리단 테이블을 CSV 형식으로 저장하는 데 필요한 코드는 참조용으로 기울임꼴로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
concensus.to_csv('consensus_result.csv', 인덱스=거짓) - 재생 아이콘을 클릭하거나 Shift + Enter 를 눌러 셀을 실행하여 추가 분석을 위해 합의 약리단 데이터를 consensus_result.csv라는 CSV 파일로 내보냅니다( 그림 8 참조).
참고: CSV 파일은 스프레드시트 소프트웨어의 통계 분석 또는 시각화와 같은 다운스트림 애플리케이션을 용이하게 합니다.
- 모든 약리 설명자를 표시합니다. Google Colab의 입력 파일에서 추출된 약리 설명자를 시각화하는 데 필요한 코드는 참조용으로 기울임꼴 형식으로 제공되며 전체 실행 스크립트는 지원 파일 1에서도 사용할 수 있습니다.
- 가상 스크리닝을 위해 합의 Pharmacophore 사용
- 합의 약리단을 JSON 형식으로 내보냅니다. 파일에 모든 피처에 대한 공간 좌표가 포함되어 있는지 확인합니다. 이 형식은 Pharmit12와 같은 웹 기반 심사 도구와 직접 호환됩니다. 가상 스크리닝을 수행하려면 기능 로드 옵션을 통해 약전단의 JSON 파일을 Pharmit 서버에 업로드합니다. 서버를 사용하면 기능을 수정, 추가 또는 제거하여 모델을 개선할 수 있을 뿐만 아니라 PubChem13또는 ZINC14와 같은 대규모 화합물 라이브러리에 대한 스크리닝도 가능합니다.
참고: 이 연구에 설명된 분석을 재현하는 데 필요한 모든 스크립트는 지원 파일 1에 제공되며 https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing 를 통해 대화형으로 액세스할 수도 있습니다. 독자는 원래 스크립트를 변경하지 않고 분석을 실행하고 수정할 수 있도록 Colab 노트북의 개인 복사본을 만드는 것이 좋습니다.
- 합의 약리단을 JSON 형식으로 내보냅니다. 파일에 모든 피처에 대한 공간 좌표가 포함되어 있는지 확인합니다. 이 형식은 Pharmit12와 같은 웹 기반 심사 도구와 직접 호환됩니다. 가상 스크리닝을 수행하려면 기능 로드 옵션을 통해 약전단의 JSON 파일을 Pharmit 서버에 업로드합니다. 서버를 사용하면 기능을 수정, 추가 또는 제거하여 모델을 개선할 수 있을 뿐만 아니라 PubChem13또는 ZINC14와 같은 대규모 화합물 라이브러리에 대한 스크리닝도 가능합니다.
그림 1: CondaColab을 설치하여 Google Colab 환경을 설정하는 데 사용된 첫 번째 코드 블록의 스크린샷입니다. 실행 중에 셀 위에 파란색 가로 진행률 표시줄이 나타나고 성공적으로 완료되면 녹색으로 바뀝니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: Google Colab에 ConPhar 패키지를 설치하는 데 사용된 두 번째 코드 블록의 스크린샷입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 약리단 JSON 파일이 Google Colab의 지정된 폴더에 성공적으로 업로드된 것을 보여주는 스크린샷입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: JSON 파일에서 약리학적 특징을 추출하고 이를 단일 DataFrame으로 통합하는 데 사용되는 코드를 보여주는 스크린샷입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 합의 약리단 모델을 구성하는 동안 생성된 약리학적 특징의 클러스터링을 시각화합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: PyMOL 및 Pharmit 호환 형식의 합의 약리단 파일을 성공적으로 생성한 것을 보여주는 스크린샷. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: PyMOL, Pharmit 및 덴드로그램 시각화에 대한 출력을 포함하여 기능 유형별로 클러스터링된 합의 약리단 파일 생성을 보여주는 스크린샷입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 합의 약리단 데이터를 consensus_result.csv 파일로 성공적으로 내보내는 것을 보여주는 스크린샷. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
결과
그림 9A에 예시된 바와 같이 상이한 비공유 억제제와 공결정화된 100개의 Mpro 복합체가 정렬되었습니다. 그런 다음 각 리간드를 개별 파일(그림 9B)으로 추출한 후 Pharmit 서버에 업로드했습니다. 해당 JSON 파일을 생성하기 위해 세션이 저장되었습니다(그림 9C 참조).
그림 9: 합의 약리단 모델링을 위한 리간드 준비. (A) 비공유 억제제와 공결정화된 3개의 대표적인 Mpro 복합체의 구조적 정렬. (B) 본 연구에 포함된 100개의 리간드의 중첩. (C) "기능 로드" 옵션을 사용하여 각 리간드를 Pharmit 서버에 업로드한 다음 "세션 저장" 옵션을 통해 JSON 파일을 생성합니다. 두 옵션 모두 빨간색 화살표로 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
JSON 파일의 전체 세트는 110개의 클러스터로 그룹화된 1450개의 약리학 특징으로 구성된 합의 약리단 모델을 생성하는 데 사용되었습니다: 23개의 방향족(Aro), 30개의 수소 결합 수용체(HBA), 16개의 수소 결합 공여체(HBD), 36개의 소수성(Hyd) 및 5개의 음전하를 띤 (음이온) 클러스터(그림 10A, 보충 표 1). 우리는 합의 모델에 통합하기 위해 각 기능에 대해 더 큰 클러스터를 식별했습니다. Aro 클러스터 중에서 20개 이상의 원소를 가진 클러스터를 선택했습니다. HBA, HBD 및 Hyd 그룹에서 최소 50개의 요소가 있는 클러스터를 유지했습니다. 음이온 클러스터 중 어느 것도 4개 이상의 구성원을 가지고 있지 않았으므로 합의 모델에서 제외되었습니다(그림 10B). 이러한 수치 임계값(Aro의 경우 >20 멤버, HBA, HBD 및 Hyd의 경우 ≥50)는 가장 보존되고 밀도가 높은 상호 작용 패턴의 우선 순위를 지정하기 위해 클러스터 크기의 분포를 기반으로 경험적으로 정의되었습니다.
그림 10: 100 개의 Mpro-리간드 복합체의 약리학적 특징 클러스터링.(A) 1450가지 약리학적 특징의 분포: 보라색의 방향족(Aro), 주황색의 수소결합 수용체(HBA), 흰색의 수소결합 공여체(HBD), 녹색의 소수성(Hyd), 빨간색의 음전하(음이온). (B) ≥10 멤버를 포함하는 클러스터는 Aro, HBA, HBD 및 Hyd에 대해 표시됩니다. 모든 음이온 클러스터가 표시됩니다. 가장 큰 클러스터(Aro의 경우 ≥20개의 멤버, HBA, HBD 및 Hyd의 경우 ≥50개의 멤버, 음이온의 경우 ≥4개의 멤버가 있는 클러스터로 정의됨)은 점선 구로 강조 표시됩니다. 각각의 가장 큰 클러스터의 멤버 수가 명시적으로 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
따라서, 우리의 합의 약리단 모델에는 11개의 특징이 포함되었다: 3개의 방향족(Aro) 특징, Aro 1, 2 및 3, 각각 20, 24 및 45개의 구성원이 있는 클러스터에서 파생됨; 각각 51, 55, 77 및 81 멤버를 갖는 클러스터에서 4개의 수소 결합 수용체(HBA), HBA 1, 2, 3 및 4; 각각 51개 및 71개의 구성원이 있는 클러스터에서 2개의 수소 결합 공여체(HBD); 각각 50개 및 52개의 멤버가 있는 클러스터에서 2개의 소수성(Hyd) 특징이 있습니다( 그림 11A 참조).
약리단 모델을 사용하여 이전에 보고된 전략10을 사용하여 PubChem 데이터베이스를 검색했지만 일치하는 항목이 발견되지 않았습니다. 검색 유연성을 높이기 위해 가장 작고 가장 대표성이 낮은 클러스터에서 파생된 방향족 특징 Aro 1이 제거되었습니다. 이 조정으로 인해 PubChem CID와 화합물의 101267741 및 10285538 형성된 화합물을 포함하여 두 가지 히트를 식별했습니다( 그림 11B 참조). 화합물 101267741의 2D 화학 구조는 그림 11C에 나와 있습니다. 흥미롭게도 이 확인된 화합물은 Mpro 결합 포켓에 잘 맞습니다. 공결정화된 리간드 38a15(PDB ID: 9HAJ)와의 비교 분석은 101267741의 약리단 일치 입상체가 Mpro의 S1 및 S2 서브포켓 내에 38a보다 훨씬 더 깊숙이 묻혀 있음을 보여줍니다. 그러나 38a는 주로 S1' 포켓을 향해 확장되는 에틸 카르복스아미드 측쇄로 인해 포켓의 더 넓은 영역을 차지합니다. 그럼에도 불구하고 38a의 주요 분자 간 상호 작용은 이 측쇄가 아닌 다른 부분을 포함합니다. 대조적으로, 화합물 101267741은 7개의 수소 결합과 4개의 소수성 접촉을 포함하여 11개의 분자간 상호 작용을 형성합니다. 38a에 의해 형성된 3개의 수소 결합 및 2개의 소수성 상호 작용과 비교하여 화합물 101의 결합 모드가 더 강하게 나타납니다(그림 11D).
그림 11: PubChem 데이터베이스의 약리단 검색. (A) 완전한 합의 약리단 모델에는 11개의 특징이 포함되어 있습니다: 3개의 방향족(보라색), 4개의 수소 결합 수용체(주황색), 2개의 수소 결합 공여체(흰색) 및 2개의 소수성(녹색). (B) 화합물 PubChem의 입질체101267741 Aro 1 특징을 제거한 후 환원된 약리단과 일치하고, (C) 확인된 화합물의 2차원 화학 구조. (D) 화합물 38a(자홍색, PDB ID: 9HAJ에서) 및 화합물 PubChem CID 101267741(녹색)의 SARS-CoV-2 Mpro 촉매 포켓에 대한 결합 모드의 비교 분석. 각 화합물에 대한 해당 분자 간 상호 작용이 오른쪽에 나와 있습니다. 수소 결합과 소수성 상호 작용은 각각 파란색과 회색의 점선으로 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
지원 파일 1: Pharmacophore 워크플로 스크립트. 이 파일을 다운로드하려면 여기를 클릭하십시오.
지원 표 1: 약리학적 특징의 클러스터링 요약. 클러스터 수, 클러스터당 멤버, 중심 좌표 및 클러스터 반경 이 파일을 다운로드하려면 여기를 클릭하십시오.
토론
약리단 모델링은 합리적인 약물 발견을 돕습니다16. 여기에 자세히 설명된 프로토콜은 수십 개의 비공유 억제제에서 시작하여 SARS-CoV-2 주요 프로테아제(Mpro)에 대한 합의 약리단을 생성하는 데 사용되었지만, 알려진 리간드 결합 형태를 갖는 모든 생물학적 표적, 특히 광범위한 리간드 데이터 세트가 있는 표적에 적용될 수 있습니다. 개별 약리단 또는 순수 리간드 기반 모델과 비교할 때 이 합의 접근 방식은 여러 리간드 형태를 통합하여 견고성을 향상시키고 편향을 줄입니다. 이 프로토콜에 의해 생성된 합의 약리단 모델은 ChEMBL17및 ZINC14와 같은 공개 데이터베이스, 상용 컬렉션 및 독점 사내 화합물 라이브러리를 포함한 다양한 분자 라이브러리에 적용될 수 있습니다. 이러한 다양성을 통해 가상 스크리닝 캠페인에서 광범위하고 다양한 화학 공간을 탐색할 수 있으므로 새로운 생리 활성 화합물을 식별할 가능성이 높아집니다. 따라서 이 워크플로는 원하는 상호 작용 프로파일을 가진 새로운 생리 활성 화합물의 식별을 지원합니다.
이 프로토콜의 중요한 단계 중 하나는 리간드-표적 복합체의 정확한 준비 및 정렬입니다. 오정렬은 모델 예측력을 약화시킬 수 있으므로 생리 활성 형태에서 리간드의 정확한 사전 정렬은 의미 있고 신뢰할 수 있는 특징 통합을 보장하는 데 필수적입니다10. 최적의 정렬을 달성하려면 보존된 단백질 결합 부위 잔기 또는 백본 원자를 사용하여 구조적 중첩을 수행하는 것이 좋습니다. 다양한 리간드가 있는 데이터 세트의 경우 주요 상호 작용 지점 또는 약리 기능을 정렬하면 세트 전체의 일관성이 향상됩니다. 또한 모델 정확도를 감소시킬 수 있는 아티팩트를 방지하기 위해 이상치 리간드 형태를 신중하게 수동으로 검사하고 수정하는 것이 좋습니다. 또한 ConPhar의 오픈 소스 특성은 다른 계산 워크플로로의 통합과 클러스터링 매개변수의 고급 조정을 용이하게 합니다. 숙련된 사용자는 모델 일반성과 특이성 사이의 균형을 맞추기 위해 약리학 특징의 클러스터링 매개변수를 수정할 수 있습니다. 이러한 수정은 리간드 데이터 세트 크기, 화학적 다양성 또는 표적 복잡성에 따라 지시될 수 있습니다. 예를 들어, 매우 다양한 리간드를 다룰 때, 단계적 클러스터링 또는 서브그룹 분석은 관련 특징을 더 잘 포착할 수 있다18.
ConPhar 도구는 현재 활발히 개발 중입니다. 이는 보완 소프트웨어 파이프라인과의 통합을 포함하여 특정 연구 요구 사항에 맞게 도구를 조정하려는 사용자에게 상당한 유연성을 제공합니다. 그러나 소프트웨어는 여전히 변경될 수 있으므로 사용자는 공식 업데이트를 모니터링하고 버전별 문서를 참조하는 것이 좋습니다. 발생한 문제를 보고하면 지속적인 개선과 광범위한 커뮤니티 검증에 기여할 것입니다. 우리의 프로토콜은 포괄적인 상호 작용 패턴을 가진 모델을 구축하므로 대규모 도서관의 가상 스크리닝에 사용할 수 있습니다. 우리의 대표적인 결과에서, 우리는 Mpro의 촉매 영역에 대한 두 가지 새로운 잠재적 리간드를 식별하는 데 얻은 약리단을 사용했습니다. 궁극적으로 이 합의 약리단 방법은 히트 식별을 간소화하고 리드 최적화를 가속화합니다.
그러나 우리는 프로토콜의 다음과 같은 한계를 식별합니다: i) 저해상도 데이터는 모델 정확도를 감소시킬 수 있기 때문에 고품질 리간드 결합 구조에 대한 의존성; ii) 합의된 약리단이 공유된 특징을 강조하기 때문에 특정 리간드에 중요한 고유하고 중요한 상호 작용을 간과할 위험이 있습니다. iii) 재현성은 서로 다른 소프트웨어 도구에 걸쳐 서로 다른 기능 정의에 의해 영향을 받을 수 있습니다19. 그러나 이러한 한계는 분자 역학 시뮬레이션(20)에 의해 단백질-리간드 시스템의 구조를 개선하고, 사용자 지식에 기반한 클러스터 유지, 약리학적 특징 식별을 위한 소프트웨어의 일관된 사용에 의해 극복될 수 있다.
이 프로토콜의 합의 약리단 모델은 고전적인 이진 메트릭을 사용하여 검증되지 않았지만 예측 능력은 이전 연구10에서 입증되었습니다. 이 작업에서 78개의 화학적으로 다양한 리간드로 구성된 독립적인 테스트 세트를 사용하여 동일한 방법론으로 생성된 합의 약리단을 검증했습니다. 검증 세트에는 ≤0.5 타니모토 유사성, 200 내지 700 g/mol 사이의 분자량, ≤17 회전 가능한 결합 및 최소 3개의 약리학적 특징을 가진 리간드가 포함되었습니다. 이 모델은 알려진 활성 물질을 성공적으로 식별하여 가상 스크리닝 워크플로에서의 적용 가능성과 화학적으로 다양한 후보에 대한 견고성을 뒷받침했습니다.
여기에 보고된 프로토콜은 표적의 특징적인 포괄적인 상호 작용 패턴을 포착하는 약리단 모델을 구성할 수 있습니다. 이는 바이러스 프로테아제, 키나아제 및 핵 수용체와 같은 광범위한 리간드 데이터가 있는 표적에 특히 유용합니다21. 생성된 모델은 대규모 화합물 라이브러리의 가상 스크리닝에 적합하여 새로운 생리 활성 후보의 식별을 용이하게 합니다. 보존되고 기능적으로 관련된 특징을 강조함으로써 합의된 약리단 접근 방식은 초기 단계의 히트 발견과 후속 리드 최적화를 모두 지원합니다.
공개 사항
저자는 이해 상충이 없음을 선언합니다.
감사의 글
본 연구는 PAPIIT UNAM IV200121(M.A.V.), SECIHTI 프로젝트 Cátedras CONACYT 639(L.C.B. 및 M.A.V.), LANCAD-UNAM-DGTIC-386(L.C-B.) 및 UDIBI(Research and Development in Biotherapeutics Unit)에서 부분적으로 자금을 지원받았습니다.
저자는 이 원고를 개발하는 동안 귀중한 지원과 통찰력 있는 기여를 해준 Eduardo Orozco에게 감사를 표합니다.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 구글 코랩 | 구글 LLC | https://colab.google | Python 노트북을 실행하기 위한 웹 기반 플랫폼; 여기에서 합의 약리단 모델링을 위해 ConPhar 및 PyMOL 스크립트를 실행하는 데 사용됩니다. |
| 파르밋 | 피츠버그 대학의 Koes Lab | https://pharmit.csb.pitt.edu/search.html | 대화형 약리단 가상 스크리닝 및 화학 공간 탐사를 위한 웹 플랫폼으로 리간드 파일 업로드 및 약리단 특징 생성 가능 |
| 파이몰 | 슈&옴; 딩거, Inc. | https://www.pymol.org | 단백질에 사용되는 분자 시각화 및 구조적 정렬 소프트웨어– 리간드 복합체 중첩 및 분석 |
| 지원 파일 1 Pharmacophore 워크플로우 스크립트 | 구글 LLC | https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing | Conda, PyMOL을 설치하고 Google Colab에서 약리단 워크플로를 실행하기 위한 전체 실행 스크립트입니다. 지원 파일 1로도 제공됩니다. |
참고문헌
- Leach, A. R., Gillet, V. J., Lewis, R. A., Taylor, R. Three-dimensional pharmacophore methods in drug discovery. J Med Chem. 53 (2), 539-558 (2010).
- Giordano, D., Biancaniello, C., Argenio, M. A., Facchiano, A. Drug design by pharmacophore and virtual screening approach. Pharmaceuticals (Basel). 15 (5), 646(2022).
- Schaller, D., et al. Next generation 3D pharmacophore modeling. WIREs Comput Mol Sci. 10 (4), e1468(2020).
- Wolber, G., Langer, T. LigandScout: 3-D pharmacophores derived from protein-bound ligands and their use as virtual screening filters. J Chem Inf Model. 45 (1), 160-169 (2005).
- Ekins, S., Mestres, J., Testa, B. In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling. Br J Pharmacol. 152 (1), 9-20 (2007).
- Wolber, G., Dornhofer, A. A., Langer, T. Efficient overlay of small organic molecules using 3D pharmacophores. J Comput Aided Mol. 20 (12), 773-788 (2006).
- Schuster, D. 3D pharmacophores as tools for activity profiling. Drug Discov Today Technol. 7 (4), e205-e211 (2010).
- Qing, X., et al. Pharmacophore modeling: advances, limitations, and current utility in drug discovery. J Recept Ligand Channel Res. 7, 81-92 (2014).
- Ullrich, S., Nitsche, C. The SARS-CoV-2 main protease as drug target. Bioorg Med Chem Lett. 30 (17), 127377(2020).
- Ruiz-Moreno, A. J., et al. Consensus pharmacophore strategy for identifying novel SARS-CoV-2 Mpro inhibitors from large chemical libraries. J Chem Inf Model. 64 (6), 1984-1995 (2024).
- Schrödinger, L., DeLano, W. PyMOL, 2020. , http://www.pymol.org/pymol (2020).
- Sunseri, J., Koes, D. R. Pharmit: Interactive exploration of chemical space. Nucleic Acids Res. 44 (W1), W442-W448 (2016).
- Kim, S., et al. PubChem 2025 update. Nucleic Acids Res. 53 (D1), D1516-D1525 (2025).
- Tingle, B. I., et al. ZINC-22: A free multi-billion-scale database of tangible compounds for ligand discovery. J Chem Inf Model. 63 (4), 1166-1176 (2023).
- Hazemann, J., et al. Accelerating the hit-to-lead optimization of a SARS-CoV-2 Mpro inhibitor series by combining high-throughput medicinal chemistry and computational simulations. J Med Chem. 68 (8), 8269-8294 (2025).
- Momin, Y., Beloshe, V. Pharmacophore modeling in drug design. Adv Pharmacol. 103, 313-324 (2025).
- Zdrazil, B., et al. The ChEMBL database in 2023: A drug discovery platform spanning multiple bioactivity data types and time periods. Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).
- Zhou, L., Griffith, R., Gaeta, B. Combining spatial and chemical information for clustering pharmacophores. BMC Bioinformatics. 15 (Suppl 16), S5(2014).
- Guner, O. History and evolution of the pharmacophore concept in computer-aided drug design. Curr Top Med Chem. 2 (12), 1321-1332 (2002).
- Wieder, M., Perricone, U., Seidel, T., Boresch, S., Langer, T. Comparing pharmacophore models derived from crystal structures and from molecular dynamics simulations. Monatsh Chem. 147 (3), 553-563 (2016).
- Santos, R., et al. A comprehensive map of molecular drug targets. Nat Rev Drug Discov. 16 (1), 19-34 (2017).
재인쇄 및 허가
이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청
허가 요청