Incorporating Target Protein Structure, Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis (앙상블 기반 도킹 분석을 사용한 컴퓨팅 약물 발견에 표적 단백질 구조, 유연성 및 역학 통합)
June 20th, 2025
컴퓨터 방법은 신약 개발을 촉진할 수 있는 가능성을 가지고 있지만 단백질 구조의 동적 특성을 간과하는 경우가 많습니다. 여기에서는 단백질 유연성을 간접적으로 통합하여 잠재적으로 약물 발견 노력의 정확성과 신뢰성을 향상시키는 앙상블 기반 도킹 분석에 대해 논의합니다.
우리의 연구는 보다 효과적인 약물을 설계하기 위해 계산 기술을 적용하는 데 중점을 두고 있으며, 약물 발견을 가속화하고 궁극적으로 치료 결과와 환자의 삶의 질을 향상시키는 것을 목표로 합니다.
현재의 컴퓨터 지원 약물 설계는 종종 표적 단백질 유연성을 간과합니다. 논의된 프로토콜은 분자 역학 시뮬레이션에서 파생된 여러 단백질 형태를 통합하여 이러한 격차를 해결합니다. 앙상블 기반 약물 설계는 단백질 유연성을 고려하여 정확도를 향상시킵니다. 우리는 미래에 더 빠르고 개인화되며 효과적인 신약 발견을 위해 인공 지능을 통합하는 것을 목표로 합니다.
[발표자] 시작하려면 컴퓨터 시스템에서 Avogadro 소프트웨어를 실행하십시오. 클러스터 분석의 경우 화면에 제공된 명령을 입력합니다. 메시지가 표시되면 단백질 그룹에 대해 1을 입력하여 최소 제곱 적합 및 제곱 평균 제곱근 편차 또는 RMSD를 계산합니다. 그런 다음 시스템 출력에 대해 1을 다시 입력합니다. cluster-size.xvg 파일을 엽니다. 클러스터 수가 적으면 RMSD 컷오프 값을 늘립니다. 또는 숫자가 높으면 컷오프를 줄입니다. 필요에 따라 다른 RMSD 컷오프 값을 사용하여 화면에 표시된 명령으로 유예 분석을 수행합니다. 이제 Chimera 소프트웨어를 열고 cluster.pdb를 검색합니다. 선물 및 간행물 1, 실루엣, 둥근 리본을 클릭합니다. 시각적 표현을 위해. 선택, 체인, ID 없음, cluster.pdb, #10을 순차적으로 클릭한 다음 선택한 모델을 선택하고 반전합니다. Actions(액션)로 이동한 다음 Atoms/Bonds(원자/본드)를 누르고 Delete(삭제)를 클릭하여 체인을 분리합니다. 이제 파일을 선택합니다. PDB 저장을 클릭합니다. 파일 이름을 cluster1.pdb로 지정하고 저장을 눌러 파일을 저장합니다. 앙상블 기반 도킹의 경우 Autodock 도구 소프트웨어를 실행하여 엽니다. cluster1.pdb 및 ligand.pdb 파일을 새 폴더에 배치합니다. 이제 파일, 기본 설정 및 설정을 클릭합니다. 팝업에서 폴더 주소를 시작 디렉토리 필드에 붙여넣고 설정을 클릭합니다. 파란색 폴더 아이콘을 클릭하고 cluster1.pdb를 선택한 다음 열기를 클릭합니다. 편집으로 이동한 다음 전하, 콜만 전하를 추가하고 확인을 클릭합니다. 그리드, 고분자, 선택을 클릭합니다. 고분자 선택 상자에서 클러스터 1을 선택한 다음 분자 선택을 누릅니다. 확인을 클릭하여 수정된 AutoDock4 고분자 파일을 생성합니다. cluster1.pdbqt로 저장합니다. 그런 다음 편집을 클릭하여 작업 공간을 비운 다음 Delete 키를 누르고 계속을 클릭하기 전에 모든 분자를 삭제한 다음 리간드, 입력, 열기를 누릅니다. Autodock4 폴더에 대한 리간드 파일이 나타나면 ligand.pdb를 선택하고 열기를 클릭한 다음 확인을 클릭합니다. 이제 리간드, 비틀림 트리 및 루트 감지를 선택하여 리간드의 비틀림 유연성을 정의합니다. 리간드, 출력, PDBQT로 저장으로 이동하고 Formatted Autotors Molecules 폴더를 ligand.pdbqt로 저장합니다. 작업 공간을 비운 후 Grid, Macromolecules 및 Open을 클릭하여 cluster1.pdbqt 파일을 연 다음 Yes 및 OK를 누릅니다. Grid로 다시 이동하고 Set Map Types를 누르고 Open Ligand를 선택합니다. ligand.pdbqt를 선택하고 엽니다. 이제 그리드 아래의 그리드 상자 옵션으로 이동합니다. 그리드 옵션 상자에서 X, Y 및 Z 치수의 점 수를 120으로 설정하고 간격을 0.375옹스트롬으로 설정합니다. 가운데 설정을 기본값으로 둡니다. 그런 다음 파일을 클릭하고 현재 저장 닫기. 그리드, 출력으로 이동하고 GPF 저장을 누르십시오. 그리드 매개변수 출력 파일이 나타나면 파일 이름으로 grid.gpf를 입력하고 저장을 클릭합니다. 그런 다음 실행 및 AutoGrid 실행을 클릭합니다. 매개 변수 파일 이름 탭에서 찾아보기를 클릭합니다. grid.gpf 파일을 엽니다. 이제 프로그램 경로 이름을 찾습니다. autogrid4.exe 검색하고 열기 및 실행을 클릭합니다. 순차적으로 도킹을 클릭한 다음 고분자 및 강성 파일 이름 설정을 클릭합니다. PDBQT 고분자 파일이 나타나면 cluster1.pdbqt를 선택하고 열기를 클릭합니다. 도킹 메뉴에서 리간드를 선택합니다. 리간드 선택 상자가 나타나면 리간드를 선택하고 리간드 선택을 클릭한 다음 수락을 누릅니다. 이제 도킹에서 유전 알고리즘으로 이동합니다. 유전 알고리즘 매개변수 상자가 나타나면 GA 실행을 100으로 설정하고 수락을 클릭합니다. 도킹, 출력, Lamarckian GA 4.2를 클릭합니다. Autodock4.2 GALS 도킹 매개변수 출력 파일이 나타나면 이름을 docking.dpf로 지정하고 저장을 클릭합니다. 이제 실행을 누르고 Autodoc을 실행합니다. Autodoc 실행 상자가 나타납니다. 매개변수 파일 이름에서 찾아보기를 클릭합니다. autodock4 매개변수 파일이 나타나면 docking.dpf를 선택하고 열기를 클릭합니다. 프로그램 경로 이름에서 찾아보기를 클릭합니다. autodock4 파일이 나타납니다. autodock4.exe 검색하고 열기를 클릭한 다음 시작을 클릭합니다. 앞에서 설명한 대로 모든 분자를 삭제하고 모든 클러스터 파일에 대해 프로세스를 반복합니다. 분자 역학 시뮬레이션 전 초기 상태에서 플라보카와인 B와 리소자임의 화학 구조 및 3D 구조 표현을 얻었습니다. 단백질 구조의 총 에너지는 시뮬레이션 중에 안정적이었고 20나노초 후에 평균 제곱근 편차가 안정화되었습니다. 제곱 평균 제곱근 변동은 잔기 40에서 50, 60에서 80, 100 사이의 영역에서 끝까지 높은 유연성을 나타냈습니다. 10,001개의 궤적 프레임에 대한 평균 제곱근 편차 기반 클러스터링에서 총 15개의 구조적 클러스터를 얻었으며 가장 큰 클러스터에는 5,818개의 구성원이 포함되었습니다. 모든 클러스터의 중첩된 형태는 궤적 간에 눈에 띄는 구조적 변화를 보여주었습니다. 플라보카와인 B와 상위 4개 클러스터의 대표 구조의 분자 도킹은 모든 형태에 걸쳐 동일한 부위에서 일관된 결합을 보였으며, 클러스터 2는 -29.37kJ/mol의 가장 낮은 결합 에너지를 보였습니다. 정전기 표면 매핑은 동일한 포켓 영역에 중첩된 플라보카와인 B와 함께 모든 클러스터 형태에서 동일한 결합 부위를 확인했습니다. 상세한 상호작용 분석은 플라보카와인 B 결합이 알라닌 31, 글루타민 35, 류신 56, 감마-카르복시글루탐산 57, 이소류신 58, 알라닌 95, 이소류신 98, 트립토판 108, 발린 109, 알라닌 110, 트립토판 111 및 아르기닌 114를 포함한 여러 주변 잔기에 의해 안정화되는 것으로 나타났습니다.
View the full transcript and gain access to thousands of scientific videos
개요
이 연구는 계산 기법을 통해 약물 발견을 발전시키는 데 중점을 두고 있으며, 특히 앙상블 기반 도킹 분석을 사용하여 단백질의 유연성을 통합합니다. 이 접근 방식은 약물 설계의 정확성과 효과를 향상시키는 데 잠재력을 보여주며, 이는 치료 결과 개선에 매우 중요합니다.
주요 연구 구성 요소
연구 영역
- 계산 약물 발견
- 약물 설계에서의 단백질 유연성
- 인공 지능 통합
배경
- 현재 약물 설계 방법의 도전 과제는 종종 단백질의 동적 구조를 간과합니다.
- 단백질 유연성을 이해하는 것은 정확한 약물 결합 예측에 매우 중요합니다.
- 분자 동력학 시뮬레이션의 발전은 단백질 구조의 더 나은 모델링으로 이어지고 있습니다.
사용된 방법
- 앙상블 기반 도킹 분석
- Autodock 및 Chimera와 같은 소프트웨어를 사용한 단백질 동역학 시뮬레이션
- 클러스터 분석 및 제곱평균근사 편차(RMSD) 계산
주요 결과
- 결합 친화도에 영향을 미치는 여러 안정한 단백질 구조를 식별했습니다.
- Flavokawain B는 다양한 단백질 구조에서 일관된 결합을 보여주었습니다.
- 특정 단백질 구조에서 관찰된 최저 결합 에너지는 동적 유연성이 약물 상호작용에 영향을 미친다는 가설을 지지합니다.
결론
- 이 연구는 약물 설계에 단백질 유연성을 통합하는 중요성을 입증합니다.
- 이 결과는 약물 발견 과정을 향상시키는 데 중요할 뿐만 아니라 미래의 개인화 의학 접근 방식에도 관련이 있습니다.
자주 묻는 질문
Executive Industry Relevance
Incorporating target protein flexibility and dynamics into computational drug discovery addresses a critical gap in predictive accuracy for ligand binding. Ensemble-based docking analysis enables more reliable identification of promising compounds by capturing a broader range of biologically relevant conformations. This approach enhances decision-making at key inflection points in the discovery pipeline, supporting risk-adjusted portfolio advancement.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of therapeutic hypotheses by modeling dynamic protein-ligand interactions.
- Improves biological de-risking through functional validation of target conformational states.
- Supports predictive confidence in target engagement and compound prioritization.
Screening & Assay Development
- Facilitates preparation of validated protein conformations for downstream virtual screening workflows.
- Enhances assay reproducibility by accounting for structural variability in docking simulations.
- Enables quantitative comparison of ligand binding across multiple protein states.
Translational & Preclinical Research
- Aligns computational predictions with disease-relevant protein dynamics when supported by structural data.
- Provides continuity from in silico discovery to preclinical validation by modeling physiologically relevant conformations.
- Reduces mechanistic ambiguity in compound selection for further development.
Pipeline & Workflow Integration
Ensemble-based docking integrates into the discovery continuum from early target validation through lead identification and preclinical assessment.
- Discovery Biology: Supports hypothesis testing by modeling the impact of protein flexibility on ligand binding.
- Screening: Delivers reproducible, quantitative docking outputs across diverse conformational ensembles.
- Analytics: Provides binding energy measurements and structural clustering to compare compound performance.
- Translational Research: Bridges computational predictions with experimental validation of dynamic binding sites.
- Enterprise Reuse: Establishes a scalable, reusable workflow for diverse protein targets in portfolio pipelines.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic uncertainty in target validation.
- Operational Value: Standardizes computational workflows and improves reproducibility across R&D teams.
- Strategic Value: Enables more informed go/no-go decisions and optimizes resource allocation.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidate compounds.
Implementation Considerations
- Requires expertise in molecular dynamics, docking software, and structural bioinformatics.
- Demands computational infrastructure for simulation, clustering, and docking analyses.
- Necessitates cross-team standardization of input parameters and output interpretation.
- May require adaptation of protocols for different protein targets or ligand classes.
- Dependent on quality and diversity of available protein structural data.
