Name: 광범위한 리간드 라이브러리가 있는 표적에 대한 약리단 모델링: SARS-CoV-2 Mpro에 대한 사례 연구 (동영상) | JoVE Journal
Uploaded: 2025-09-26T14:30:00.000+00:00
Duration: 5 min 50 s
Description: 학습하세요 SARS-CoV-2 Mpro를 대상으로 한 합의 약리단 모델링 프로토콜을 통해 가상 스크리닝과 합리적 약물 설계를 위한 핵심 상호작용 특징을 식별하는 방법을. 이 계산적 접근법은 다양한 리간드 라이브러리를 통합하여 약물 후보 발굴의 정확성을 향상시킵니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. 방법 1
<ol>
	<li>합의 약리단 생성을 위한 리간드 준비<ol>
		<li>PyMOL 소프트웨어11을 사용하여 모든 단백질-리간드 복합체를 정렬합니다.</li>
		<li>정렬된 각 리간드 포머를 추출하고 SDF 형식의 개별 파일로 저장합니다. 참고: MOL, MOL2 및 PDB와 같은 다른 형식도 여기에 설명된 프로토콜에 사용할 수 있습니다.</li>
	</ol>
	</li>
	<li>Pharmit12를 사용하여 약리단 JSON 파일 생성
	<ol>
		<li>Load Features 옵션을 사용하여 각 리간드 파일을 Pharmit에 개별적으로 업로드합니다(Pharmit에 대한 링크는 재료 표 참조).</li>
		<li>세션 저장 옵션을 사용하여 해당 약리단 JSON 파일을 다운로드합니다.</li>
	</ol>
	</li>
	<li>ConPhar에서 사용할 JSON 파일 구성<ol>
		<li>다운로드한 모든 JSON 파일을 단일 폴더에 저장합니다. 이러한 파일은 다음 방법에서 Google Colab 환경에 업로드됩니다.</li>
	</ol>
	</li>
</ol>
2. 방법 2
<ol>
	<li>Google Colab 환경 설정하기<ol>
		<li>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.</li>
		<li>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)</li>
		<li>성공적인 실행 확인: 재생 아이콘을 클릭하거나 Shift + Enter를 눌러 셀을 실행합니다. 성공적으로 실행되면 셀 위에 녹색 가로 막대가 나타납니다( 그림 1 참조).</li>
	</ol>
	</li>
	<li>ConPhar Python 패키지 설치 및 필수 모듈 가져오기<ol>
		<li>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.</li>
		<li>성공적인 설치 확인: 재생 아이콘을 클릭하거나 Shift + Enter를 눌러 셀을 실행합니다. ConPhar 도구를 성공적으로 설치하고 가져오면 확인 메시지가 나타납니다( 그림 2 참조).</li>
	</ol>
	</li>
	<li>JSON 파일에서 개별 Pharmacophore 모델 로드<ol>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>약리학 기능 구문 분석 및 통합<ol>
		<li>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</li>
		<li>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.</li>
	</ol>
	</li>
	<li>합의 Pharmacophore 생성 및 저장<ol>
		<li>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)</li>
		<li>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.</li>
		<li>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')</li>
		<li>셀을 실행하여 해당 .pse 파일을 생성합니다( 그림 6 참조).</li>
		<li>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')</li>
		<li>셀을 실행하여 해당 .json 파일을 생성합니다( 그림 6 참조).</li>
		<li>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')</li>
		<li>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.</li>
		<li>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)</li>
		<li>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.</li>
	</ol>
	</li>
	<li>가상 스크리닝을 위해 합의 Pharmacophore 사용<ol>
		<li>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.</li>
	</ol>
	</li>
</ol>
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68933/68933fig1.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig1large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68933/68933fig2.jpg"> 
그림 2: Google Colab에 ConPhar 패키지를 설치하는 데 사용된 두 번째 코드 블록의 스크린샷입니다. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig2large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68933/68933fig3.jpg"> 
그림 3: 약리단 JSON 파일이 Google Colab의 지정된 폴더에 성공적으로 업로드된 것을 보여주는 스크린샷입니다. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig3large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68933/68933fig4.jpg"> 
그림 4: JSON 파일에서 약리학적 특징을 추출하고 이를 단일 DataFrame으로 통합하는 데 사용되는 코드를 보여주는 스크린샷입니다. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig4large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68933/68933fig5.jpg"> 
그림 5: 합의 약리단 모델을 구성하는 동안 생성된 약리학적 특징의 클러스터링을 시각화합니다. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig5large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68933/68933fig6.jpg"> 
그림 6: PyMOL 및 Pharmit 호환 형식의 합의 약리단 파일을 성공적으로 생성한 것을 보여주는 스크린샷. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig6large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68933/68933fig7.jpg"> 
그림 7: PyMOL, Pharmit 및 덴드로그램 시각화에 대한 출력을 포함하여 기능 유형별로 클러스터링된 합의 약리단 파일 생성을 보여주는 스크린샷입니다. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig7large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68933/68933fig8.jpg"> 
그림 8: 합의 약리단 데이터를 consensus_result.csv 파일로 성공적으로 내보내는 것을 보여주는 스크린샷. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig8large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>

<ol><li>Leach, A. R., Gillet, V. J., Lewis, R. A., Taylor, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Three-dimensional+pharmacophore+methods+in+drug+discovery%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Three-dimensional pharmacophore methods in drug discovery.</a> J Med Chem. 53 (2), 539-558 (2010).</li>
<li>Giordano, D., Biancaniello, C., Argenio, M. A., Facchiano, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug+design+by+pharmacophore+and+virtual+screening+approach%5BTitle%5D)+AND+%22Pharmaceuticals+%28Basel%29%22%5BJournal%5D)">Drug design by pharmacophore and virtual screening approach.</a> Pharmaceuticals (Basel). 15 (5), 646(2022).</li>
<li>Schaller, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Next+generation+3D+pharmacophore+modeling%5BTitle%5D)+AND+%22WIREs+Comput+Mol+Sci%22%5BJournal%5D)">Next generation 3D pharmacophore modeling.</a> WIREs Comput Mol Sci. 10 (4), e1468(2020).</li>
<li>Wolber, G., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((LigandScout%3A+3-D+pharmacophores+derived+from+protein-bound+ligands+and+their+use+as+virtual+screening+filters%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">LigandScout: 3-D pharmacophores derived from protein-bound ligands and their use as virtual screening filters.</a> J Chem Inf Model. 45 (1), 160-169 (2005).</li>
<li>Ekins, S., Mestres, J., Testa, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+silico+pharmacology+for+drug+discovery%3A+Methods+for+virtual+ligand+screening+and+profiling%5BTitle%5D)+AND+%22Br+J+Pharmacol%22%5BJournal%5D)">In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling.</a> Br J Pharmacol. 152 (1), 9-20 (2007).</li>
<li>Wolber, G., Dornhofer, A. A., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+overlay+of+small+organic+molecules+using+3D+pharmacophores%5BTitle%5D)+AND+%22J+Comput+Aided+Mol%22%5BJournal%5D)">Efficient overlay of small organic molecules using 3D pharmacophores.</a> J Comput Aided Mol. 20 (12), 773-788 (2006).</li>
<li>Schuster, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+pharmacophores+as+tools+for+activity+profiling%5BTitle%5D)+AND+%22Drug+Discov+Today+Technol%22%5BJournal%5D)">3D pharmacophores as tools for activity profiling.</a> Drug Discov Today Technol. 7 (4), e205-e211 (2010).</li>
<li>Qing, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling%3A+advances%2C+limitations%2C+and+current+utility+in+drug+discovery%5BTitle%5D)+AND+%22J+Recept+Ligand+Channel+Res%22%5BJournal%5D)">Pharmacophore modeling: advances, limitations, and current utility in drug discovery.</a> J Recept Ligand Channel Res. 7, 81-92 (2014).</li>
<li>Ullrich, S., Nitsche, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+SARS-CoV-2+main+protease+as+drug+target%5BTitle%5D)+AND+%22Bioorg+Med+Chem+Lett%22%5BJournal%5D)">The SARS-CoV-2 main protease as drug target.</a> Bioorg Med Chem Lett. 30 (17), 127377(2020).</li>
<li>Ruiz-Moreno, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Consensus+pharmacophore+strategy+for+identifying+novel+SARS-CoV-2+Mpro+inhibitors+from+large+chemical+libraries%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">Consensus pharmacophore strategy for identifying novel SARS-CoV-2 Mpro inhibitors from large chemical libraries.</a> J Chem Inf Model. 64 (6), 1984-1995 (2024).</li>
<li>Schrödinger, L., DeLano, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSchr%C3%B6dinger%2C+L+%22PyMOL%2C+2020%22">PyMOL, 2020</a>. , http://www.pymol.org/pymol (2020).</li>
<li>Sunseri, J., Koes, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmit%3A+Interactive+exploration+of+chemical+space%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Pharmit: Interactive exploration of chemical space.</a> Nucleic Acids Res. 44 (W1), W442-W448 (2016).</li>
<li>Kim, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PubChem+2025+update%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">PubChem 2025 update.</a> Nucleic Acids Res. 53 (D1), D1516-D1525 (2025).</li>
<li>Tingle, B. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ZINC-22%3A+A+free+multi-billion-scale+database+of+tangible+compounds+for+ligand+discovery%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">ZINC-22: A free multi-billion-scale database of tangible compounds for ligand discovery.</a> J Chem Inf Model. 63 (4), 1166-1176 (2023).</li>
<li>Hazemann, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accelerating+the+hit-to-lead+optimization+of+a+SARS-CoV-2+Mpro+inhibitor+series+by+combining+high-throughput+medicinal+chemistry+and+computational+simulations%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Accelerating the hit-to-lead optimization of a SARS-CoV-2 Mpro inhibitor series by combining high-throughput medicinal chemistry and computational simulations.</a> J Med Chem. 68 (8), 8269-8294 (2025).</li>
<li>Momin, Y., Beloshe, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling+in+drug+design%5BTitle%5D)+AND+%22Adv+Pharmacol%22%5BJournal%5D)">Pharmacophore modeling in drug design.</a> Adv Pharmacol. 103, 313-324 (2025).</li>
<li>Zdrazil, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ChEMBL+database+in+2023%3A+A+drug+discovery+platform+spanning+multiple+bioactivity+data+types+and+time+periods%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The ChEMBL database in 2023: A drug discovery platform spanning multiple bioactivity data types and time periods.</a> Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).</li>
<li>Zhou, L., Griffith, R., Gaeta, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+spatial+and+chemical+information+for+clustering+pharmacophores%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">Combining spatial and chemical information for clustering pharmacophores.</a> BMC Bioinformatics. 15 (Suppl 16), S5(2014).</li>
<li>Guner, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((History+and+evolution+of+the+pharmacophore+concept+in+computer-aided+drug+design%5BTitle%5D)+AND+%22Curr+Top+Med+Chem%22%5BJournal%5D)">History and evolution of the pharmacophore concept in computer-aided drug design.</a> Curr Top Med Chem. 2 (12), 1321-1332 (2002).</li>
<li>Wieder, M., Perricone, U., Seidel, T., Boresch, S., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparing+pharmacophore+models+derived+from+crystal+structures+and+from+molecular+dynamics+simulations%5BTitle%5D)+AND+%22Monatsh+Chem%22%5BJournal%5D)">Comparing pharmacophore models derived from crystal structures and from molecular dynamics simulations.</a> Monatsh Chem. 147 (3), 553-563 (2016).</li>
<li>Santos, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comprehensive+map+of+molecular+drug+targets%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">A comprehensive map of molecular drug targets.</a> Nat Rev Drug Discov. 16 (1), 19-34 (2017).</li>
</ol>

<table><tbody><tr><td>구글 코랩</td><td>구글 LLC</td><td>https://colab.google</td><td>Python 노트북을 실행하기 위한 웹 기반 플랫폼; 여기에서 합의 약리단 모델링을 위해 ConPhar 및 PyMOL 스크립트를 실행하는 데 사용됩니다.</td></tr><tr><td>파르밋</td><td>피츠버그 대학의 Koes Lab</td><td>https://pharmit.csb.pitt.edu/search.html</td><td>대화형 약리단 가상 스크리닝 및 화학 공간 탐사를 위한 웹 플랫폼으로 리간드 파일 업로드 및 약리단 특징 생성 가능</td></tr><tr><td>파이몰</td><td>슈&옴; 딩거, Inc.</td><td>https://www.pymol.org</td><td>단백질에 사용되는 분자 시각화 및 구조적 정렬 소프트웨어&ndash; 리간드 복합체 중첩 및 분석</td></tr><tr><td>지원 파일 1 Pharmacophore 워크플로우 스크립트</td><td>구글 LLC</td><td>https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing</td><td>Conda, PyMOL을 설치하고 Google Colab에서 약리단 워크플로를 실행하기 위한 전체 실행 스크립트입니다. 지원 파일 1로도 제공됩니다.</td></tr></tbody></table>

광범위한 리간드 라이브러리가 있는 표적에 대한 약리단 모델링: sars-cov-2 mpro에 대한 사례 연구

Pharmacophore Modeling for Targets with Extensive Ligand Libraries: A Case Study on SARS-CoV-2 Mpro

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).
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/68933/68933fig9.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig9large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
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 &gt;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.
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/68933/68933fig10.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig10large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
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).
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/68933/68933fig11.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig11large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
지원 파일 1: Pharmacophore 워크플로 스크립트. <a href="https://www.jove.com/files/ftp_upload/68933/Supporting%20File%201%20Pharmacophore%20Workflow%20Script.txt" target="_blank">이 파일을 다운로드하려면 여기를 클릭하십시오.</a>
지원 표 1: 약리학적 특징의 클러스터링 요약. 클러스터 수, 클러스터당 멤버, 중심 좌표 및 클러스터 반경 이 <a href="https://www.jove.com/files/ftp_upload/68933/Table_S1.xlsx" target="_blank">파일을 다운로드하려면 여기를 클릭하십시오.</a>

광범위한 리간드 라이브러리가 있는 표적에 대한 약리단 모델링: SARS-CoV-2 Mpro에 대한 사례 연구

A pharmacophore defines the spatial arrangement of molecular features required for optimal interactions between a compound and its biological target. ...

pharmacophore-modeling-for-targets-with-extensive-ligand-libraries

Research

연구

JoVE Journal

Biochemistry

생화학

이 연구는 약물 펩티드 상호 작용을 식별하기위한 전략을 제시하는 것을 목표로했다. 이 전략은 석영 결정 마이크로 밸런스 (QCM) 바이오 센서에 기초한 약물 인식 짧은 펩타이드의 바이오 패닝을 포함하고, 단백질에 대한 약물 인식 및 약물 결합 부위의 음장 에 대해 얻은 정보를 정량적으로 평가하기위한 생물 정보학 분석이 뒤따릅니다.

약물 단백질 상호 작용의 글로벌 검증을 위한 바이오센서 기반 고처리량 바이오패닝 및 생물정보학 분석 전략

이 백서는 결정 기반 단편 스크리닝을 위한 전체 XChem 프로세스를 설명하며, 액세스 신청부터 데이터 보급에 이르는 모든 후속 단계를 설명합니다.

Diamond Light Source의 XChem 시설에서 효율적인 Fragment Screening 달성

생체 분자 모델링의 핵심 기술은 단백질에 활성 부위를 표시하고 표시하는 것입니다. 이 기술은 매크로 분자 시각화를위한 네 가지 인기있는 무료 프로그램을 사용하여 입증된다 : iCn3D, Jmol, PyMOL, UCSF ChimeraX.

분자 시각화 프리웨어를 사용하여 효소 활성 사이트 모델링

이 프로토콜은 거대분자의 CryoEM 맵에서 소분자 리간드를 모델링하는 데 사용할 수 있는 도구를 소개합니다.

Modeling Ligands into Maps Derived from Electron Cryomicroscopy(전자 극저온 현미경에서 파생된 맵으로 리간드 모델링)

여기에 사용된 실험은 소분자와 단백질 표적 간의 상호 작용을 예측하고 검증하기 위해 세포 열 이동 분석과 결합된 분자 도킹 방법을 보여줍니다.

Protein Target Prediction and Validation of Small Molecule Compound(단백질 표적 예측 및 저분자 화합물의 검증)

여기서는 신약 개발에 필수적인 Sanglifehrin A와 Cyclophilin A/Ganoderiol-F 간의 단백질-리간드 결합 상호작용을 구조 중심으로 설계하는 프로토콜을 제시합니다. 리간드-수용체 복합체의 안정성은 분자 역학 시뮬레이션을 통해 평가되었습니다.

새로운 사이클로필린 A 억제제 및 가노데리올-F 유도체의 구조 유도 설계 및 개발: 실리코 내 접근법

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.

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)

이 연구는 인실리코(in-silico ) 전략을 사용하여 Enumerated Etravirine이 HIV에 대한 유망한 치료제임을 확인했습니다. 분자 상호 작용 및 역학에 대한 우리의 발견은 가능한 HIV 치료 대안으로서 새로운 NNRTI의 합리적인 설계를 뒷받침합니다.

비뉴클레오티드 역전사효소 억제제의 정량적 구조-활성 관계, 활성 예측 및 분자 역학

이 이중 언어 프로토콜은 Polo-like Kinase 1부터 3(PLK1–3)과 데이터베이스 기반 자연 분자의 흡수, 분포, 대사, 배설, 독성, 안정성(ADMET-S) 특성의 단백질-리간드 상호작용을 평가하는 계산적 신약 개발 워크플로우를 제공합니다.

미국 수화와 영어에서 잠재적 PLK1 억제제를 식별하기 위한 이중언어 계산 워크플로우

이 프로토콜은 서브 유닛의 동시 발현 재조합 프로 테아 좀 어셈블리의보다 철저한 검사를 위해 혼합 postlysis 서브 유닛을 모두 사용합니다.

재조합 고세균 프로 테아과 비 변성 페이지로 프로 테아 조립 검사 : 케이스를 결합 접근에 대한

학습하세요 SARS-CoV-2 Mpro를 대상으로 한 합의 약리단 모델링 프로토콜을 통해 가상 스크리닝과 합리적 약물 설계를 위한 핵심 상호작용 특징을 식별하는 방법을. 이 계산적 접근법은 다양한 리간드 라이브러리를 통합하여 약물 후보 발굴의 정확성을 향상시킵니다.

광범위한 리간드 라이브러리가 있는 표적에 대한 약리단 모델링: SARS-CoV-2 Mpro에 대한 사례 연구

더 많은 동영상 탐색