Methodenartikel

Structurele analyses van een epidermale groeifactorreceptorspecifieke fragmentvariabele met één keten via een In Silicö-benadering

DOI:

10.3791/65894

⸱

10 november 2023

 , 
1College of Arts and Sciences, Qatar University, 2Amity University

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit voorspellingsprotocol voor antilichaamhomologiemodellering wordt gevolgd door antilichaam-receptor Pyrx-docking en moleculair dynamische simulatie. Deze drie primaire methoden worden gebruikt om de nauwkeurige antilichaam-receptorbindingsgebieden en de bindingsstabiliteit van de uiteindelijke structuur te visualiseren.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Single-chain fragment variable (scFv) antilichamen werden eerder geconstrueerd van variabele lichte en zware ketens verbonden door een (Gly4-Ser) 3-linker. De linker is gemaakt met behulp van moleculaire modelleringssoftware als een lusstructuur. Hier introduceren we een protocol voorin silico-analyse van een compleet scFv-antilichaam dat interageert met de epidermale groeifactorreceptor (EGFR). De homologiemodellering, met Pyrx van eiwit-eiwit docking en moleculair dynamische simulatie van het interagerende scFv-antilichaam en EGFR Eerst gebruikten de auteurs een programma voor het modelleren van eiwitstructuren en Python voor homologiemodellering, en de scFv-structuur van het antilichaam werd gemodelleerd voor homologie. De onderzoekers downloadden Pyrx-software als platform in de docking-studie. De moleculair dynamische simulatie werd uitgevoerd met behulp van modelleringssoftware. De resultaten tonen aan dat wanneer de MD-simulatie werd onderworpen aan energieminimalisatie, het eiwitmodel de laagste bindingsenergie had (-5,4 kcal/M). Bovendien toonde de MD-simulatie in deze studie aan dat het aangemeerde EGFR-scFv-antilichaam stabiel was voor 20-75 ns wanneer de beweging van de structuur sterk toenam tot 7,2 Å. Concluderend werd een in silico-analyseuitgevoerd, en de moleculaire docking en moleculaire dynamica-simulaties van het scFv-antilichaam bewezen de effectiviteit van het ontworpen immuuntherapeutische geneesmiddel scFv als een specifieke medicamenteuze therapie voor EGFR.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conformationele veranderingen in het eiwit (ligand en receptor) treden altijd op op basis van structuurgebaseerde functies. De studie van de mogelijke bindingsgroeven van het eiwit en de voorspelling van de stabiele bindingsinteractie is een geavanceerde methode om geneesmiddelen voor te bereiden op beter gebruik in het menselijk lichaam. Homologiemodellering gevolgd door docking en moleculair dynamische simulatie is een eenvoudige methode voor het nauwkeurig voorspellen van stabiele bindingsinteracties tussen de residuen van receptoren en geconstrueerde antilichamen die worden gebruikt als specifieke gepersonaliseerde geneeskunde 1,2. De voorspelde modelstructuur kan conformationele veranderingen en herschikkingen vertonen in ligand-receptorbindingsplaatsen, met name op het grensvlak tussen antilichaam en receptor. Er zijn veel redenen voor deze veranderingen, zoals de rotatie van zijketens, wereldwijde structurele transformatie of complexere wijzigingen. De belangrijkste reden voor homologiemodellering is om de tertiaire structuur van een eiwit te onderscheiden van de primaire structuur 2,3.

Een tyrosinekinasereceptor genaamd epidermale groeifactorreceptor (EGFR) speelt vele biologische rollen in kankercellen, waaronder apoptose 4,5, differentiatie 6,7, celcyclusprogressie 8,9, ontwikkeling 9,10 en transcriptie11. EGFR is een van de bekende therapeutische doelwitten voor borstkanker12. De overexpressie van regelmatige kinase-activiteit zoals EGFR leidt meestal tot progressie van kankercellen, die kan worden onderdrukt door vele soorten kankerremmers13. De epidermale groeifactorreceptor (EGFR) werd gebruikt als receptor voor de enkelvoudige ketenfragmentvariabele die speciaal is geconstrueerd om tegen deze receptor te werken. De voorspelde structuur werd gebruikt om de antilichaambindende activiteit te testen.

In dit artikel werd de scFv-antilichaamstructuur gemodelleerd met behulp van modelleringssoftware met Python-script en de homologiemodelleringsmethode14,15. Een homologiemodel kan worden opgebouwd uit de eiwit- en aminozuursequenties van receptoren en liganden16,17. Bovendien werden geavanceerde bio-informaticatechnologieën zoals moleculaire docking gebruikt om te voorspellen hoe kleine molecuulliganden zich aan de juiste bindingsplaats van het doelwit zullen binden. De koppeling zou de ontwikkeling van nieuwe geneesmiddelen gericht op meerdere ziekten in evenwicht brengen. Er wordt rekening gehouden met het bindingsgedrag 5,18.

Bovendien is moleculaire docking een cruciale techniek om de ontwikkeling van ligandreceptorbinding te vergemakkelijken en te versnellen. Moleculaire docking stelt wetenschappers in staat om een bibliotheek van liganden virtueel te screenen tegen een doeleiwit en de bindingsconformaties en affiniteiten van de liganden aan het doelreceptoreiwit te voorspellen. Moleculaire dynamische simulatie (MNS) laat zien hoe de residuen in de ruimte bewegen, simuleert de bewegingen van antilichamen naar hun receptoren en informeert ten slotte de inspanningen op het gebied van antilichaamontwerp. Deze studie is een nieuwe voorspelling van de dimensies van de rasterdoos die bepaalde hoe het scFv-antilichaam bindt aan EGFR en de detectie van de energie en tijd van die binding in MDsimulation.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Secundaire structuurvoorspellingen van een single chain fragment variable (scFv) eiwit

  1. Bouw de 3D-structuur van het single-chain fragment variable (scFv) eiwit met BLAST protein data bank (PDB), KABAT-nummering en de modelleringssoftware. De scFv bestaat uit een linker (Gly4-Ser) die een variabele zware keten (VH) en een variabele lichte keten (VL) met elkaar verbindt.
  2. Gebruik de moleculaire modelleringssoftware om de linker als een lusstructuur te bouwen en voer al deze methoden uit zoals beschreven in eerdere studies 2,19,20.

2. Sjabloonselectie en scFv en EGFR 3D-structuurvoorspelling en homologiemodellering

  1. Kies sjabloon 1ivo voor EGFR-structuren (op basis van de hoge resolutie). Download het bestand 1ivo.pdb van de pdb website, zoals weergegeven in Figuur 1B.
  2. Bereid het invoer 1ivo.pdb-bestand voor zoals hieronder beschreven.
    1. Verwijder in het bestand 1ivo.pdb alle externe liganden door de pdb.org website te openen en de 1ivo te selecteren. Structuur, en het zoeken naar de naam van de liganden onder de titel van het kleine molecuul op de 1ivo structuurpagina van de pdb website.
    2. Zoek de ligandnaam NAG. Open het bestand 1ivo.pdb dat je hebt gedownload van de pdb-website en zoek het beëindigingsresidu (TER.).
    3. Verwijder de residuen van de uitwendige liganden in de 1ivo-structuur, te beginnen met het residu na TER. en voordat het residu eindigt. Sla het bestand 1ivo.pdb op het systeem op.
  3. Bereid het opgeslagen 1ivo.pdb bestand voor zoals hieronder beschreven.
    1. Download de Autodocking-dockingsoftware (autodock.scripps.edu) vanuit het vensterselectiegebied. Klik op het 1ivo.pdb bestand openen.
    2. Gebruik de opdracht Bewerken om Waterstof toevoegen > Toevoegen te kiezen, selecteer vervolgens Alleen polar en druk vervolgens op OK.
    3. Gebruik de opdracht Bewerken om Kollman-ladingen toe te voegen (aanvullende afbeelding 1). Gebruik de opdracht Bewerken om water te verwijderen. Sla het bestand 1ivo.pdb op de pc op.
  4. Minimaliseer de energie van de 1ivo.pdb-structuur zoals hieronder beschreven.
    1. SPDBV downloaden. software van http://spdbv.vital-it.ch/disclaim.html. Open het bestand 1ivo.pdb.
    2. Selecteer alles. Selecteer het commando Perf > Energieminimalisatie > Ok (aanvullende afbeelding 2). Sla het 1ivo bestand op de pc op.
  5. Bereid het volledige model scFv voor met behulp van homologiemodellering zoals hieronder beschreven.
    1. Download de modelleringssoftware17 en de Python-script 3.7.9-shell van de Window-64. Bewaar de gedownloade softwarebestanden op de D-schijf.
  6. Bereid de invoerbestanden voor zoals hieronder beschreven.
    1. Laad het scFv Pdb-bestand in fasta-formaat vanaf de NCBI-website en hernoem het bestand TARGET.ali. zoals beschreven in Aanvullend coderingsbestand 1. Kies de sjabloon met behulp van de sectie Blast in NCBI, plak het sequentiebestand, selecteer in pdb-formaat 7det.pdb zoals beschreven in Aanvullend coderingsbestand 2 en verzend vervolgens. Gebruik vervolgens de pdb.org website om het sjabloonbestand te verkrijgen.
    2. Bereid het derde invoerbestand voor als align2d.py (Python) zoals beschreven in aanvullend coderingsbestand 3, dat wordt geopend zoals weergegeven in aanvullende afbeelding 3A. Druk op de optie Meer weergeven en ga vervolgens naar Bewerken met IDLE > Bewerken met EDLE (64-bits). Voer uit met behulp van de opdracht module 5 uitvoeren in de align2d.py om twee uitvoerbestanden te verkrijgen: Tar- 7det.ali en Tar- 7det.pap.
  7. Voltooi de vorige drie stappen om de opdracht in het laatste invoerbestand te gebruiken.
  8. Voeg een nieuw invoerbestand toe model-single.py (command python-bestand) zoals weergegeven in Aanvullend coderingsbestand 4 en zoals hieronder beschreven.
    1. Druk op de optie Meer weergeven en ga vervolgens naar Bewerken met IDLE > Bewerken met EDLE3.7 (64-bits). Voer uit met behulp van de opdracht (module 5 uitvoeren) zoals weergegeven in aanvullende afbeelding 3B.
      OPMERKING: De resulterende uitvoerbestanden zijn de zes bestanden van de homologiemodellen die worden weergegeven in aanvullende figuur 3C.

3. Voorspelling en evaluatie van de secundaire structuur van de receptor

  1. Detecteer de correctie en nauwkeurigheid van de homologiemodellen zoals hieronder beschreven.
    1. Maak de Ramachandran-plot voor de scFv-modellen en EGFR-modellen door de visualisatietool te downloaden van https://discover.3ds.com/discovery-studio-visualizer-download.
    2. Open het bestand, klik vervolgens met de rechtermuisknop en selecteer de weergavevolgorde (aanvullende afbeelding 4). Kopieer de reeks en plak deze in de Picturale database van 3D-structuren (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/.
    3. Selecteer Zoeken op reeks, plak de kopie van de reeks en verzend deze. Maak de grafiek zoals weergegeven in Figuur 1B,D.

4. Eiwit-eiwit docking

  1. Download de software voor virtuele screeningstools.
  2. Ga naar het bestand> lees moleculen > laad 1ivo.pdb. Klik met de rechtermuisknop op het eiwit in het autodock-paneel om een macromolecuul te maken. Klik nogmaals met de rechtermuisknop om een ligand te maken (aanvullende afbeelding 5).
  3. Klik in het autodock-paneel om eiwit te selecteren en selecteer vervolgens ligand.
  4. Open de eiwitlijst. Selecteer vervolgens in de lijst scFv-eiwit.
  5. Ga naar Selectiebollen in-/uitschakelen. Pas het rastervak aan naar het midden van de receptor. Klik op Vooruit wanneer de ronde roze knop verschijnt.
  6. Gebruik de volgende stappen om de pdbqt-bestanden voor te bereiden op zowel scFv-antilichaam- als EGFR (1ivo)-structuren.
    1. Ga naar C Drive > Program Files (86) > Users en kies vervolgens het pyrx-bestand dat macromoleculen en eiwituitvoerbestanden bevat die zijn opgeslagen als een pdbqt-bestand.
    2. Sla vervolgens het single-chain fragment variable (scFv) antilichaam pdbqt-bestand op.
  7. Download PyMOL software op PyMOL | pymol.org. Gebruik PyMOL-software om de scFv-antilichaamreceptor EGFR-configuraties weer te geven.
    1. Ga naar het bestand en open C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein. Bereid de dockingconfiguraties voor van het scFvantilichaam dat interageert met de receptor in figuur 2A , zoals hieronder beschreven.
      1. Gebruik de weergaveoptie om het (1ivo)-receptorbestand weer te geven als sequentieresiduen met een witte achtergrond zoals weergegeven in aanvullende figuur 6.
      2. Geef het dockingconfiguratiebestand met een hogere resolutie weer om de ligandkleur in groene en rode restkleuren te zien. Geef het stijve oppervlak van de (1ivo)-receptor geel weer.
  8. Bereid de dockingconfiguraties voor van het scFvantilichaam dat interageert met de receptor in figuur 2B, zoals hieronder beschreven.
    1. Download de dockingsoftware vanuit het vensterselectiegebied. Gebruik Autodock om de scFv-antilichaamreceptor EGFR-configuraties en -conformaties weer te geven.
      1. Kies in Autodock de optie Analyseren en open vervolgens het resultaat van Autodock Vina. Ga naar Bestand en open C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein.
      2. Selecteer het pdb-bestand van de eiwitreceptor en selecteer vervolgens het gebied van de ligandconfiguratie (scFv-antilichaamstructuur). Verbind het stijve oppervlak van de receptor met de configuratie van de gedockte structuur en verberg de rest van de receptor. Verberg de verre residuen van de receptor van de residuen die met de ligand zijn verbonden, zoals weergegeven in figuur 2B.
    2. Het eiwit-eiwitcomplex werd vervolgens klaar geacht om MD-simulatie uit te voeren.

5. Moleculair dynamische simulatie (MD-simulatie) van het EGFR-scFv-antilichaam-dockingcomplex

  1. Download de MD-simulatiesoftware en gebruik deze als volgt.
    1. Bereid het EGFR (1ivo) pdb-bestand voor met behulp van de reparatiewizard zoals in aanvullende afbeelding 7A. Voer het voorbewerkingsgedeelte uit om het bestand te verfijnen. Verstuur het verfijnde bestand dat in de systeembouwer moet worden ingesteld.
    2. Laad de moleculaire dynamica-simulatiesoftware vanuit de werkmap. Voeg de ionen toe en werk het verfijnde bestand bij tot 20 Å om de taak in te dienen (tabel 1), ook weergegeven in aanvullende figuur 7B.
    3. Laad de EGFR (1ivo) pdb uit het geïmporteerde bestand en kies vervolgens 100 ns tijdstappen om het uit te voeren (aanvullende afbeelding 7C).
  2. Start de analyse van de simulatie na voltooiing van de MDsimulatie zoals hieronder beschreven.
    1. Maak een taakmap en sla deze op in het cms-bestand. Laad het cms-bestand om deze stap in de MD-simulatie uit te voeren.
    2. Maak een werkmap voor projectmappen en rapporteer de energiewaarden. Gebruik S.I.D. pdf om de simulatie te rapporteren, zoals weergegeven in Figuur 3A, en het interactiediagram en de H-binding, zoals weergegeven in Figuur 3B.
    3. Laad het pdf-bestand van cms door vanuit de map te bladeren en gebruik TIP3P als model voor het minimaliseren van het bestandsvolume.
    4. Maak het solvatiebestand om deze stap uit te voeren die wordt weergegeven in aanvullende afbeelding 7D. Sla het pdf-bestand op via de software en analyseer de gegevens, wat resulteert in Figuur 4, Figuur 5 en Figuur 6.
  3. Genereer een MDsimulation-afrondingsinstelling door het oplossingsbestand te maken. Zoek de resultaten in het grensvak, zoals weergegeven in Figuur 7.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Met behulp van faagweergavetechnologie werd het scFv-gen anti-EGFR gemaakt uit de B-cel hybridoomlijn C3A820,21 van de muis. De single chain fragment variable (scFv) structuurmodellen van de VH- en VL-structuren werden afzonderlijk gebouwd, volgens Chua et al.22. Daarna waren de modellen zichtbaar als linten geproduceerd met RasMol. Vervolgens werd met behulp van moleculaire modelleringssoftware een synthe...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EGFR is de primaire doelwitreceptor van borstkanker. Overexpressie van EGFR verhoogt het aantal gevallen van borstkanker over de hele wereld. Ondertussen zijn specifieke antilichamen, zoals fragmentvariabelen met één keten, antilichamen die gemakkelijk via de bloedcirculatie bewegen en een snelle klaringssnelheid in het lichaam hebben. Antilichamen zijn een verstandige oplossing en een effectief medicijn voor immunotherapie37. Daarom moet het ontwerp van geneesmid...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets te onthullen.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Autodock softwareCenter for Computational structural Biology AutoDock (scripps.edu)
Desmond Maestro 19.4 software Schrodingerwww.schrodinger.com 
Download Discovery Studio 2021  Dassault Systems https://discover.3ds.com/discovery-studio-visualizer-download.
Modeler Version 9.24[17] University of Californiahttps://salilab.org/modeller/9.24/release.html
Pictorial database of 3D structures (pdbsum)EMBL-EBI www.ebi.ac.uk/thornton-srv/databases/pdbsum/
PyMOL software SchrodingerPyMOL | pymol.org
Pyrx software Sourceforge Download PyRx - Virtual Screening Tool (sourceforge.net)
Python script 3.7.9 shell from the window (64)PythonPython Release Python 3.7.9 | Python.org
SPDBV software Expasyhttp://spdbv.vital-it.ch/disclaim.html

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Clark, J. J., Orban, Z. J., Carlson, H. A. Predicting binding sites from unbound versus bound protein structures. Sci Rep. 10 (1), 15856(2020).
  2. Huang, Y., et al. A stepwise docking molecular dynamics approach for simulating antibody recognition with substantial conformational changes. Comput Struct Biotechnol J. 20, 710-720 (2022).
  3. Mahgoub, I. O., Ali, A. M., Hamid, M., Alitheen, N. M. Single chain fragment variable (scFv) secondary structure prediction and evaluation. FASEB J. 25, (2011).
  4. Kim, H., et al. Titanium dioxide nanoparticles induce apoptosis by interfering with EGFR signaling in human breast cancer cells. Environ Res. 175, 117-123 (2019).
  5. Mahgoub, E. O., Abdella, G. M. Improved exosome isolation methods from non-small lung cancer cells (NC1975) and their characterization using morphological and surface protein biomarker methods. J Cancer Res Clin Oncol. 149 (10), 7505-7514 (2023).
  6. Shaurova, T., Zhang, L., Goodrich, D. W., Hershberger, P. A. Understanding lineage plasticity as a path to targeted therapy failure in EGFR-mutant non-small cell lung cancer. Front Genet. 11, 281(2020).
  7. Mahgoub, E. O., Bolad, A. K. Construction, expression and characterisation of a single chain variable fragment in the Escherichia coli periplasmic that recognise MCF-7 breast cancer cell line. J Cancer Res Ther. 10 (2), 265-273 (2014).
  8. Mahgoub, I. O. Design, expression and characterization of a single chain fragment variable anti-mcf-7 antibody; A humanized antibody derived from monoclonal antibody. Ann Res Conf Proc. 2014 (1), (2014).
  9. Sun, X. L., et al. Dimeric (-)-epigallocatechin-3-gallate inhibits the proliferation of lung cancer cells by inhibiting the EGFR signaling pathway. Chem Biol Interact. 365, 110084(2022).
  10. Mahgoub, E. O., Haik, Y., Qadri, S. Comparison study of exosomes molecules driven from (NCI1975) NSCLC cell culture supernatant isolation and characterization techniques. FASEB J. 33, 647(2019).
  11. Madeddu, C., et al. EGFR-mutated non-small cell lung cancer and resistance to immunotherapy: Role of the tumor microenvironment. Int J Mol Sci. 23 (12), 6489(2022).
  12. Mahgoub, I., Bolad, A. K., Mergani, M. and immune-characterization of single chain fragment variable (scFv) antibody recognize breast cancer cells line (MCF-7). J. Immunother Cancer. 2, 6(2014).
  13. Ladner, R. C., Sato, A. K., Gorzelany, J., de Souza, M. Phage display-derived peptides as therapeutic alternatives to antibodies. Drug Discov Today. 9 (12), 525-529 (2004).
  14. Khan, M. H., Manoj, K., Pramod, S. Reproductive disorders in dairy cattle under semi-intensive system of rearing in North-Eastern India. Vet World. 9 (5), 512-518 (2016).
  15. Al-Refaei, M. A., Makki, R. M., Ali, H. M. Structure prediction of transferrin receptor protein 1 (TfR1) by homology modelling, docking, and molecular dynamics simulation studies. Heliyon. 6 (1), 03221(2020).
  16. Anbuselvam, M., et al. Structure-based virtual screening, pharmacokinetic prediction, molecular dynamics studies for the identification of novel EGFR inhibitors in breast cancer. J Biomol Struct Dyn. 39 (12), 4462-4471 (2021).
  17. Oduselu, G. O., Ajani, O. O., Ajamma, Y. U., Brors, B., Adebiyi, E. Homology modelling and molecular docking studies of selected substituted benzo d imidazol-1-yl) methyl) benzimidamide scaffolds on Plasmodium falciparum adenylosuccinate lyase receptor. Bioinform Biol Insights. 13, 1177932219865533(2019).
  18. Mahgoub, E. O., et al. et al. of exosome isolation techniques in lung cancer. Mol Biol Rep. 47 (9), 7229-7251 (2020).
  19. Shree, P. Targeting COVID-19 (SARS-CoV-2) main protease through active phytochemicals of ayurvedic medicinal plants -Withania somnifera (Ashwagandha), Tinospora cordifolia (Giloy) and Ocimum sanctum (Tulsi) - a molecular docking study. J Biomol Struct Dyn. 40 (1), 190-203 (2022).
  20. Mahgoub, I. O. Expression and characterization of a functional single-chain variable fragment (scFv) protein recognizing MCF7 breast cancer cells in E. coli cytoplasm. Biochem Genet. 50 (7-8), 625-641 (2012).
  21. Mahgoub, E. O. Single chain fragment variables antibody binding to EGF receptor in the surface of MCF7 breast cancer cell line: Application and production review. Open J Genet. 7 (2), 84-103 (2017).
  22. Heng, C. K., Othman, R. Y. Bioinformatics in molecular immunology laboratories demonstrated: Modeling an anti-CMV scFv antibody. Bioinformation. 1 (4), 118-120 (2006).
  23. Mahgoub, E. O., Ahmed, B. Correctness and accuracy of template-based modeled single chain fragment variable (scFv) protein anti- breast cancer cell line (MCF-7). Open J Genet. 3 (3), 183-194 (2013).
  24. Khare, N., et al. Homology modelling, molecular docking and molecular dynamics simulation studies of CALMH1 against secondary metabolites of Bauhinia variegata to treat Alzheimer's disease. Brain Sci. 12 (6), 770(2022).
  25. Hu, J., Rao, L., Fan, X., Zhang, G. Identification of ligand-binding residues using protein sequence profile alignment and query-specific support vector machine model. Anal Biochem. 604, 113799(2020).
  26. Santos, L. H. S., Ferreira, R. S., Caffarena, E. R. Integrating molecular docking and molecular dynamics simulations. Methods Mol Biol. 2053, 13-34 (2019).
  27. Xu, D., Tsai, C. J., Nussinov, R. Hydrogen bonds and salt bridges across protein-protein interfaces. Protein Eng. 10 (9), 999-1012 (1997).
  28. Das, S., Chakrabarti, S. Classification and prediction of protein-protein interaction interface using machine learning algorithm. Sci Rep. 11 (1), 1761(2021).
  29. Mahmoud, S. S. A., Elkaeed, E. B., Alsfouk, A. A., Abdelhafez, E. M. N. Molecular docking and dynamic simulation revealed the potential inhibitory activity of opioid compounds targeting the main protease of SARS-CoV-2. Biomed Res Int. 2022, 1672031(2022).
  30. Villada, C., Ding, W., Bonk, A., Bauer, T. Simulation-assisted determination of the minimum melting temperature composition of MgCl2-KCl-NaCl salt mixture for next-generation molten salt thermal energy storage. Front. Energy Res. 10, 809663(2022).
  31. Hog, S. E., Rjiba, A., Jelassi, J., Dorbez-Sridi, R. NaCl salt effect on water structure: a Monte Carlo simulation study. Phys Chem Liq. 60 (5), 767-777 (2022).
  32. Maruyama, Y., Igarashi, R., Ushiku, Y., Mitsutake, A. Analysis of protein folding simulation with moving root mean square deviation. J Chem Inf Model. 63 (5), 1529-1541 (2023).
  33. Winarski, K. L., et al. Vaccine-elicited antibody that neutralizes H5N1 influenza and variants binds the receptor site and polymorphic sites. Proc Natl Acad Sci U S A. 112 (30), 9346-9351 (2015).
  34. Awal, M. A., et al. Structural-guided identification of small molecule inhibitor of UHRF1 methyltransferase activity. Front Genet. 13, 928884(2022).
  35. Sharma, P., Hu-Lieskovan, S., Wargo, J. A., Ribas, A. adaptive, and acquired resistance to cancer immunotherapy. Cell. 168 (4), 707-723 (2017).
  36. Geerds, C., Wohlmann, J., Haas, A., Niemann, H. H. Structure of Rhodococcus equi virulence-associated protein B (VapB) reveals an eight-stranded antiparallel β-barrel consisting of two Greek-key motifs. Acta Crystallogr F Struct Biol Commun. 70 (7), 866-871 (2014).
  37. Mahgoub, E., et al. The therapeutic effects of tumor treating fields on cancer and noncancerous cells. Arabian J Chem. 14 (10), 103386(2021).
  38. Hospital, A., Goni, J. R., Orozco, M., Gelpi, J. L. Molecular dynamics simulations: advances and applications. Adv Appl Bioinform Chem. 8, 37-47 (2015).
  39. Kaur, J., Tiwari, R., Kumar, A., Singh, N. Bioinformatic analysis of Leishmania donovani long-chain fatty acid-CoA ligase as a novel drug target. Mol Biol Int. 2011, 278051(2011).
  40. Páll, S., Hess, B. A flexible algorithm for calculating pair interactions on SIMD architectures. Comp Phy Comm. 184 (12), 2641-2650 (2013).
  41. Tobi, D., Bahar, I. Structural changes involved in protein binding correlate with intrinsic motions of proteins in the unbound state. Proc Natl Acad Sci U S A. 102 (52), 18908-18913 (2005).
  42. Sinha, S., Wang, S. M. of VUS and unclassified variants in BRCA1 BRCT repeats by molecular dynamics simulation. Comput Struct Biotechnol J. 18, 723-736 (2020).
  43. Patel, D., Athar, M., Jha, P. C. Exploring Ruthenium-based organometallic inhibitors against Plasmodium falciparum calcium dependent kinase 2 (PfCDPK2): A combined ensemble docking, QM/MM and molecular dynamics study. Chem Select. 6 (32), 8189-8199 (2021).
  44. Khan, A., et al. Higher infectivity of the SARS-CoV-2 new variants is associated with K417N/T, E484K, and N501Y mutants: an insight from structural data. J Cell Physiol. 236 (10), 7047-7057 (2021).
  45. Zhang, Q., Shao, d, Xu, P., Jiang, Z. Effects of an electric field on the conformational transition of the protein: Pulsed and oscillating electric fields with different frequencies. Polymers. 14 (1), 123(2021).
  46. Mahtarin, R., et al. et al. and dynamics of membrane protein in SARS-CoV-2. Biomol Struct Dyn. 40 (10), 4725-4738 (2022).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Single Chain Fragment VariableEpidermal Growth Factor ReceptorIn Silico AnalysisHomology ModelingMolecular DockingMolecular Dynamics SimulationProtein Structure ModelingAntibody EGFR InteractionProtein Protein DockingBinding Energy
Video binnenkort beschikbaar

Gerelateerde artikelen