Kwantitatieve structuur-activiteitsrelatie, activiteitsvoorspelling en moleculaire dynamiek van niet-nucleotide reverse transcriptaseremmers

Summary

Deze studie gebruikte in-silico-strategieën om Enumerated Etravirine te identificeren als een veelbelovend therapeutisch middel voor HIV. Onze bevindingen over moleculaire interacties en dynamiek ondersteunen het rationele ontwerp van nieuwe NNRTI's als mogelijke alternatieven voor de behandeling van hiv.

Abstract

De toenemende incidentie van resistentie tegen HIV-1-geneesmiddelen vormt een uitdaging voor de effectiviteit van antiretrovirale combinatietherapie, met name in zuidelijk Afrika. De ontwikkeling van resistentie tegen niet-nucleotide reverse transcriptaseremmers (NNRTI's) bedreigt het succes van antiretrovirale therapie op de lange termijn. In 2019 was antimicrobiële resistentie rechtstreeks verantwoordelijk voor naar schatting 1,27 miljoen doden wereldwijd. Deze studie maakte gebruik van een in-silico-benadering om NNTRI-geneesmiddelen en hun derivaten te onderzoeken. De gebruikte technieken waren onder meer berekeningen van de dichtheidsfunctionaaltheorie, moleculaire docking, opsomming, kwantitatieve structuur-activiteitsrelatie (QSAR) analyse, moleculaire dynamicasimulatie (MDS) en moleculaire mechanica met gegeneraliseerde Born- en oppervlaktemethoden. De analyse richtte zich op verschillende pyrimidinederivaten en zes NNRTI-geneesmiddelen, waarbij hun interacties met het HIV-1-eiwit (PDB-code 1HQU) werden onderzocht.

Er werd een QSAR-model ontwikkeld om de biologische activiteit van de zes onderzochte NNRTI's te voorspellen. Met behulp van 94 pyrimidinederivaten behaalde het QSAR-model een R² VAN 0,822 en een Q² van 0,815, wat wijst op een hoge mate van voorspellende nauwkeurigheid.

MDS werd uitgevoerd om de stabiliteit van verschillende liganden en hun nieuw ontwikkelde alternatieven te beoordelen, zodat ze gedurende een simulatieperiode van 200 nanoseconden gebonden bleven aan de actieve plaats van het eiwit. Etravirine vertoonde fluctuaties in de gemiddelde kwadratische afwijking (RMSD) van ongeveer 4,5 Å, terwijl de opgesomde derivaten RMSD-fluctuaties van 3,5 Å vertoonden. Door middel van moleculaire docking, MDS en berekeningen van vrije energie vertoonde het opgesomde etravirine de beste prestaties, met een activiteitswaarde van 7,373 en een dockingscore van -10,517 kcal/mol. Bovendien was de berekende vrije bindingsenergie voor opgesomd etravirine -89,684 kcal/mol, waarmee het beter presteerde dan andere onderzochte liganden. De significante verbetering suggereert dat het gemodificeerde etravirine een veelbelovend potentieel heeft als nieuw middel in antiretrovirale therapie.

De verkregen lagere RMSD-waarde, de verbeterde aminozuurinteracties en de hoogste bindende vrije energie geven aan dat opgesomd etravirine zou kunnen dienen als een levensvatbaar alternatief voor de behandeling van HIV/AIDS.

Introduction

Ondanks opmerkelijke vooruitgang in de behandeling, blijft de ernstige wereldwijde gezondheidsdreiging van het verworven immunodeficiëntiesyndroom (AIDS), veroorzaakt door het humaan immunodeficiëntievirus-1 (HIV-1), een^{aanhoudende bedreiging 1}. Antiretrovirale medicijnen die bekend staan als reverse transcriptaseremmers, RTI's, worden gebruikt om HIV-infectie te behandelen. Reverse transcriptase, een viraal desoxyribonucleïnezuur (DNA) polymerase-enzym dat essentieel is voor retrovirusreplicatie, wordt geremd door reverse transcriptaseremmers (RTI's). Nucleoside reverse transcriptaseremmers (NRTI's) en niet-nucleotide reverse transcriptaseremmers (NNRTI's) zijn de belangrijkste RTI's².

Zeer actieve antiretrovirale therapie (HAART), een combinatie van verschillende antivirale medicijnen, is naar voren gekomen als de standaardtherapie voor HIV, die de verspreiding van aids effectief onder controle houdt en deze eens fatale ziekte transformeert in een beheersbare chronische aandoening³. NNRTI's voor HIV-1 vormen momenteel een belangrijk onderdeel van het HAART-regime⁴. Antimicrobiële resistentie (AMR) is een van de meest kritieke wereldwijde gezondheidsbedreigingen, met naar schatting 1,27 miljoen dodelijke slachtoffers⁵. Als gevolg hiervan is er een dringende behoefte om AMR op te lossen en nieuwe antimicrobiële middelen te identificeren. Volgens de Wereldgezondheidsorganisatie (WHO) heeft AMR in veel delen van de wereld alarmerende niveaus bereikt.

Dit vormt een ernstig risico voor het bereiken van de doelstellingen voor duurzame ontwikkeling, aangezien het de voedselzekerheid, economische groei en gezondheidszekerheid ondermijnt en tegelijkertijd bijdraagt aan sociale en economische ongelijkheden⁶. De prevalentie van resistente virussen neemt toe, zelfs in antiretrovirale medicijnen die zijn ontworpen om HIV te bestrijden. Volgens recente statistieken gebruikten eind 2022 bijna 30 miljoen mensen over de hele wereld antiretrovirale therapie⁷.

De WHO voerde 30 enquêtes uit en ontdekte dat in 21 van die enquêtes meer dan 10% van de personen die met hun eerstelijns antiretrovirale therapie begonnen, resistent waren tegen Nevirapine of Efavirenz⁸. Bovendien hebben personen met eerdere blootstelling aan antiretrovirale geneesmiddelen tot drie keer meer kans op resistentie tegen NNRTI's dan personen zonder blootstelling⁹. Studies hebben aangetoond dat een aanzienlijk aantal baby's jonger dan 18 maanden bij wie onlangs de diagnose hiv was gesteld, hoge percentages resistente stammen vertoonden^10,11. Schokkend genoeg had bijna de helft van hen een - (NNRTI)-resistente stam nog voordat met de behandeling werd begonnen. Deze bevindingen onderstrepen de noodzaak om studies te versnellen om innovatieve hiv-therapie te ontwerpen.

De ontwikkeling van geneesmiddelresistente stammen en ongewenste bijwerkingen van langdurig gebruik hebben onvermijdelijk uitdagingen opgeleverd voor het klinische gebruik van NNRTI's¹². Het starten van antiretrovirale combinatietherapie (cART) verlengt de levensverwachting van mensen met hiv, ondanks het potentieel voor nadelige bijwerkingen. Deze bijwerkingen omvatten het risico op het ontwikkelen van niet-overdraagbare ziekten, waaronder lipodystrofie, hyperlipidemie, verminderde botmineraaldichtheid, verhoogde bloedglucosespiegel die leidt tot diabetes mellitus type 2, hypertensie, een verhoogd risico op een beroerte en problemen die verband houden met obesitas¹³. Vroege diagnose en snelle toegang tot geschikte medische zorg in de beginfase van een hiv-infectie bieden aanzienlijke voordelen, zowel vanuit klinisch als vanuit publiek perspectief. Tijdige start van ART en profylaxe tegen opportunistische infecties leidt tot een opmerkelijke vermindering van HIV-gerelateerde ziekten en mortaliteit.

Het gebruik van ART kan ook bijdragen aan een afname van het potentieel voor verdere overdracht van HIV door het niveau van circulerend HIV-ribonucleïnezuur te verlagen. Bovendien kan het aanpakken van de behandeling van andere seksueel overdraagbare aandoeningen en co-infecties ook de kans op verdere hiv-infectie verkleinen¹⁴. NNRTI's behoren tot de optionele behandelingsklassen van remmers die interageren met RT door zich te binden aan het allosterische gebied of de plaats van HIV. Dit type remming staat algemeen bekend als een niet-competitieve remmer omdat de NNRTI niet bindt op de actieve plaats van het substraat, maar aan de buitenkant. Het effect verandert de conformatie van de bindingsplaats van het substraat, waardoor het standaardsubstraat niet kan binden en leidt tot voortijdige beëindiging van de keten. Vanwege hun verminderde toxiciteit in vergelijking met NRTI's, eenvoudige structuur, verbeterde biologische beschikbaarheid ten opzichte van proteaseremmers en uitstekende selectiviteit, zijn NNRTI's de meest aantrekkelijke hiv-remmers geworden¹⁵. Daarom zijn de synthese en het ontwerp van nieuwe NNRTI's cruciaal vanuit een farmacokinetisch perspectief ^16,17.

NNRTI's zijn van vitaal belang bij de behandeling van hiv/aids vanwege hun sterke werkzaamheid en lage toxiciteit. Vroege NNRTI's zoals Nevirapine, Delavirdine en Efavirenz ondervinden echter resistentie van virale mutaties in de NNRTI-bindingsplaats¹⁸. Deze geneesmiddelen, die deel uitmaken van de diarylpyrimidine (DAPY)-familie, vertonen een krachtige activiteit tegen verschillende NNRTI-stammen, waaronder die resistent zijn tegen vroege NNRTI's¹⁹, waarschijnlijk vanwege hun moleculaire flexibiliteit en hogere resistentiebarrière tegen HIV-1 ^20,21. Ondanks hun succes hebben de hoge mutatiesnelheid in HIV-1 RT en de afwezigheid van intrinsieke proefleesactiviteit geleid tot nieuwe resistentieprofielen bij patiënten die etravirine en rilpivirine gebruiken^22,23. Deze virale mutaties verschillen van elkaar, net als die geassocieerd met vroege NNRTI-geneesmiddelen²⁴. Meer dan 50 structureel diverse klassen van verbindingen zijn geïdentificeerd als NNRTI's. Met name zes NNRTI's hebben goedkeuring gekregen voor de behandeling van hiv-1. Deze goedgekeurde middelen omvatten Nevirapine (NVP), Delavirdine (DLV), Efavirenz (EFV), Etravirine (ETR), Rilpivirine (RPV) en Doravirine (DOR). Figuur 1 toont de chemische structuren van deze zes goedgekeurde NNRTI-geneesmiddelen²⁵.

In een recente studie²⁶ suggereren DFT-berekeningen en moleculaire docking dat lovastatine en simvastatine potentieel hebben als middelen tegen het coronavirus. Virtuele screening identificeerde vijf nieuwe, door de FDA goedgekeurde kandidaat-moleculen vergelijkbaar met de efavirenz-steiger, met superieure bindingsaffiniteit in de actieve zak van het COVID-19-hoofdprotease.

Soltan et ^al.27 voerden een soortgelijk onderzoek uit naar de identificatie van nieuwe moleculen voor een verbeterd bindingsvermogen aan HIV RT door gebruik te maken van een op fragmenten gebaseerde strategie met door de FDA goedgekeurde geneesmiddelen om chemische derivaten te ontwerpen. Ze maakten specifiek gebruik van de structuren van delavirdine, efavirenz, etravirine en rilpivirine als fundamentele steigers. De gelijkenis van deze derivaten met geneesmiddelen werd beoordeeld door middel van Swiss-ADME, gevolgd door ze in verwante kristalstructuren te plaatsen. De studie werd afgesloten met de selectie van verbindingen die superieure bindingsaffiniteiten vertonen in vergelijking met hun moederscaffolds, met name een meer uitgesproken verbetering van derivaten die zijn ontworpen op basis van de NNRTI's van de tweede generatie, etravirine en rilpivirine. De derivaten RPV01 en RPV15 vertoonden bijvoorbeeld significante verbeteringen in gedupeerde energiewaarden ten opzichte van rilpivirine, wat wijst op potentieel nut bij het richten op zowel wildtype als mutante vormen van HIV RT.

Murugesan en collega's²⁸ deden onderzoek en stelden verschillende medicinaal-chemische benaderingen voor om de werkzaamheid te verbeteren en resistentie bij de behandeling van hiv te minimaliseren. De studie maakte gebruik van moleculaire hybridisatie, bio-isosterische vervanging en high-throughput screening. In hun studie slaagden ze erin om nieuwe NNRTI-steigers te identificeren met een hoge potentie tegen zowel wildtype- als geneesmiddelresistente stammen van HIV. Ze ontwikkelden DAPY-derivaten die een uitstekende selectiviteit en lage toxiciteit vertonen, waarbij sommige verbindingen een effectieve remming vertonen bij nanomolaire concentraties.

De laatste tijd is het gebruik van computationele hulpmiddelen naast in-silico-onderzoek populair geworden vanwege de praktische analyse van de kwantumchemische kenmerken van een medicijn²⁹. In deze studie werden computerondersteund medicijnontwerp, dichtheidsfunctionaaltheorie, kwalitatieve structuur-activiteitsrelatie en moleculaire dynamica toegepast om krachtige NNRTI's te ontdekken.

Protocol

1. Computationele details - eiwitbereiding

1. Klik op het pictogram Venster op het beeldscherm en klik op Alle apps. Scroll naar beneden om naar de Schrödinger-map te navigeren, open de map en klik op het Maestro-pictogram in afbeelding 2B en selecteer openen zoals weergegeven in afbeelding 2B om de software te starten.
2. Haal de eiwitstructuur van uw keuze op door naar de knop Bestand in de software te navigeren. Selecteer in het korte menu dat verschijnt de optie PDB ophalen, zoals weergegeven in afbeelding 3A, en voer de PDB-code naar keuze in het tekstvak in, zoals weergegeven in afbeelding 3B. Klik op de downloadknop en het geselecteerde PDB-bestand wordt weergegeven in het projectvenster.
3. U kunt ook het eiwit van uw keuze downloaden naar de lokale computer vanuit de Protein Data Bank door de identificatiecode van de eiwitdatabase (PDB-ID) in het zoekvak in te voeren en op downloaden te klikken om het PDB-bestand naar de lokale computer te downloaden. Navigeer naar het tabblad Bestand en selecteer de optie Structuren importeren . Zoek in de importinterface het gedownloade PDB-bestand zoals weergegeven in afbeelding 3C en selecteer vervolgens de knop Importeren zoals aangegeven in afbeelding 3D.
   OPMERKING: De eiwitstructuur wordt geopend als een 3D-structuur in een apart venster, zoals weergegeven in afbeelding 4.
4. Navigeer naar de rechterbovenhoek van de software, selecteer de taakoptie en typ eiwitpreparaat in de zoekbalk . Klik op Workflow voor eiwitbereiding in het display aan de rechterkant, zoals weergegeven in Afbeelding 5A.
5. Schrijf in het workflowvenster voor eiwitbereiding dat verschijnt de taaknaam als de bestandsnaam die moet worden opgeslagen en klik op de groene knop Uitvoeren in de rechterbenedenhoek, zoals weergegeven in afbeelding 5B.
6. Bewaak de taak terwijl deze wordt uitgevoerd door op de knop Taken in de rechterbovenhoek te klikken, zoals weergegeven in afbeelding 5C.
7. Selecteer en klik met de rechtermuisknop op het bereide eiwit en selecteer gesplitste ligand, zoals weergegeven in afbeelding 5D. Kies ervoor om te splitsen in liganden, water en andere. Dit is om de eiwitcomponenten als onafhankelijke ingangen in de werkruimtenavigator te hebben

2. Ligand preparaat

1. Download de gewenste chemische verbindingen uit de PubChem-database³⁰ door de naam van de verbinding naar keuze in de zoekbalk te typen. Ga door de structuren en selecteer 3-dimensionale (3D) structuren. Klik op Downloaden in het venster rechtsboven om de structuurcoördinaten te downloaden als een gestructureerd gegevensbestand (SDF). Als een 3D-structuur niet beschikbaar is, downloadt u de 2D-structuur en gebruikt u andere hulpmiddelen om een 3D-structuur te genereren op basis van een 2D-structuur.
2. Klik op het tabblad Bestand in Schrödinger en selecteer Importstructuren, zoals weergegeven in Afbeelding 6A. Navigeer naar de bestandslocatie waar de structuren zijn opgeslagen in SDF-bestandsindeling om de verbindingen te laden die moeten worden voorbereid.
3. Selecteer Taak in de rechterbovenhoek van de Schrödinger-software. Typ LigPrep in de zoekbalk en selecteer LigPrep in het rechtervenster aan de linkerkant, zoals weergegeven in Afbeelding 6B.
4. Selecteer Structuren gebruiken uit om bestanden te selecteren in de werkruimte- of projecttabel. Selecteer de voorkeursopties in het LigPrep-venster , sla het bestand op de lokale computer op en klik op uitvoeren om de taak voor ligandvoorbereiding te verzenden, zoals weergegeven in afbeelding 6C.

3. Geometrie en optimalisatie van liganden

1. Open de software³¹ voor geometrie-optimalisatie van de gedownloade constructies. Navigeer naar het tabblad Bestand (Afbeelding 7A) en selecteer Openen om het gedownloade SDF-bestand uit de PubChem-database te kiezen.
   OPMERKING: Het bestand wordt geladen in het hoofdvenster. Klik op het andere paarse venster om dezelfde chemische verbindingen te visualiseren. Elke geïmplementeerde instelling toont het resultaat in het paarse venster.
2. Navigeer naar het tabblad Berekenen en selecteer het tabblad Gaussiaanse berekeningsinstellingen. Navigeer naar het tabblad Taaktype dat wordt weergegeven in Afbeelding 7B en kies Optimalisatie of Opt+Freq.
   LET OP: Afhankelijk van het (grootte) aantal atomen of verbindingen, eerst optimaliseren, gevolgd door frequentie. Als de verbinding kleiner is, voer dan Opt+Freq uit. Hoe groter het molecuul, hoe meer tijd het kost om zowel Opt+Freq uit te voeren in vergelijking met Optimalisatie gevolgd door Frequentie.
3. Navigeer naar het tabblad Methode en selecteer de kwantumchemiemethoden en vervolgens de Kohn-Sham global-hybride uitwisselingscorrelatiedichtheid functioneel naar keuze, basisverzameling, lading en spin naar keuze uit de vervolgkeuzepijlen in elke sectie.
4. Navigeer naar de titel en geef een naam op voor de verbinding die wordt onderzocht.
5. Navigeer naar het tabblad Link 0 en geef de geheugenlimiet en gedeelde processors naar keuze op. Schakel de vakjes voor het volledige pad uit, zoals weergegeven in afbeelding 7C.
6. Klik op de knop Bewerken onderaan om het Gaussiaanse invoerbestand op te slaan, zoals weergegeven in afbeelding 3C. Sla het bestand op de gewenste locatie op met een bestandsnaam naar keuze als een Gaussiaans taakbestand (gjf).
   OPMERKING: Nadat u het Gaussiaanse invoerbestand hebt opgeslagen, verschijnt er een pop-upvenster met de inhoud van het bestand in Kladblok. Bewerk de inhoud van het bestand, inclusief opties zoals het wijzigen van de lading en functionaliteit die niet beschikbaar waren in de instellingen. Het voorbereide Gaussiaanse taakbestand wordt gebruikt als het invoerbestand voor indiening om de optimalisatie- en frequentieberekeningen via een lokale computer uit te voeren.
   Vervolgens werd geometrische optimalisatie van deze structuren uitgevoerd met behulp van de MN15-L functionele³² en 6-31++G(d,p) basisset³³. Mochten er zich echter problemen voordoen in het verloop van het optimalisatie- en frequentieproces, dan kan men het werk indienen met behulp van een HPC.

4. Genereren van receptorrasters

1. Navigeer naar Taken en selecteer receptorrastergeneratie³⁴. De interface voor het genereren van receptorrasters in figuur 8A identificeert de actieve plaats van het eiwit waar het kernkristalligand is gebonden. Klik op Pick om de ligand te identificeren en controleer of er een co-gekristalliseerde ligand aanwezig is in de pop-upmelding bovenaan die wordt weergegeven in afbeelding 8B.
2. Selecteer de liganden en/of residuen in de werkruimte en de geselecteerde verbindingen die van belang zijn, tonen een blauwe markering in de werkruimte.
3. Selecteer het tabblad Instellingen in het deelvenster voor het genereren van receptorrasters om de grootte van het rastervak in te stellen. De standaardgrootte van het rastervak is 10 Å x 10Å x 10Å. Wijzig de afmetingen van het vak op het tabblad Rastervak door de gewenste waarden rechtstreeks in te voeren of het formaat van het vak in de werkruimte handmatig te wijzigen.
   OPMERKING: U kunt indien nodig ook aanvullende parameters instellen op het tabblad Geavanceerd , zoals weergegeven in afbeelding 8C . Controleer alle instellingen om de nauwkeurigheid te garanderen.
4. Klik op Uitvoeren om het genereren van het raster te starten. Als u klaar bent, slaat u de gegenereerde rasterbestanden op voor volgende dockingsimulaties. Er verschijnt een meldingsbericht wanneer de taak is voltooid, zoals weergegeven in Afbeelding 8D.

5. Moleculair docken

1. Laad het eiwit en de voorbereide liganden door naar Taken, Docking³⁵ en Ligand Docking (glid docking) te navigeren, zoals weergegeven in Figuur 9A.
2. Laad het rasterbestand uit stap 4.1 hierboven en selecteer de liganden uit de werkruimte met behulp van de ligand gebruiken uit de optie in Afbeelding 9B.
3. Kies de gewenste methode voor dockingprecisie op het tabblad Instellingen in Afbeelding 9 C (standaard dockingprecisie is Standard Precision (SP)).
4. Stel het krachtveld in op OPLS4 voor nauwkeurige modellering van moleculaire interacties. Stel beperkingen in (bijvoorbeeld waterstofbruggen) op het tabblad Beperkingen .
5. Controleer alle instellingen en sla de dockingtaak of het bestand op. Klik op UITVOEREN om het dockingproces te starten.
6. Een melding geeft aan dat de taak is voltooid en de projecttabel wordt geopend voor dockingresultaten. Onderzoek de bindende poses, partituren en interacties.

6. 2D-QSAR-model generatie

1. Ga naar de webpagina van de KNIME community hub en zoek in de zoekbalk naar AutoQsar. Selecteer de tweede AutoQsar-invoer die wordt weergegeven in afbeelding 10A.
2. Klik op het pictogram download workflow en selecteer workflow downloaden in het pop-upmenu dat wordt weergegeven in afbeelding 10B. Sla de werkstroom op de lokale computer op.
3. Zorg ervoor dat KNIME³⁶ is geïnstalleerd en open het vervolgens vanaf de lokale computer. Stel een spreadsheet samen met de canonieke glimlachen, de naam van de structuur, activiteit/IC_50-waarden (in micromolair) en -log(activiteit/IC) of een chemische descriptor naar keuze. Sla het bestand op in een CSV-indeling (door komma's gescheiden waarden) op de lokale computer.
4. Navigeer naar Bestand en importeer de AutoQSAR-workflow³⁷. Klik in het pop-upvenster op KNIME-workflow importeren om de gedownloade AutoQSAR-workflow te selecteren, zoals weergegeven in afbeelding 10C en selecteer Open | Volgende | Voltooien.
5. De AutoQsar workflow wordt linksboven in het KNIME Explorer venster getoond. Dubbelklik op de werkstroom om de werkstroom naar het hoofdvenster te openen.
6. Dubbelklik op het pictogram van de moleculaire lezer (naar MAE) en klik op het tabblad Instellingen op Bestand(en) toevoegen om het werkblad met de gegevensinvoergegevens of parameters toe te voegen.
7. Selecteer het tabblad Geheugenbeleid en klik op Tabellen naar schijf schrijven | Oké.
8. Klik met de rechtermuisknop op de knop Eigenschappen extraheren en selecteer Configureren, zoals weergegeven in afbeelding 10D.
9. Selecteer en filter moleculaire of chemische eigenschappen naar keuze in het venster Uitsluiten in het venster Opnemen . Klik op Toepassen.
10. Klik met de rechtermuisknop op AutoQSAR Build Model en klik op Configureren. Voer deQ SAR-modelnaam in het pop-upvenster in.
11. Klik op desetting-knop en selecteer de woning die geschikt is uit de meegeleverde woningen. Kies de willekeurige waarde van de trainingsset (bijv. 85%:15%) en verschillende modellen die u wilt behouden. Klik op Toepassen.
12. Klik met de rechtermuisknop op de onderste Molecule Reader en selecteer Configureren. Laad de testliganden uit een voorbereid CSV Excel-bestand met de te testen liganden.
13. Klik met de rechtermuisknop op Eigenschappen extraheren en stel de instellingen in naar keuze.
14. Klik met de rechtermuisknop op de bovenste molecuullezer en selecteer uitvoeren.
    OPMERKING: Een oranje stip geeft aan dat het proces is begonnen en een groen lampje geeft aan dat het proces is voltooid. De volgende stap gaat door totdat alle nodes met succes zijn uitgevoerd.
15. . Voer de tweede molecuullezer uit voor testliganden.
16. Sla de zip-map op met de resultaten van de test- en trainingsset na de succesvolle uitvoering van alle knooppunten.
    OPMERKING: Selecteer het best presterende model op basis van kruisvalidatieresultaten zoals SD – standaarddeviatie, R2 – trainingssetcorrelatie tussen werkelijke en voorspelde activiteitswaarden en Q2 – testset werkelijke en voorspelde activiteitscorrelatie.
17. Evalueer de prestaties van de werkstroom door de prestaties van het model te beoordelen met behulp van een scorer of statistische knooppunten.
18. Om de resultaten te interpreteren, identificeert u de hoofd- of belangrijkste descriptoren aan de hand van het kenmerkbelang. Visualiseer de resultaten als een spreidingsdiagram of staafdiagram om de relatie tussen prestaties en descriptor te bepalen. Sla de werkstroom op en exporteer de resultaatgegevens, voorspellingen en visualisaties als een spreidingsdiagram en/of CSV-bestanden.

7. Opsomming

1. Navigeer naar Taak en zoek naar Ligand Designer, zoals weergegeven in Afbeelding 11A.
2. Selecteer een paar van het gekoppelde eiwit en het ligandcomplex in de werkruimtenavigator. Klik op Werkruimte analyseren in het venster Ligand-ontwerper. Om nieuwe liganden te genereren en te evalueren, selecteert u Isostere-scanning uit de lijst met workflows die verschijnen, zoals weergegeven in Figuur 11B impliceert de groeimethode die de ligand uitbreidt door fragmenten toe te voegen aan bestaande delen van het molecuul.
3. Nadat u de optie voore-nummering hebt ingesteld, klikt u op opsommen in het meldingsvenster Isostere Scanning dat verschijnt. Herhaal stap 6.2 voor hetzelfde eiwit en een andere ligand totdat alle liganden hetzelfde proces hebben doorlopen. Bekijk de opgesomde liganden in de tabel Projecten.
4. Sla de structuren op door de ontworpen liganden te exporteren.
   OPMERKING: De opsommingsmethode genereerde een set dockingscores wanneer de simulatie was voltooid.
5. Selecteer afzonderlijk de opgesomde verbindingen met de negatievere dockingscores en koppel ze opnieuw aan met behulp van de dockingprocedure die wordt beschreven in sectie 4.

8. HOMO en LUMO

1. Open de software en upload de geoptimaliseerde ligand in Gaussiaans taakbestandsformaat.
2. Navigeer naar tools en selecteer MO-editor in rode en groene stippen, zoals weergegeven in afbeelding 12A.
   OPMERKING: De opsommingsmethode genereerde een set dockingscores wanneer de simulatie was voltooid.
3. Laad in het MO-editorpaneel onder methode het FChk-bestand door te klikken op Mos laden vanuit het bestaande Chk- of FChk-bestand, zoals weergegeven in afbeelding 12B.
4. Klik op het tabblad visualiseren | bijwerken. Wacht ~10 s totdat het huidige oppervlak verschijnt, zoals weergegeven in afbeelding 12D.
5. Klik op een van de twee selectievakjes naast de gemarkeerde gele cijfers om het HOMO - of LUMO^38-oppervlak te selecteren om in het venster ernaast weer te geven.
6. Klik met de rechtermuisknop op de paarse achtergrond en selecteer Bestand. Klik op het afbeeldingsbestand opslaan om de afbeelding van het huidige oppervlak op te slaan, zoals weergegeven in afbeelding 12E.
7. Klik met de rechtermuisknop op de paarse achtergrond en selecteer Weergave. Kies de weergave-indeling om de achtergrond op het tabblad Algemeen , de transparantie van het oppervlak op het tabblad Surface , de lettergrootte en -kleur op het tabblad Tekst, de afbeeldingskwaliteit en de voorkeurslay-out van het oppervlak onder het tabblad Molecuul te wijzigen, zoals weergegeven in Afbeelding 12F.
8. U kunt ook een kubusbestand genereren en het FChk-bestand uploaden in GaussView. Navigeer naar het tabblad Resultaten en kies Oppervlakken/Contouren. Klik op kubusacties en laad de kubus. Klik op Surface-acties en kies een nieuw oppervlak. Herhaal stap 8.7 om het oppervlak te bewerken.
   OPMERKING: Hoe kleiner de energiekloof tussen de HOMO en LUMO³⁹ (het verschil tussen LUMO en HOMO), hoe reactiever een molecuul naar verwachting zal zijn. Bereken de energiekloof (_E-kloof) met behulp van Eq 1 voor elk molecuul.
   

9. Simulatie van de moleculaire dynamica — Voorbereiding en minimalisering van het systeem

1. Zorg ervoor dat de Schrödinger Suite in de lokale computer is geïnstalleerd en laad de eiwit-ligandcomplexstructuren in de werkruimte⁴⁰.
2. Klik op de knop Taak en kies Desmond System Builder⁴¹. Selecteer in het paneel van de systeembouwer het tabblad Solvatie en kies het vooraf gedefinieerde oplosmiddelmodel zoals weergegeven in afbeelding 13A, de vorm van de doos zoals weergegeven in afbeelding 13B en de berekeningsmethode voor de doosgrootte zoals weergegeven in afbeelding 13C⁴², die geschikt zijn voor het eiwit-ligandcomplex.
3. Selecteer het tabblad ionen en klik op herberekenen om het systeem te neutraliseren door tellers toe te voegen en de gewenste zoutconcentratie in te stellen.
4. Kies de OPLS ^43,44 naar keuze als krachtveld.
5. Geef de taak de juiste naam en sla het taakbestand op de lokale computer op. Klik op uitvoeren om de taak ter voorbereiding in te dienen.
   OPMERKING: Zorg ervoor dat de taaknaam is opgeslagen. Gebruik een gedetailleerde naam.
6. Evenwicht en productie
7. Bekijk het project in de werkruimte Na de voorbereiding van het systeem. Selecteer het eiwit-ligandcomplex in de Workspace Navigator, navigeer door de taak en kies moleculaire dynamica (Desmond).
8. Laad het ligand-eiwitcomplex vanuit de werkruimte in het moleculaire dynamicapaneel. Selecteer de gewenste simulatietijdlijn op het tabblad simulatie . Selecteer NPT als ensembleklasse⁴⁵.
9. Geef de taak de juiste naam en schrijf de taak op. Klik op Sluiten om het venster moleculaire dynamica te verlaten.
10. Dien de uitgeschreven taak in voor de voorbereiding van de moleculaire dynamica via een lokale terminal. Open na voltooiing de voltooide taak en vervolg de simulatietijd vanaf de aanvankelijk ingestelde simulatietijdlijn tot de gewenste simulatietijd⁴⁵, bijvoorbeeld 100 ns, 200 ns.
    OPMERKING: Herhaal stap 9 voor de andere eiwit-ligandcomplexen.
    1. Open de voltooide taak in de Schrödinger Maestro-software en voeg de verschillende simulatietijdschema's samen als er afzonderlijke taken zijn uitgevoerd. Navigeer naar de TASK-knop en selecteer het simulatie-interactiediagram. Laad de samengevoegde bestanden of het afzonderlijke bestand om het traject te visualiseren.
11. Genereer een rapport met de visualisaties en andere gedetailleerde uitvoerresultaten.

10. Moleculaire mechanica met gegeneraliseerde Born en oppervlakte (MM-GBSA)

1. Open het trajectbestand en speel het traject af. Visualiseer waar het eiwit-ligandcomplex in evenwicht is en noteer het aantal frames. Dien de opdracht via de terminal in voor verwerking.
2. Herhaal sectie 9 (bereid de moleculaire dynamica-simulatie van het eiwit voor) voor het andere eiwit-ligandcomplex.
3. Catenate/bekijk de inhoud van het uitvoerbestand om de gegenereerde resultaten te analyseren. Lees het ΔG-gemiddelde af om de bindende vrije energie van het eiwit-ligandcomplex te verkrijgen.
4. Download het CSV-bestand om de bijdragen van verschillende intramoleculaire moleculen te visualiseren.
5. Om de vrije bindingsenergie van het complex te berekenen, moet u rekening houden met de verschillende thermodynamica- en desolvatieparameters, waaronder de bindingsenergie (ΔG_bind), Columbic solvatiemodel (ΔG_bind Coulumb), niet-polaire solvatieterm (ΔG_bind Lipo), waterstofbindingscorrectie (ΔG_bind Hbond), covalente binding (ΔG_bind Covalent), π-π pakkingcorrectie (ΔG_bind Packing), Gegeneraliseerde Born elektrostatische solvatie-energie (ΔG_bind sol GB), en van der Waals-interactie (ΔG_bind vdW).
   1. Leid de uiteindelijke ΔG-binding af door het gemiddelde te nemen van de ΔG-bindingswaarden die zijn bepaald voor elke momentopname in de MD-simulatie, zoals weergegeven in Eq 2.

Results

Genereren van receptorrasters en moleculaire docking

Maestro's tool voor het genereren van receptorrasters werd gebruikt om de bindingsplaats goed te karakteriseren voor de daaropvolgende koppeling. De co-gekristalliseerde ligand werd gebruikt om het raster te definiëren. Er werd gebruik gemaakt van SP precision Glide-instelling voor moleculaire docking. De LigPrep-tool in Schrödinger Maestro werd gebruikt om de liganden voor te bereiden op het aanmeren met behulp van het OPLS4-krachtveld. Voor moleculaire dynamica-simulaties werd in Desmond het OPLS4-krachtveld gebruikt. Krachtvelden zijn van fundamenteel belang voor klassieke moleculaire simulaties en hun nauwkeurigheid is van cruciaal belang voor de kwaliteit van eiwit-ligandbindingssimulaties bij het ontdekken van geneesmiddelen. Voor OPLS4 werden de ladings- en parametertoewijzing voltooid met behulp van Schrödinger Maestro. De toepassing van OPLS4-parameters resulteerde in significante verbeteringen in zowel energetische als geometrische vergelijkingen in vergelijking met de standaardparameters van OPLS2005.

Dit hield in dat specifieke liganden waarvan bekend is dat ze affiniteit hebben voor het HIV-1-doelwiteiwit, werden gekoppeld, waardoor een grondige analyse van de interacties tussen ligandmoleculen en receptorresiduen mogelijk was. Tabel 1 geeft een samenvatting van de classificatie van verbindingen voor QSAR-modellering.

Bij het aanmeren van HBY561 werd het aanmeerprotocol beoordeeld door het opnieuw aangemeerde ligand te vergelijken met het ligand dat werd aangetroffen in de actieve plaats van het kristallijne eiwit 1HQU. De gedockte en gekristalliseerde HBY561-structuren worden weergegeven in aanvullend bestand 1 (aanvullende afbeelding S1 en aanvullende afbeelding S2). Om de gelijkenis tussen gedockte houdingen en referentiestructuren te evalueren, wordt een root-mean-squaredeviation (RMSD)-waarde van minder dan 2,0 Å algemeen beschouwd als een criterium voor betrouwbare dockingresultaten. Deze drempel geeft aan dat de voorspelde structuur nauw aansluit bij de experimentele gegevens. In deze studie vertoonden de liganden een RMSD van 1,27 Å bij het vergelijken van de referentiestructuur met de aangemeerde houding, zoals geïllustreerd in rood in aanvullende figuur S3. Hieruit bleek dat het dockingprotocol voldoende was voor dit werk, en als gevolg daarvan werden alle liganden met dezelfde instellingen gedockt. Bij onderzoek van de dockingscores in tabel 2 hebben Efavirenz en Etravirine de meest gunstige scores laten zien bij -10,432 eV en -9,647 eV ten opzichte van de dockingscore van de co-gekristalliseerde ligand HBY561 (-9,242 eV). Aanvullende figuur 4 uit aanvullend bestand 1 toont de ligandinteractiediagrammen tussen het oorspronkelijke HIV-1-eiwit en kristalligand, etravirine en efavirenz.

Waterstofbruggen, π-π stapeling en hydrofobe interacties zijn de belangrijkste krachten die bijdragen aan binding. Er kwam een specifiek geval van waterstofbinding naar voren tussen HBY561 en het aangewezen eiwit 1HQU, waarbij expliciet het aminozuurresidu LYS101 betrokken was. Dit bindingspatroon weerspiegelde de waarnemingen met de liganden Efavirenz en Etravirine, zoals weergegeven in figuur 14.

Bovendien waren hydrofobe interacties essentieel voor binding op verschillende eiwitlocaties waarbij HBY561, etravirine en efavirenz betrokken waren, naast de intermoleculaire krachten, waterstofbruggen en π-π stapeling. π-π stapeling werd waargenomen tussen TYR318 en de aromatische ring in Efavirenz. Zowel waterstofbruggen als π-π stapeling waren essentieel voor het behoud van de bindingsverbindingen tussen de liganden en het eiwit. Ligandinteractiediagrammen van HBY_561, Nevirapine, Doravirine, Efavirenz en Etravirine worden gepresenteerd in aanvullend bestand 1-SupplementalFigureS5.

Deze intermoleculaire krachten beïnvloeden eiwit-ligandinteracties en zijn cruciaal voor de ontwikkeling van geneesmiddelen die AMR bij HIV-1 verminderen. Hun rol bij het verbeteren van bindingsaffiniteit, specificiteit en werkingsmechanisme helpt bij het ontwerpen van geneesmiddelen die het virus effectief kunnen aanpakken en remmen, waardoor de groeiende bezorgdheid over antimicrobiële resistentie in de context van HIV-1-behandeling wordt aangepakt.

Voorbereiding van 2D-QSAR-gegevensset

De trainings- en testfasen betroffen 94 verbindingen. Deze verbindingen werden gecategoriseerd in vier klassen, die elk liganden vertegenwoordigen die verband houden met het specifieke geteste eiwit. Het trainingsproces maakte gebruik van de KNIME AutoQSAR-workflow met activiteit, HOMO en LUMO werden geselecteerd als de drie descriptoren voor dit onderzoek.

2D-QSAR generatie

Van alle 94 moleculen werd de activiteitswaarde bepaald door middel van experimentele gegevens (aanvullende tabel S1). De resultaten van het QSAR-model zijn te vinden in tabel 3. Klasse 1-verbindingen in aanvullende tabel S2 werden gebruikt voor QSAR-modellering, waarbij de toegevoegde Ar-groepen en hun respectievelijke activiteitswaarden werden weergegeven. De resultaten van de vier klassen geven aan dat de hoogste score van 0,8223, R² van 0,815 en Q ² van 0,8182 werden behaald, wat overeenkomt met klasse 1. Dit komt overeen met de eerdere criteria om te streven naar R² dicht bij 1 en Q² groter dan 0,7⁴⁶. Daarom hebben we klasse 1 geselecteerd voor de training van ons QSAR-model. Hoewel modellen voor de klassen 3 en 4 een uitstekende correlatiewaarde R² van respectievelijk 0,8172 en 0,6673 vertoonden, kwamen ze niet overeen met de prestaties van klasse 1.

Er werd kruiscorrelatie uitgevoerd om de stabiliteit van het voorgestelde QSAR-model verder te valideren volgens het criterium dat het verschil tussen de Q^2-score 0,8223 en R² kleiner of gelijk moet zijn aan 0,3⁴⁷. Ons voorgestelde model voor klasse 1 heeft een verschil van 0,0038. Het spreidingsdiagram dat de waargenomen activiteit weergeeft versus de voorspelde activiteit wordt weergegeven in figuur 15.

HOMO-LUMO energiekloof

De bepaling van de energiekloof tussen de laagste onbezette moleculaire orbitaal en de hoogst bezette moleculaire orbitaal, algemeen bekend als de HOMO-LUMO-energiekloof, speelt een cruciale rol bij het karakteriseren van de chemische reactiviteit en kinetische stabiliteit van een molecuul in de context van de zes NNRTI-verbindingen. De grensmoleculaire orbitalen spelen een cruciale rol bij het vergemakkelijken van interacties tussen lading en de bindingsplaats van het HIV-eiwit. De bevestiging van het energieminimum werd verzekerd door trillingsfrequenties te onderzoeken en de afwezigheid van negatieve of denkbeeldige frequenties te bevestigen; vervolgens werden voor elk energieminimum de HOMO- en LUMO-waarden verkregen. Een hogere HOMO-waarde betekent de vaardigheid van een molecuul als elektronendonor, terwijl een lagere waarde suggereert dat het fungeert als een zwakke elektronenacceptor. Aanvullende figuur S6 geeft de HOMO_LUMO energiekloven weer voor de zes geoptimaliseerde NNRTI's. Bovendien heeft een kleinere energiekloof tussen de HOMO- en LUMO-energieniveaus een sterke invloed op de intermoleculaire ladingsoverdrachtsinteracties die optreden tussen de bestudeerde moleculen vanwege het sterke elektronenaccepterende vermogen en de bioactiviteit van de moleculen⁴⁸.

De trend in de waarden van de energiekloof, zoals weergegeven in tabel 4, volgt een afnemende volgorde: Efavirenz > Etravirine > HBY-561 > Nevirapine > Delavirdine > Doravirine > Rilpivirine. De aanzienlijke energiekloof die is waargenomen voor Efavirenz en Etravirine betekent dat de analyses van dockingscores een correlatie aantonen tussen bioactiviteit en de HOMO-LUMO-kloof. Met name het antivirale potentieel neemt toe bij grotere HOMO-LUMO-kloofwaarden. Het geeft niet alleen de stabiliteit van de verbindingen aan, maar ook hun potentieel om stabiele interacties met de receptor te vormen. De HOMO-LUMO-kloof speelt een belangrijke rol bij het begrijpen van de bioactiviteit van moleculen, met name in de context van het ontwerp van HIV-1-geneesmiddelen.

Opsomming

Er zijn verschillende tools gemaakt voor de opsomming van virtuele bibliotheken. Hulpmiddelen die worden gebruikt voor het opsommen zijn onder meer Schrödinger. Het is gebaseerd op de kernhopping-methode, waarbij bibliotheken worden gemaakt door een of meer bijlagen op een kernstructuur te vervangen door fragmenten van reagensverbindingen⁴⁹. De opsommingstool in Maestro v13.1 werd gebruikt om aangepaste zijgroepen of atomen toe te voegen aan elk van de zes NNRTI's. De nieuwe verbindingen werden ook gebruikt om activiteiten te voorspellen. Er was een verbetering in de verwachte activiteitswaarden van de opgesomde moleculen in vergelijking met de aanvankelijk geoptimaliseerde NNRTI-moleculen, zoals te zien is in Tabel 5.

De verbetering die werd aangetoond in de activiteitswaarden van de opgesomde liganden was te danken aan het tellingsproces dat werd uitgevoerd toen de toegevoegde aangepaste R-groep de interactiekrachten van de nieuwe voorgestelde verbinding en het oorspronkelijke eiwit beïnvloedde. De opgesomde verbindingen werden voorbereid voor de kwantummechanica door deze moleculen te optimaliseren en hun trillingsfrequenties te berekenen. Hun energietekorten werden berekend en vergeleken met de energietekorten van de NNRTI's. De algemene waarneming, zoals weergegeven in tabel 6, geeft aan dat de opgesomde verbindingen stabieler zijn dan hun geoptimaliseerde tegenhangers.

In tabel 6 werd opgemerkt dat de energiekloof van de opgesomde verbindingen in vergelijking met de geoptimaliseerde verbindingen een vergelijkbare trend vertoonde. Dit geeft aan dat de chemische eigenschappen van de opgesomde moleculen onveranderd bleven, ongeacht enige conformationele rotatie. Zo waren ze in staat om belangrijke intermoleculaire krachten te behouden met de aminozuurresiduen van het eiwit.

Alvorens het inventarisatieproces voor de NNRTI's uit te voeren, zoals beschreven in protocolsectie 6, hadden de waargenomen outputresultaten hun initiële dockingscores van het tellingsproces, weergegeven in tabel 7 onder de opgesomde dockingscorekolom. Zoals uitgelegd in protocol sectie 4, werd het moleculaire dockingproces uitgevoerd om de voorgestelde dockingscore voor de opgesomde verbindingen te valideren. Waargenomen kon worden dat na het opnieuw aanmeren van de opgesomde verbindingen, de nieuwe aanmeeringsscores verbeterden, zoals weergegeven in de kolom 'opnieuw aangemeerde opgesomde liganden'. De opnieuw gedockte scores voor de opgesomde verbindingen werden vergeleken met de dockingscores van de oorspronkelijke NNRTI's die werden weergegeven in de kolom 'originele dockingscore' in tabel 7. Opgemerkt kon worden dat voor de opgesomde verbindingen de dockingscores voor HBY_561, Etravirine, Efavirenz en Doravirine beter waren dan die van hun equivalente geoptimaliseerde verbindingen. Delavirdine heeft echter dezelfde dockingscore als opgesomd en geoptimaliseerd Delavirdine.

Moleculaire dynamica

Drie waterstofbruggen worden gevormd door HBY 561 met LYS101, de sterk elektronegatieve N-atomen en de OH. De kristalligand, of derde molecuul, brengt twee waterstofbruggen tegelijk tot stand met zwavel en waterstof en een derde waterstofverbinding met GLU138. Belangrijk is dat π-π stapeling en hydrofobe interacties aanzienlijk bijdragen aan de betrokken intermoleculaire krachten. Bovendien is de aanwezigheid van extra waterstofbruggen cruciaal voor de moleculaire dynamica, met name weerspiegeld in de resulterende grafieken van de gemiddelde kwadratische afwijking (RMSD). In totaal worden drie waterstofbruggen waargenomen die worden gevormd door Efavirenz met het zeer elektronegatieve stikstofatoom, het zuurstofatoom op de andere niet-aromatische ring en de benzeenring en TYR318 tussen de ligand sterk elektronegatieve N bij de centrale ring. Een tweede waterstofbrug tussen N van de ring en de OH en LY101 is te zien. Etravirine vertoont drie waterstofbruggen met LYS101. Doravirine vormt een waterstofbrug met GLU138. Nevirapine vertoont twee waterstofbruggen met LY101.

In dit geval is de aminozuurresidu-interactie die door alle liganden wordt gedeeld LYS101. Hoewel hun structuren verschillen, interageren ze allemaal met hetzelfde aminozuurresidu. MD-simulaties werden uitgevoerd met de parameters vermeld in protocolsectie 2.8 om vast te stellen hoe goed of slecht elk ligand (NNRTI en de vermelde NNRTI) bindt aan de actieve plaats van 1HQU. De ligandinteractie weergegeven in figuur 16 geeft robuuste waterstofbruggen aan tussen het aminozuur LY101 van het eiwit en de moleculen HBY 561, Nevirapine, Efavirenz en Etravirine. Zoals te zien is in de vergelijking in tabel 7, zijn deze sterke interacties verantwoordelijk voor de hoge dockingscores van elke verbinding.

Om de bindingswerkzaamheid van elk ligand, inclusief NNRTI en opgesomd NNRTI, op de actieve plaats van 1HQU te beoordelen, werden moleculaire dynamicasimulaties (MDS) uitgevoerd. In het bijzonder werden de vier opgesomde verbindingen geselecteerd die betere dockingscores vertoonden dan de oorspronkelijke geoptimaliseerde combo's. Deze gekozen verbindingen werden onderworpen aan MDS als validatiemethode om de reactie van elk molecuul met het HIV-1-eiwit gedurende een bepaalde periode te onderzoeken en te observeren, rekening houdend met de interatomaire interacties in aanwezigheid van een ligand.

Voordat we met MDS begonnen voor de recent opgesomde glycanen, was het essentieel om de geschiktheid van het simulatieprotocol voor ons systeem te bevestigen. Om dit te bereiken, bestond de eerste stap uit het uitvoeren van MDS van het vrije eiwit 1HQU. Er was geen ligand aanwezig in de actieve plaats van het eiwit (Figuur 17A en Aanvullende Figuur S7). Tot ~60 ns zijn er aanzienlijke fluctuaties in de eiwitstructuur, waardoor Cα RMSD-verschuivingen tot 4,5 Å ontstaan; daarna lijkt het eiwit te stabiliseren met een RMSD-fluctuatie van ~3,5 Å tot 200 ns. Deze stabilisatie overtuigde ons ervan dat het MD-protocol geschikt zou zijn voor onze eiwit-ligandcomplexen, die in de volgende sectie zullen worden geanalyseerd.

De 200 ns MDS van etravirine en opgesomd etravirine (figuur 17B,C) toonden fluctuaties van de gemiddelde kwadratische afwijking (RMSD) van etravirine in de buurt van 5,0 Å en een evenwicht van 4,5 Å. Het opgesomde etravirine vertoonde RMSD-fluctuaties van 4,5 Å en een evenwicht van 3,5 Å. Deze stabilisatie geeft aan dat opgesomd etravirine een potentieel NNRTI-ligand kan zijn voor de behandeling van HIV/AIDS. Een traject met een RMSD van minder dan 5 Å betekent een robuust bindend effect tussen het eiwit en de ligand van de actieve plaats. Deze waarneming werd gehouden voor alle eerder genoemde verbindingen, behalve nevirapine en doravirine, van de opgesomde verbindingen (aanvullend bestand 1: aanvullende figuur S8, aanvullende figuur S9, aanvullende figuur S10 en aanvullende figuur S11).

Figuur 18 en Figuur 19 analyseren verder de binding tussen etravirine, opgesomd etravirine en het eiwit. De geanalyseerde gegevens omvatten een histogram van de interactie-, ligand-eiwit- en eiwit-ligandcontacten. Het interactiecontactenhistogram voor elk respectievelijke ligand dat aan het eiwit is gebonden, is direct gerelateerd aan de overeenkomstige interactiekrachten tussen de residuen van het aminozuur van het eiwit en het ligand. De hoge abundantie van LYS101 is zeer duidelijk voor etravirine en opgesomd etravirine, en er werd een zichtbare dikke oranje band waargenomen. Een vaag waarneembare lichtoranje band aan het onderste uiteinde van de opgesomde etravirinekaart werd waargenomen in correlatie met TYR181. Deze overeenkomst wijst op het bestaan van twee intermoleculaire aantrekkingskrachten tussen GLU138. Deze positieve observatie voor de liganden en hun opgesomde vormen werd vergeleken om een beter ligand te analyseren als een potentiële NNRTI-verbinding. Op basis van de verstrekte resultaten heeft de opgesomde etravirine het potentieel om te worden gebruikt voor de behandeling van HIV/AIDS.

Moleculaire mechanica met gegeneraliseerde Born en oppervlakte (MM-GBSA) berekeningen

In deze studie was de primaire bron van energetische input voor de bindende vrije energie,_ΔG-binding, de bijdrage van de van der Waals, ΔG_VdW, interactie. Opgesomd etravirine heeft een hogere ΔG_VdW van -66,146 kcal/mol dan zijn bekende NNRTI-tegenhanger met een ΔG_VdW van -64,669 kcal/mol. De hogere ΔG_Hbond-waarde van -2,541 kcal/mol opgesomd Etravirine geeft de significante bijdrage aan van de waterstofaantrekkingskrachten tussen het ligand en het eiwit. De bijdragen van de ΔG_Coulomb en ΔG_Covalent voor opgesomd etravirine (-17.976 en 2.807 kcal/mol) waren veel groter dan die van de bekende NNRTI-tegenhanger, die respectievelijk -11.196 en 2.491 had.

De waargenomen resultaten tijdens de binding van etravirine en het opgesomde etravirine met het 1HQU-eiwit zijn enigszins consistent. Opgesomd Etravirine bleek beter te zijn dan zijn tegenhanger, Etravirine, vanwege twee extra waterstofbruggen. Uit het onderzoek bleek ook dat opgesomd etravirine de voorkeur had voor binding aan de geïdentificeerde pocket. De negatievere_ΔG-binding (-89,684 kcal/mol) voor opgesomd etravirine in vergelijking met die van etravirine (-80,551 kcal/mol) toont aan dat opgesomd etravirine een goede remmer is van HIV-1 RT.

Figuur 1: Chemische structuren van zes goedgekeurde niet-nucleotide reverse transcriptaseremmers van de Amerikaanse Food and Drug Administration voor humaan immunodeficiëntievirus-1. NVP = Nevirapine; DLV = Delavirdine; EFV = Efavirenz; ETV = Etravirine; RPV = Rilpivirine; DOR = Doravirine. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Het openen van de Maestro Schrödinger-applicatie op Windows op de lokale computer. (A) Navigeren naar de Maestro Schrödinger-applicatie op de lokale computer. (B) Hoe de Maestro Schrödinger-applicatie te openen en uit te voeren op de lokale computer. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Importeren van een PDB-bestandsstructuur van de lokale computer naar het projectvenster in Schrödinger. (A) Importstructuurfunctie in Maestro Schrödinger. (B) Tekstvak PDB-ID. (C) Gedownload PDB-bestand op de lokale computer. (D) Importknop om het ingevoerde PDB-ID-bestand te importeren. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Structuur van het PDB-bestand dat is geïmporteerd in het Schrödinger-projectvenster. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Workflow voor eiwitbereiding. (A) Zoekinterface voor eiwitbereiding. (B) De naam van het taakbestand opslaan en het eiwitbereidingsproces starten. (C) Bewakingsvenster voor het uitvoeren van taken. (D) Het afbreken van de ligand in zijn afzonderlijke componenten. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: Workflow voor ligandvoorbereiding. (A) Importeren van structuren van de lokale computer naar het projectvenster van Schrödinger voor eiwitpreparaten. (B) Zoeken naar Ligand voorbereidingsproces. (C) Workflowvenster voor ligandvoorbereiding. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7 :Workflow voor geometrie en optimalisatie. (A) GaussView-menuvenster voor geometrie-optimalisatie. (b) Beschikbare taaktypen op het tabblad Berekenen van GaussView. (C) Opties die beschikbaar zijn onder het tabblad Link0 in GaussView. Klik hier om een grotere versie van deze figuur te bekijken. 

Figuur 8: Generatie van glijdende gride en moleculaire docking-workflow. (A) Workflow-interface voor het genereren van receptorroosters. (B) Pop-upmelding voor het selecteren van een atoom in de ligand. (C) Geavanceerde instellingen van de receptor. (D) Kennisgeving van voltooiing van de taak. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 9: Glijdende ligand docking. (A) Interface voor het zoeken naar glide ligand docking. (b) Ligand docking-interface. (C) Precisie-instellingen voor Glide Docking. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 10: KNIME QSAR voorbereidingsworkflow. (A) Zoeken naar AutoQSAR node op de webpagina van de KNIME community hub. (B) Downloadknop om het AutoQSAR KNIME-knooppunt te verkrijgen. (C) Het importeren van de gedownloade AutoQSAR KNIME Workflow. (D) Configuratie-instellingen voor liganden bij het bouwen van een QSAR-model. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 11: Opsomming van liganden met behulp van Ligand Designer in Maestro Schrödinger. (A) Zoeken naar Ligand Designer-opties in Schrödinger. (B) Lijst met workflows voor het uitvoeren van het opsommingsproces. Klik hier om een grotere versie van deze figuur te bekijken.

Afbeelding 12: Workflow voor het genereren van HOMO-LUMO. (A) Om toegang te krijgen tot de opties voor de moleculaire editor op het tabblad Extra in GaussView. (B) Het laden van een bestaand Chk- of FChk-bestand om grensverleggende moleculaire orbitalen te genereren. (C) Illustratie van de HOMO en LUMO grensorbitalen in GaussView. (D) Visualiseer venster om de HOMO en LUMO frontier orbitalen weer te geven. (E) Het redden van de grensorbitalen van de HOMO en LUMO. (f) Interface voor weergaveformaat in GaussView. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 13: Workflow voor voorbereiding, opstelling, voorbereiding en uitvoering van moleculaire dynamica. (A) Desmond System Builder: Solvatie-opties om starre watermodellen te bepalen. (B) Desmond System Builder Grensopties om de vorm van het vak te bepalen. (c) Desmond System Builder: methode voor het berekenen van de grootte van de doos. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 14: Ligand-interactiediagrammen tussen 1HQU en 3 top gedockte liganden. Krachten van interactie tussen eiwit (1HQU) en (A) het kristalligand (HBY561), (B) Efavirenz en (C) Etravirine. Deze krachten beïnvloeden eiwit-ligandinteracties en zijn cruciaal voor de ontwikkeling van geneesmiddelen die de antimicrobiële resistentie bij HIV-1 verminderen. Hun rol bij het verbeteren van bindingsaffiniteit, specificiteit en werkingsmechanisme helpt bij het ontwerpen van geneesmiddelen die het virus effectief kunnen aanpakken en remmen, waardoor de groeiende bezorgdheid over antimicrobiële resistentie in de context van HIV-1-behandeling wordt aangepakt. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 15: Een spreidingsdiagram toont de waargenomen activiteit versus de voorspelde activiteit voor klasse 1 van het QSAR-model. De grafiek geeft de aanpassing weer tussen klasse 1 als de trainingsset en de NNRTI-verbindingen als de testset om een voorspellende activiteitswaarde te geven. Afkortingen: NNRTI = non-nucleotide reverse transcriptaseremmers; QSAR = kwantitatieve structuur-activiteitsrelatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 16: Ligand interactie diagrammen. Krachten van interacties tussen het eiwit en (A) opgesomd kristalligand HBY_561, (B) opgesomd Nevirapine, (C) opgesomd Doravirine, (D) opgesomd Efavirenz, en (E) opgesomd Etravirine. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 17: Moleculaire dynamica simulatie interactiediagram van het vrije eiwit etravirine en opgesomd etravirine. (A) Moleculaire dynamica interactiediagram van het vrije eiwit. (B) Moleculaire dynamica interactiediagram van etravirine. (C) Moleculaire dynamica interactiediagram van opgesomd etravirine. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 18: Histogram van de interactiecontacten tussen etravirine en het eiwit. (A) Tijdlijn van eiwit-ligandcontacten voor etravirine. (B) De tijdlijn van de eiwit-ligandinteracties in de loop van de tijd, inclusief H-bindingen, hydrofobe, ionische en waterbrugcontacten. (C) Een schema met gedetailleerde interacties tussen ligandatomen en eiwitresiduen. Alleen interacties die meer dan 30% van de simulatietijd (0,00 tot 200 ns) voorkomen, worden weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 19: Interactie contacten histogram tussen opgesomd etravirine en het eiwit. (A) Tijdlijn van eiwit-ligandcontacten voor opgesomd etravirine. (B) De tijdlijn van de eiwit-ligandinteracties in de loop van de tijd, inclusief H-bindingen, hydrofobe, ionische en waterbrugcontacten. (C) Een schema met gedetailleerde interacties tussen ligandatomen en eiwitresiduen. Alleen interacties die meer dan 30% van de simulatietijd (0,00 tot 200 ns) voorkomen, worden weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.

Klas	Eiwit doel	Samengesteld assortiment	Totaal aantal geselecteerde verbindingen
1	NL4-3 wildtype HIV-1	(8a1-8e5 – EC50 (nM)a)	25
2	IIIB WT HIV-1	13a1-13d6 - EG50 (nM)a	23
3	RES056 NNRTI-resistente stam	13a1-13d6 - EG50 (nM)a	23
4	ROD HIV-2 stam	13a1-13d6 - EG50 (nM)a	23
Totaal aantal verbindingen geselecteerd voor QSAR-modellering			94

Tabel 1: Samenvatting van de criteria voor de classificatie van verbindingen voor QSAR-modellering. Een dataset van 94 dihydrofuro[3,4-d] pyrimidineverbindingen werd gesynthetiseerd door Kang en collega's⁵⁰ voor het richten op verschillende HIV-stammen, namelijk NL4-3 wildtype HIV-1, IIIB WT HIV-1, RES056 NNRTI-resistente stam en ROD HIV-2-stam. Deze pyrimidinederivaten werden gegroepeerd in vier klassen op basis van hun doeleiwit ter voorbereiding op het uitvoeren van onze QSAR-training. De tabel vat samen hoe deze moleculen werden gegroepeerd in vier klassen op basis van hun experimentele EC_50-waarden , die de potentie van een medicijn vertegenwoordigen, geoperationaliseerd als de concentratie waarbij het medicijn 50% van zijn maximale effect uitoefent. Afkortingen: NNRTI = non-nucleotide reverse transcriptaseremmers; QSAR = kwantitatieve structuur-activiteitsrelatie.

Eiwit naam	Ligand	Partituur aanmeren
1HQU	Efavirenz	-10.432
	Etravirine	-9.647
	HBY_561	-9.242
	Doravirine	-9.04
	Nevirapine	-8.825
	Rilpivirine	-7.722
	Delavirdine	-6.519

Tabel 2: Docking-scores van zes geoptimaliseerde NNRTI's en het HIV-1-eiwit. De dockingscores zijn voor de zes NNRTI's die worden onderzocht. De negatievere score duidt op een goede bindingseffectiviteit tussen het ligand en het eiwit. Efavirenz en Etravirine hebben de gunstigste scores laten zien bij -10,432 eV en -9,647 eV ten opzichte van de dockingscore van de co-gekristalliseerde ligand HBY561 (-9,242). Potentiële liganden waren die met een negatievere dockingscore, minder dan -9.242 eV.

Drug klasse	Activity fitting op 85 procent	Kolom 1	Kolom 2	Kolom 3	Kolom 4	Kolom 5
	Partituur	SD	R2	RMSE	Vraag2	Q2 MW (nulhypothese)
1	0.8223	0.3268	0.815	0.2479	0.8185	0.1462
2	0.5671	0.2996	0.5067	0.1996	0.2264	0.4736
3	0.8172	0.3692	0.8114	0.1536	0.9065	-1.1532
4	0.6673	0.367	0.6436	0.1709	0.8852	0.1445
*SD – standaarddeviatie,
R2 – correlatie van de trainingsset tussen werkelijke en voorspelde activiteitswaarden,
V2 – testset werkelijke en voorspelde activiteitscorrelatie.
RMSE - Root Mean Squared Error

Tabel 3: Statistische parameters van het 2D-QSAR-model. De tabel geeft de standaarddeviatie weer, de correlatie van de trainingsset tussen werkelijke en voorspelde activiteitswaarden (R²) en de hoge score van de testset werkelijke en voorspelde activiteitscorrelatie voor elke klas (^V2). De hogere score (R²) staat voor de klas.

LIGAND	HOMO	LUMO	E kloof
Efavirenz	-0.2242	-0.06943	0.15477
Etravirine	-0.21408	-0.08141	0.13267
Nevirapine	-0.20602	-0.07759	0.12843
HBY_561	-0.19687	-0.0748	0.12207
Delavirdine	-0.19651	-0.07958	0.11693
Doravirine	-0.22413	-0.10916	0.11497
Rilpivirine	-0.21343	-0.11216	0.10127

Tabel 4: HOMO-LUMO energiekloof van de geoptimaliseerde NNRTI's. De tabel toont de resultaten van de HOMO-LUMO-energiekloven die zijn verkregen na optimalisatie van de zes NNRTI's.

Ligand	Geoptimaliseerde liganden	Opgesomde liganden
Doravirine	7.229	7.374
Rilpivirine	7.302	7.279
Etravirine	7.229	7.374
Efavirenz	7.229	7.323
Delavirdine	7.302	7.302
Nevirapine	7.229	6.988
HBY_561	7.229	7.323

Tabel 5: Voorspelde activiteitsscores van geoptimaliseerde NNRTI's versus overeenkomstige opgesomde NNRTI's. De tabel vergelijkt de voorspellende activiteitsscores tussen geoptimaliseerde en opgesomde liganden. Hoe hoger de activiteitsscores, hoe beter de verbinding als potentieel medicijn.

LIGAND	Energiekloof na optimalisatie	Energiekloof na opsomming	Gap Verschil tussen geoptimaliseerde en opgesomde verbindingen
Doravirine	0.115	0.126	0.011
Rilpivirine	0.101	0.127	0.030
Etravirine	0.133	0.126	0.010
Efavirenz	0.155	0.126	0.030
Delavirdine	0.117	0.126	0.010
Nevirapine	0.128	0.126	0.002
HBY_561	0.122	0.126	0.004

Tabel 6: Vergelijking van de voorspelde energiekloof van de opgesomde NNRTI's en de oorspronkelijke energiekloof van de geoptimaliseerde NNRTI's. De tabel toont een vergelijking van de HOMO-LUMO-energiekloof tussen de geoptimaliseerde en opgesomde liganden en de verschillen in energiekloof tussen hen.

Opgesomd ligand	Regel van 5 eigenschappen	Kolom 1	Kolom 2	Kolom 3	Kolom 4	Kolom 5	Zijgroep toegevoegd	Opgesomde dockingscore	Originele docking-score	Opnieuw aangemeerde opgesomde liganden
	AlogP	PSA	HBD	HBA	MW	MPO
Doravirine	2.4	125.9	2	8	441.8	0.49	Hydroxyl	-8.894	-9.04	-9.739
Etravirine	4.4	140.9	3	8	451.3	0.37	Hydroxyl	-10.258	-9.647	-10.517
Efavirenz	3.7	64.3	2	3	330.7	0.75	Amine	-10.284	-10.432	-11.025
Nevirapine	2.6	58.1	1	4	284.3	0.73	Fluoride	-9.112	-8.825	-9.445
HBY_561	2.4	93.9	2	6	358.5	0.66	Amide	-9.596	-9.242	-10.1
AlogP - (berekende logaritme van de octanol-water verdelingscoëfficiënt).
PSA - (polair oppervlak)
HBD - (Donoren van waterstofbruggen)
HBA - (Acceptoren voor waterstofbruggen)
MW - (molecuulgewicht)
MPO - (optimalisatie van meerdere parameters)

Tabel 7: Vergelijking van de dockingscore tussen de originele en de opgesomde NNRTI's. De tabel toont de vergelijking tussen de opgesomde dockingscores, die de dockingscores zijn na de opsomming. De originele dockingscores zijn de dockingscores van de geoptimaliseerde NNRTI's. De opnieuw aangemeerde opgesomde scores zijn de aanmeeringsscores van de liganden die zijn opgesomd. Aangezien het inventarisatieproces een voorspellende dockingscore geeft, moesten liganden opnieuw worden gedockt met dezelfde methode als de geoptimaliseerde liganden. De toegevoegde groepen zijn de groepen die tijdens het tellingsproces aan de liganden zijn toegevoegd.

Ligand	ΔGbinden	ΔGCoulomb	δgCovalent	ΔGHbond	ΔGLipo	ΔG-pakket	ΔGOplossen	ΔGVdW
Etravirine	-80.551	-11.196	2.491	-1.509	-27.447	-4.826	26.605	-64.669
Opgesomd etravirine	-89.684	-17.976	2.807	-2.541	-27.652	-4.211	26.034	-66.146
HBY561	-79.664	-12.261	0.994	-0.521	-26.052	-1.278	18.624	-59.169
Opgesomd HBY561	-82.719	-13.443	1.534	-0.603	-27.053	-1.210	20.600	-62.544
Efavirenz	-71.372	-12.984	1.151	-0.834	-25.353	-1.379	14.472	-46.44
Opgesomd Efavirenz	-79.125	-18.602	1.753	-2.159	-25.409	-1.198	16.619	-50.129

Tabel 8: MMGBSA-reXts van geselecteerde liganden op 1HQU. De tabel geeft de moleculaire mechanica weer met gegeneraliseerde born en oppervlakteberekeningen, die een gemiddelde bindingsvrije energie (ΔGbind) van het eiwit-ligandcomplex laten zien. De tabel toont een vergelijking tussen de oorspronkelijk geoptimaliseerde liganden die goede dockingscores vertonen ten opzichte van de kristalliganden en hun opgesomde tegenhangers. De gekozen verbinding met een hogere dockingscore en een goede moleculair dynamische simulatie RMSD-fluctuatie bij equilibratie zou ook moeten voldoen aan de MMGBSA-berekeningen door de meest negatievebindingsvrije energie van (ΔG-binding) te laten zien. In dit geval voldoet opgesomd etravirine aan beide rekenparameters.

Aanvullend bestand 1: Andere rXts verkregen in deze studie. Klik hier om dit bestand te downloaden.

Discussion

De DFT^26-methode werd gebruikt om de elektronische eigenschappen en stabiliteit van verschillende pyrimidinederivaten te analyseren, wat niet het geval is in vergelijkbare onderzoeken. Het gebruik van DFT zorgt voor een beter begrip van de moleculaire interacties op kwantumniveau, waardoor het ontwerpproces van NNRTI's wordt verbeterd. In deze studie hebben we zes NNRTI's geselecteerd met onbekende activiteitswaarden. We haalden hun moleculaire structuren op uit de PubChem-database en voerden geometrische optimalisatie uit met behulp van de Minnesota 15 Local (MN15-L)³² functionele en 6-31++G (d,p)² basisset in het Gaussiaanse 16 revisie C01³³ kwantummechanica softwarepakket. Om simulatie-invoerbestanden op te zetten, hebben we GaussView 6.0²⁶ gebruikt. De kwantumstructuren werden vervolgens gekoppeld aan de actieve plaats van het HIV-1-eiwit.

De studie maakte gebruik van een QSAR-benadering⁵¹, die is afgestemd op het voorspellen van de biologische activiteit van NNRTI's op basis van hun chemische structuur. Dit model wordt gegenereerd met behulp van een dataset van 94 dihydrofuro[3,4-d] pyrimidinederivaten, waardoor de belangrijkste functionele groepen kunnen worden geïdentificeerd die de antivirale activiteit beïnvloeden. Het opnemen van een robuust QSAR-model is een cruciale vooruitgang, omdat het helpt om verbindingen vroeg in het ontwerpproces te filteren, waardoor de werkzaamheid van de ontdekking van geneesmiddelen wordt verbeterd.

Er werd rekening gehouden met de voorspelde activiteiten van de nieuwe verbindingen en de docking-scores werden gevalideerd. De geavanceerde moleculaire dockingtechniek onderzocht de bindingsinteracties tussen NNRTI's en het HIV-1 reverse transcriptase-enzym. Dit werd aangevuld met moleculaire dynamica-simulaties over een langere periode (200 ns), die inzicht gaven in de stabiliteit en het gedrag van de geneesmiddel-eiwitcomplexen onder fysiologische omstandigheden. Moleculaire dynamica⁵² valideerde de bevindingen van docking-studies. Door het gedrag van geneesmiddel-enzymcomplexen in de loop van de tijd te simuleren, kunnen we de dynamische stabiliteit en interacties beoordelen die mogelijk niet worden vastgelegd in statische dockingstudies⁵³. Deze benadering biedt een meer realistische beoordeling van hoe NNRTI's kunnen presteren in biologische systemen. De simulaties toonden aan dat etravirine RMSD-fluctuaties van ongeveer 4,5 Å produceerde, terwijl het opgesomde etravirine RMSD-fluctuaties van 3,5 Å gaf. Er waren verschillende overeenkomsten tussen etravirine en opgesomd etravirine, waarbij de opgesomde verbinding verbeterde aminozuurinteracties vertoonde binnen de actieve plaats van het eiwit. De lagere RMSD, verbeterde aminozuurinteracties en de hoogste bindingsvrije energie suggereren allemaal dat het opgesomde etravirine zou kunnen dienen als een levensvatbaar alternatief voor de behandeling van HIV/AIDS.

Het gebruik van opsommingstechnieken⁵⁴ om stereoisomeren te genereren en isostere-scanning uit te voeren, is een opmerkelijk aspect van dit onderzoek. Deze methode stelt onderzoekers in staat om een bredere chemische ruimte voor potentiële NNRTI's te verkennen door systematisch bestaande structuren aan te passen, wat kan leiden tot de ontdekking van verbindingen met een verbeterde werkzaamheid en verminderde weerstand.

Het onderzoek integreert HOMO-LUMO-analyse afgeleid van kwantummechanische berekeningen om de reactiviteit en stabiliteit van de verbindingen te evalueren. Dit aspect wordt vaak over het hoofd gezien in vergelijkbare studies⁵⁵, maar het biedt waardevolle inzichten in elektronische eigenschappen die de biologische activiteit kunnen beïnvloeden

Het gebruik van de MMGBSA-methode in deze studie om de bindende vrije energieën van de opgesomde NNRTI's te schatten als potentiële HIV-1 reverse transcriptase (RT)-remmers, biedt een nieuw aspect dat de betekenis en potentiële impact van dit werk op de ontwikkeling van HIV-behandeling vergroot.

De toepassing van MMGBSA in deze studie geeft een nauwkeurigere schatting van de bindende vrije energieën voor het opgesomde etravirine in vergelijking met zijn tegenhanger. Door de bindende vrije energiewaarden te berekenen, beoordeelt de studie kwantitatief de bindingsaffiniteit van opgesomd etravirine, die aanzienlijk hoger was (9,133 kcal/mol) dan die van standaard etravirine. Dit detailniveau in bindingsenergieberekeningen zorgt voor een meer genuanceerd begrip van hoe structurele modificaties de werkzaamheid van NNRTI's kunnen beïnvloeden, wat vaak ontbreekt in vergelijkbare studies die uitsluitend op kwalitatieve beoordelingen kunnen berusten.

De gerapporteerde_{ΔG-covalente} waarde van 1,477 kcal/mol geeft verder de sterkte van de interactie voor de opgesomde verbinding aan. De vergelijkende benadering is innovatief omdat het niet alleen een veelbelovende kandidaat identificeert, maar deze ook plaatst in de bredere context van bestaande therapieën, en een benchmark vormt voor toekomstige NNRTI-ontwikkeling.

De vergelijking in tabel 8 geeft ook aan dat opgesomd etravirine een potentiële verbinding kan zijn die als alternatieve ART kan worden gebruikt, aangezien de bindingsvrije energie van (ΔG-binding) de hoogste is in vergelijking met etravirine, HBY56, etravirine en hun opgesomde tegenhangers.

De resultaten van onze studie kunnen een aanzienlijke invloed hebben op de ontwikkeling van nieuwe therapeutische middelen voor hiv-infectie. Bovendien kan deze aanpak het mogelijk maken om de meest veelbelovende anti-hiv-kandidaat te identificeren. Deze bevindingen kunnen de weg vrijmaken voor het rationele ontwerp van nieuwe HIV-1 NNRTI's.

De integratie van MMGBSA in combinatie met andere computationele methoden (zoals moleculaire docking, QSAR-modellering en moleculaire dynamica-simulaties) verbetert de robuustheid van de bevindingen. Deze geïntegreerde aanpak maakt een uitgebreide evaluatie van de verbindingen mogelijk, van structurele optimalisatie tot dynamisch gedrag in een biologische context. Een dergelijke methodologie is relatief nieuw in NNRTI-onderzoek, waar studies zich vaak richten op geïsoleerde methoden zonder een holistische kijk op het ontwerpproces van geneesmiddelen. Het onderzoek belicht verschillende veelbelovende resultaten en een beter begrip van de moleculaire interacties tussen NNRTI's en het reverse transcriptase-enzym, wat kan worden gebruikt voor toekomstige inspanningen op het gebied van medicijnontwerp.

Terwijl andere studies op het gebied van NNRTI-ontwikkeling zich vaak richten op enkelvoudige computationele methoden of eenvoudige docking-analyses, onderscheidt dit onderzoek zich door kwantumchemische berekeningen te combineren met moleculaire dynamica en QSAR-modellering, waarbij een systematische opsommingsbenadering wordt gebruikt die de potentiële chemische ruimte voor NNRTI's uitbreidt, en gebruik maakt van een uitgebreide in-silico raamwerk dat niet alleen bindingsaffiniteiten voorspelt, maar ook de stabiliteit en dynamiek van geneesmiddel-enzyminteracties beoordeelt.

Over het algemeen ligt de nieuwigheid van dit onderzoek in de veelzijdige aanpak, waarbij gebruik wordt gemaakt van geavanceerde computationele technieken om de uitdagingen van resistentie tegen geneesmiddelen bij de behandeling van hiv aan te pakken, waardoor de weg wordt vrijgemaakt voor de ontwikkeling van effectievere NNRTI's. De bevindingen onderstrepen het potentieel voor het ontwikkelen van effectievere NNRTI's die de beperkingen van de huidige therapieën kunnen overwinnen.

Enkele toekomstige toepassingen van de aanpak die in dit protocol wordt beschreven, zijn de volgende.

Integratie met machine learning

Toekomstige studies zouden MMGBSA kunnen integreren met machine learning-algoritmen om de voorspellende kracht van bindende schattingen van vrije energie te verbeteren. Door modellen te trainen op grote datasets, kunnen onderzoekers de nauwkeurigheid en betrouwbaarheid van voorspellingen verbeteren, waardoor veelbelovende NNRTI-kandidaten beter kunnen worden geïdentificeerd.

Toepassing in fragment-gebaseerd medicijnontwerp

MMGBSA kan effectief worden gebruikt bij het ontwerpen van geneesmiddelen op basis van fragmenten, waarbij kleine moleculaire fragmenten worden geoptimaliseerd om de bindingsaffiniteit te verbeteren. Deze aanpak zou kunnen leiden tot de identificatie van nieuwe NNRTI's met een verbeterde potentie en selectiviteit tegen HIV-1.

Exploratie van mechanismen voor resistentie tegen geneesmiddelen

De techniek kan worden toegepast om de bindingsinteracties van NNRTI's met mutante stammen van HIV-1 te bestuderen. Door bindingsvrije energieën van NNRTI's te vergelijken met zowel wildtype als resistente varianten, kunnen onderzoekers inzicht krijgen in de mechanismen van resistentie tegen geneesmiddelen en het ontwerp van remmers van de volgende generatie informeren.

Evaluatie van farmacokinetische eigenschappen

MMGBSA kan ook worden gebruikt om de farmacokinetische eigenschappen van NNRTI's te evalueren, zoals oplosbaarheid en permeabiliteit. Door te begrijpen hoe deze eigenschappen correleren met bindingsaffiniteit, kunnen onderzoekers kandidaat-geneesmiddelen optimaliseren voor betere therapeutische profielen.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GaussView	GaussView		V6.1.1
KNIME	KNIME		V4.7.1
Schrodinger Maestro V13.6	SCHRODINGER INC.		License release year 2023-2