Kwantitatieve structuur-activiteitsrelatie, activiteitsvoorspelling en moleculaire dynamiek van niet-nucleotide reverse transcriptaseremmers
9 mei 2025
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.
Het onderzoek richt zich op computerondersteund medicijnontwerp om nieuwe innovatieve medicijnen te ontwikkelen of bestaande medicijnen opnieuw te gebruiken voor Afrika-gerelateerde ziekten. Oké, dus in ons vakgebied hebben we momenteel veel machine learning-toepassingen die mensen ontwikkelen, en dit is iets dat we ook binnen onze groep willen opnemen om de bètamedicijnen te ontwerpen. Momenteel maken we gebruik van wat bekend staat als high-performance computing, en dit is in feite wat ons onderzoek versnelt door gebruik te maken van zowel CPU- als GPU-technologie om sneller resultaten te krijgen wanneer we experimenteren.
Op dit moment is computational nog een heel nieuw vakgebied in onderzoek en studenten kunnen vaak niet aan wat er gedaan moet worden, dus het duurt wel wat langer voordat ze de discipline op peil hebben. Onlangs hebben we een aantal natuurlijke producten gehad, die we hebben kunnen isoleren die prominent aanwezig zijn voor Afrika en die momenteel worden gebruikt voor de behandeling van SARS-CoV-2, waar we naar op zoek zijn. Ga om te beginnen naar het vensterpictogram op het beeldscherm en klik erop.
Selecteer alle apps en scrol omlaag om de Schrödinger-map te vinden. Open de map en klik op het Maestro-pictogram. Selecteer open om de software te starten.
Om de eiwitstructuur op te halen, klikt u op het tabblad Bestand en selecteert u PDB ophalen in het pop-upmenu. Voer de PDB-code van uw keuze in het tekstvak in en klik op de knop Downloaden. Het geselecteerde PDB-bestand verschijnt in het projectvenster.
U kunt het eiwit ook downloaden uit de eiwitdatabank door de PDB-ID in het zoekvak in te voeren en op Downloaden te klikken. Navigeer in Maestro naar het tabblad Bestand en selecteer Structuren importeren. Zoek in de importinterface het gedownloade PDB-bestand en klik op Importeren.
Selecteer nu de eiwitstructuur en klik er met de rechtermuisknop op. Selecteer het bereide eiwit, klik met de rechtermuisknop op de muisknop, kies de optie Splitsen en splits in liganden, water en andere. Open de PubChem-database en typ de naam van de verbinding in de zoekbalk om de chemische verbinding te downloaden.
Controleer de beschikbare structuren, klik op Downloaden en selecteer 3D-Conformer om de structuurcoördinaten op te slaan als een gestructureerd gegevensbestand of SDF. Klik op het tabblad Bestand in Schrödinger en selecteer Structuren importeren. Navigeer naar de locatie waar de SDF is opgeslagen en laad de verbinding.
Klik op Taak in Schrödinger, typ LigPrep in de zoekbalk en selecteer het. Klik op Structuren gebruiken vanaf om bestanden uit de werkruimte of projecttabel te kiezen. Selecteer de voorkeursopties in het LigPrep-venster en klik op Uitvoeren om de taak voor ligandvoorbereiding te verzenden.
Visualiseer de voorbereide liganden in het softwarevenster. Open de software voor geometrie-optimalisatie van de constructies. Navigeer naar het tabblad Bestand en selecteer Openen om de gedownloade SDF van PubChem te kiezen.
Navigeer naar het tabblad Berekenen en selecteer Gaussiaanse berekeningsinstellingen. Kies op het tabblad Taaktype de optie Optimalisatie of Optimalisatie plus frequentie. Navigeer nu naar het tabblad Methode en selecteer de Quantum Chemistry-methode.
Kies de Cone Sham Global Hybrid Exchange Correlation Density Functioneel, Basisset, Charge en Spin naar keuze in de vervolgkeuzemenu's. Ga naar het tabblad Titel en voer een naam in voor de verbinding die wordt onderzocht. Navigeer naar het tabblad Link Zero en geef de geheugenlimiet en gedeelde processors op.
Verwijder het vinkje in de vakjes voor het volledige pad. Klik op de knop Bewerken onderaan om het Gaussiaanse invoerbestand op de gewenste locatie op te slaan met een bestandsnaam naar keuze als Gaussiaans taakbestand of GJF. Navigeer naar Taken en selecteer Receptor Grid Generation om de actieve plaats van het eiwit te detecteren die gebonden is aan de kern van het kristalligand.
Klik op Kiezen om de ligand te identificeren en selecteer vervolgens de co-gekristalliseerde ligand. Klik op Uitvoeren om het raster in te dienen voor generatie. Ga voor moleculaire docking naar Taken, selecteer Ligand Docking en kies vervolgens Ligand Docking Glide Docking.
Laad vervolgens het rasterbestand en selecteer liganden uit de werkruimte met behulp van de optie Ligand van gebruiken. Schakel het vakje Weergavereceptor bovenaan in, voeg een geschikte taaknaam toe en verzend de taak door op Uitvoeren te klikken. Kies op het tabblad Instellingen de gewenste precisiemethode voor docking.
Configureer beperkingen zoals waterstofbruggen. Nadat u alle instellingen hebt gecontroleerd, klikt u op Uitvoeren om het dockingproces te starten. Bekijk de dockingresultaten en vergelijk de dockingscores voor en na het optimaliseren van de liganden.
Selecteer een paar van het gekoppelde eiwit en het ligandcomplex in de werkruimtenavigator. Navigeer naar Taken, ga naar Ligand Designer en klik op Werkruimte analyseren in het venster Ligand Designer. Om nieuwe liganden te genereren en te evalueren, selecteert u Isostere Scanning uit de workflowlijst, wat de groeiende methode impliceert die de ligand uitbreidt door fragmenten toe te voegen aan bestaande moleculaire structuren.
Analyseer de dockingresultaten van de opgesomde verbindingen en identificeer een verbinding met een negatievere waarde dan de co-gekristalliseerde verbinding minus 9,242. Klik vervolgens op de knop Taak en kies Desmond System Builder. Selecteer in het deelvenster Systeembouwer het tabblad Solvatie.
Kies het vooraf gedefinieerde oplosmiddelmodel dat geschikt is voor het eiwitligandcomplex. Selecteer vervolgens de vorm van het vak en de berekeningsmethode voor de grootte van het vak. Selecteer vervolgens het tabblad Ionen en klik op herberekenen om het systeem te neutraliseren door tellerionen toe te voegen en de gewenste oplossingsconcentratie in te stellen.
Bekijk na de voorbereiding van het systeem het project in de werkruimte. Selecteer het eiwitligandcomplex in de werkruimtenavigator. Navigeer naar Taak en kies Moleculaire dynamica Desmond.
Laad het ligandeiwitcomplex vanuit de werkruimte in het paneel Moleculaire dynamica. Selecteer de gewenste simulatietijdlijn op het tabblad Simulatie. Kies NPT als ensembleklas.
Geef de taak de juiste naam in het deelvenster Moleculaire dynamica. Schrijf de taak uit en klik op Sluiten om het venster Moleculaire dynamica te verlaten. 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 tijdlijn tot de gewenste simulatietijd. Bijvoorbeeld 100 nanoseconden of 200 nanoseconden. Open het trajectbestand en speel het traject af.
Visualiseer waar het eiwitligandcomplex in evenwicht is en noteer het aantal frames. Dien de opdracht in via Terminal. Bekijk de inhoud van het uitvoerbestand om de gegenereerde resultaten te analyseren en download het CSV-bestand.
Open het CSV-bestand en noteer de bindingsenergie. Gebruik ten slotte de getoonde vergelijking en bereken de vrije bindingsenergie van het complex door het gemiddelde te nemen van de bindingsenergiewaarden die voor elke momentopname binnen de MD-simulatie zijn bepaald. Een spreidingsdiagram toont de waargenomen activiteit versus de voorspelde activiteit voor klasse één van het QSAR-model.
De grafiek geeft de aanpassing weer tussen klasse één als de trainingsset en de niet-nucleotide reverse transcriptaseremmers als de testset om een voorspellende activiteitswaarde te geven. De trainingsset sloot goed aan op de regressielijn, terwijl de testset kleine afwijkingen vertoonde. De krachten van interacties tussen het eiwit in verschillende liganden onthulden waterstofbruggen met lysine 101 in alle liganden.
Moleculair dynamische simulaties van het vrije eiwit stabiliseerden zich na ongeveer 60 nanoseconden bij een RMSD van ongeveer 3,5 Angstroms, wat de betrouwbaarheid van het protocol bevestigt. Opgesomd etravirine, dat zich stabiliseerde op 3,5. Angstrom vertoonde een sterkere en stabielere binding op de actieve plaats van HIV één reverse transcriptase in vergelijking met etravirine, dat zich stabiliseerde op 4,5 angstrom.
De contacttijdlijn van opgesomd etravirine duidde ook op sterkere en stabielere interacties in de loop van de tijd.
Overzicht
Deze studie richt zich op computerondersteund geneesmiddelontwerp om Enumerated Etravirine te identificeren als een potentiële therapeutische agent voor HIV. Het onderzoek maakt gebruik van high-performance computing en moleculaire dynamica om de rationele ontwerp van nieuwe NNRTI's te ondersteunen.
Belangrijkste onderzoekscomponenten
Wetenschapsgebied
- Computerondersteund geneesmiddelontwerp
- HIV behandelingsalternatieven
- Moleculaire dynamica simulaties
Achtergrond
- Machine learning toepassingen in geneesmiddelontwerp
- High-performance computing voor snellere onderzoek
- Natuurlijke producten voor Afrikaans-gerelateerde ziekten
- Huidige focus op SARS-CoV-2 behandeling
Doel van het onderzoek
- Om innovatieve geneesmiddelen te ontwikkelen of bestaande te hergebruiken
- Om het potentieel van Enumerated Etravirine voor HIV te verkennen
- Om geneesmiddelontwerp methodologieën te verbeteren met behulp van computationele tools
Gebruikte methoden
- High-performance computing met CPU en GPU technologie
- Ligand voorbereiding en moleculaire docking
- Moleculaire dynamica simulaties voor eiwit-liganden complexen
- Gebruik van Schrodinger software voor structuuranalyse
Belangrijkste resultaten
- Identificatie van veelbelovende verbindingen voor HIV behandeling
- Succesvolle moleculaire docking resultaten met geoptimaliseerde liganden
- Inzichten in moleculaire interacties en dynamica
- Ondersteuning voor rationele ontwerp van nieuwe NNRTI's
Conclusies
- Enumerated Etravirine vertoont potentie als een therapeutisch agent
- Computationele methoden kunnen geneesmiddelontdekking versnellen
- Verder onderzoek is nodig om bevindingen te valideren
Veelgestelde vragen
Executive Industry Relevance
Computational structure-activity modeling and molecular dynamics are increasingly critical for de-risking antiviral drug discovery, especially in the context of emerging resistance to NNRTIs in HIV. This workflow enables predictive assessment of ligand binding, stability, and activity, supporting early triage and prioritization of candidate molecules. Integrating QSAR, docking, and simulation data enhances predictive confidence at the target validation and lead identification stages.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of NNRTI binding and activity against HIV-1 reverse transcriptase.
- Supports mechanistic de-risking by correlating molecular features with biological activity via QSAR modeling.
- Facilitates rapid triage of candidate derivatives based on predicted binding affinity and stability.
Screening & Assay Development
- Prepares validated ligand-protein complexes for downstream experimental screening workflows.
- Standardizes computational assessment of binding energies and RMSD for reproducible comparison.
- Generates quantitative outputs (docking scores, free energy, RMSD) to inform compound selection.
Translational & Preclinical Research
- Aligns computational predictions with disease-relevant protein targets for translational continuity.
- Provides a framework for prioritizing compounds with improved stability and binding for preclinical validation.
- Reduces risk of late-stage attrition by flagging unstable or weakly binding candidates early.
Pipeline & Workflow Integration
This integrated computational workflow spans early discovery through lead identification, providing a bridge from in silico hypothesis testing to experimental validation.
- Discovery Biology: Supports target validation by quantifying ligand-protein interactions and stability.
- Screening: Delivers reproducible, quantitative metrics for compound ranking and selection.
- Analytics: Outputs include docking scores, RMSD, and free binding energy for robust comparative analysis.
- Translational Research: Connects computational predictions to preclinical candidate prioritization when supported by stability and binding data.
- Enterprise Reuse: Establishes a scalable, reusable computational platform for future antiviral or resistance-focused projects.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target engagement and activity for NNRTI candidates.
- Operational Value: Standardizes computational workflows for reproducibility and scalability across teams.
- Strategic Value: Enables data-driven go/no-go decisions and reduces late-stage biological risk.
- Portfolio Impact: Supports risk-adjusted prioritization of antiviral candidates for advancement.
Implementation Considerations
- Requires expertise in computational chemistry, molecular modeling, and data analysis.
- Depends on access to high-performance computing infrastructure and specialized software (e.g., Schrodinger suite).
- Demands cross-team standardization of input data, parameter settings, and output interpretation.
- Adaptation may be needed for different protein targets or compound classes.
- Limitations include reliance on in silico predictions, which require experimental validation for translational progression.
Biopharma FAQs
Chapters in this video
0:00
Introduction
1:10
Retrieving and Importing Protein Structures
2:30
Ligand Preparation
3:30
Geometry and Optimization of Ligands
4:46
Receptor Grid Generation and Molecular Docking
5:57
Enumeration, Molecular Dynamics, and Molecular Mechanics with Generalized Born and Surface Area (MM-GBSA)
9:02
Results
