Een tweetalige computationele workflow voor het identificeren van potentiële PLK1-remmers in Amerikaanse gebarentaal en Engels
3 april 2026
Dit tweetalige protocol biedt een computationele workflow voor geneesmiddelenontdekking die eiwit-ligandinteracties van Polo-achtige Kinases 1 tot 3 (PLK1–3) en de eigenschappen van Absorptie, Distributie, Metabolisme, Excretie, Toxiciteit en Stabiliteit (ADMET-S) van in databases gebaseerde natuurlijke moleculen beoordeelt.
Een tweetalige computationele workflow. Introductie. Onderzoek toont aan dat PLK1 overbelast is in verschillende kankers. Remming van PLK1 via zijn polo-box domein, PBD, is aangetoond apoptose te induceren.
Het doel van deze studie is het identificeren van selectieve PLK1-PBD-remmers met de gewenste medicinale en farmacokinetische eigenschappen. Homologen PLK2 en PLK3 werden onderworpen aan dezelfde protocollen om selectiviteit te beoordelen. Protocol. Richt op eiwitbereiding.
Hier gebruiken we CHARMM-GUI om PLK1, 4HCO, te optimaliseren vanuit de Protein Data Bank, PDB. Dit zorgt ervoor dat het eiwit geen ontbrekende residuen of waterstoffen heeft. Laten we doorgaan met het gereedschap.
Selecteer onder Input Generator PDB Reader Manipulator. Scroll naar beneden naar het invoervak. Zorg ervoor dat de PDB-optie is geselecteerd voordat je 4HCO invoert voor PLK1.
Op de volgende pagina selecteert u de eiwitketen B om alleen de verwerkingsketen A te verwijderen. Scroll naar beneden bij PDB Info en ga verder. Van de vier uitvoeren selecteren we het PDB-bestand en slaan het op.
Tot slot open je het PDB-bestand met een teksteditor. Vind en vervang de histidine protonatietoestand van HSD naar HIS. Screening van natuurlijke productdatabases.
De benadering om een monster van kleine moleculen te verkrijgen om PLK1 te targeten maakt gebruik van een database met natuurlijke producten en bestaat uit drie onderdelen. Natuurlijke productdatabases zijn uitgebreid, dus de eerste verbindingen komen voort uit het selecteren van een ziekte en betrouwbaarheidslimiet. In dit voorbeeld wordt SuperNatural 3.0 gebruikt.
SuperNatural 3.0 wordt gebruikt om moleculen te verkrijgen via ziekteselectie. Een manier om te vragen is via menselijke routes. Hier wordt borstkanker geselecteerd.
De KEGG ID voor dit pad staat hier. Daarna typen we de KEGG ID in de SuperNatural 3.0-route. Alternatief kunnen we op Ziekte klikken, borstkanker selecteren en het volledige resultaatbestand opslaan.
Bij veelgestelde vragen kan de volledige bibliotheek van de database worden gedownload. Ga door. Ga verder met het uitpakken van de gezipte bestanden, haal de CSV op en verwijder het zipbestand. Open R Studio, of een IDE naar keuze.
Na het importeren van gegevens in R Studio hebben de eerste volledige resultaten 73.046 moleculen. Er zijn 1.193 moleculen na toepassing van betrouwbaarheidslimieten. Clusterbemonstering.
Na het toepassen van Lipinski's vijf-regel met de RDkit. Chem package, we blijven over met 999 moleculen. Hier is duidelijk dat we 999 moleculen hebben.
Vervolgens passen we K-means clustering toe om 50 representatieve moleculen af te leiden. Clustering is gebaseerd op Tanimoto-overeenkomst. Berekening van eiwit-ligandkoppeling en bindingsaffiniteit.
Het doel van deze methode is om PLK1 aan elke ligand te koppelen voor bindingsaffiniteit. Ga verder naar open CB-Dock2. Ga naar het tabblad Dock.
Hier uploaden we de 4hco. PDB als het doeleiwit voor docking. Upload een ligand.
Hier beginnen we met ligand één. Je kunt ook deze SMILES-string typen of plakken. Typ je e-mail in voor het gemak van gegevensverzameling.
Klik daarna op Auto Blind Docking. Er worden de resultaten per e-mail gestuurd. Sla het zipbestand van de dockingresultaten op.
Na het opslaan wordt het zipbestand uitgepakt, en daarin bevinden zich verschillende bestanden. Verwijder alle bestanden, met uitzondering van het complex. PDB-bestanden.
Er zou een standaard vijf-complex moeten zijn. PDB-bestanden. Maak de map schoon door de niet-uitgepakte zipbestanden te verwijderen.
Na voltooiing van eiwit-ligand koppeling met CB-Dock2, die poses rangschikte op Vina-scores, is de volgende stap het berekenen van de bindingsaffiniteit met PRODIGY. Bindingsaffiniteit met PRODIGY zorgt voor een concurrerende beoordeling van eiwitselectiviteit. Het is gunstig dat liganden selectief zijn op PLK1, en niet op de structurele homologen.
Ga naar de PRODIGY-webserver. Selecteer het tabblad PRODIGY-LIGAND. Verwijs naar een complex.
PDB-bestand om de eiwit- en ligandketenidentificaties te bepalen. Het complex. Het PDB-bestand wordt geopend met een teksteditor.
De ketenidentificatie voor het eiwit is P.That wordt in de webserver ingevoerd. De ligandketen begint meestal bij HETATM. Zoek daarnaar.
De ketenidentificatie voor de ligand is A:UNL. Dat wordt in de webserver geplaatst. De vijf complexen die voor elke eiwitligandcombinatie worden geleverd, worden tegelijk geüpload.
Voor deze taak wordt een ontwikkeld bestandsbeheerscript in R gebruikt. Het script zipt het pdb-bestand voor alle dockingcombinaties. Na het verpakken worden de bestanden handmatig geüpload naar PRODIGY.
Dien PRODIGY-ligand in. Er is een lijst met bindingsaffiniteiten voor elke vijf poses in de geüploade combinatie. Delta-Gnoelec is de bindingsaffiniteitsscore, exclusief elektrostatische berekeningen.
Sla de resultaten op, die gezipt zijn. Bij het openen van het zipbestand is er een uitvoermap met de affiniteitsscores. ADMET-S evaluatie.
De ADMET-evaluatie, zonder stabiliteit, omvat drie verschillende instrumenten. ADMET beoordeelt de drogbaarheid en biobeschikbaarheid met meer dan 120 eigenschappen. ORCA past de dichtheidsfunctionaaltheorie, DFT, toe om geneesmiddeleigenschappen te analyseren.
Laten we doorgaan. Maak een map aan voor stabiliteit. Haal de GLINJES-string van een klein molecuul op.
Open Avogadro, of een molecule-editor naar keuze. Gebruik de SMILES string om je kleine molecuul te bouwen. Bewaar het molecuul na het bouwen.
Zorg ervoor dat deze zich in een stabiliteitssubmap bevindt. Ga verder met Optimaliseer de Geometrie. Vervolgens wordt een ORCA-invoerbestand gegenereerd.
Kopieer en plak het gewenste niveau van theorie, zoals te zien is in de vierde regel van het voorbeelddocument. Ga verder met het vervangen van het standaardniveau van theorie. Ga verder met het genereren van het bestand.
Sla op in deze stabiliteitsmap. Voeg het SH-bestand of bash job-bestand toe. Ga verder met het aanpassen van de parameters van het taakbestand.
Bijvoorbeeld, de e-mail die op de hoogte moet worden gesteld kan worden aangepast. Representatieve resultaten. Ten eerste hebben we PCA voor meerdimensionale reductie.
Deze figuur toont verschillende genummerde clusters gegroepeerd in grijze ellipsen. Vervolgens de resultaten van monster ligand 1 en PLK1-PBD. Linksboven staat een afbeelding van ligand 1 in groen, met ongewenste residuen, rood en oranje.
Rechts staat een representatief model na reiniging en voorbereiding met CHARMM-GUI. Hieronder staat het aangemeerde complex met PLK1, PBD en ligand 1. Daarnaast toont CB-Dock2 de top vijf dockingholtes en hun affiniteiten in de vorm van Vina-scores.
Voorspelde bindingsaffiniteiten van PRODIGY kunnen worden weergegeven met heatmaps. De heatmap toont de rollen van homologen PLK1, 2 en 3. Rood staat voor zwakke, ongewenste affiniteit, en groen het tegenovergestelde.
ADMET-S-evaluatie kan worden weergegeven met verschillende figuren. Eerst is er het gekookte ei. De heatmap identificeert de status van inhibitoren en niet-substraat met groen en rood van liganden tegen verschillende metabole indicatoren.
Voor clearance, een lijngrafiek die ideale tijdsdrempels toont voor het geneesmiddel dat vóór expressie wordt verdeeld. Verschillende metrics kunnen ook worden samengevoegd tot een nuttige radarkaart. Het aantal toxicoforen in elke ligand kan worden weergegeven met een kolomdiagram.
Toxtree levert zowel een classificatie van geneesmiddeltoxiciteit als kwalitatieve redenering op basis van Cramers regelkeuzeboom. Stabiliteit of moleculaire reactiviteit kan worden weergegeven met een lijngrafiek van adequate HOMO-LUMO-gapdrempels. Conclusie. Samenvattend maakt dit protocol gebruik van diverse virtuele drugsscreening-, bindingsaffiniteits- en ADMET-S-tools op middelbare school- of bachelorniveau.
De resultaten die uit dit protocol worden gegenereerd, hebben het potentieel om de opbrengst van gunstige geneesmiddelenontdekking te verhogen.
Overzicht
Dit protocol toont een tweetalige computationele workflow voor het identificeren van potentiële PLK1-remmers. Het benadrukt het belang van het beoordelen van eiwit-ligandinteracties en ADMET-S-eigenschappen bij de ontdekking van geneesmiddelen.
Belangrijke studiecomponenten
Wetenschapsgebied
- Chemie
- Computationele biologie
- Farmacologie
Achtergrond
- PLK1 is overgeëxpreseerd in verschillende kankersoorten.
- Remming van PLK1 kan apoptose induceren.
- De studie heeft als doel selectieve PLK1-PBD-remmers te identificeren.
- Natural product-databases worden gebruikt voor het screenen van potentiële remmers.
Doel van de studie
- Om een workflow te ontwikkelen voor het identificeren van PLK1-remmers.
- Om de medicinale en farmacokinetische eigenschappen van kandidaten te beoordelen.
- Om computationele tools te gebruiken voor geneesmiddelontdekking.
Gebruikte methoden
- Eiwitvoorbereiding met behulp van CHARMM-GUI.
- Screening van natural product-databases met SuperNatural 3.0.
- Docking van eiwit-ligand en berekeningen van bindingsaffiniteit.
- ADMET-S evaluatie voor druggability en biologische beschikbaarheid.
Belangrijkste resultaten
- Identificatie van 999 kandidaatmoleculen na screening.
- Bindingsaffiniteiten berekend met behulp van PRODIGY.
- ADMET-S evaluatie geeft inzicht in de eigenschappen van geneesmiddelen.
- Visualisatie van resultaten door middel van verschillende grafische representaties.
Conclusies
- Het protocol biedt een uitgebreide aanpak voor virtueel geneesmiddelscreening.
- Het heeft potentiële toepassingen bij het verbeteren van geneesmiddelontdekking.
- De workflow is geschikt voor educatieve doeleinden op middelbare school- of bachelorniveau.
Veelgestelde vragen
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
