Method Article

Analizy strukturalne zmiennej fragmentu pojedynczego łańcucha specyficznej dla receptora naskórkowego czynnika wzrostu za pomocą podejścia in silico

DOI:

10.3791/65894

⸱

November 10th, 2023

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

In This Article

Summary

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

Ten protokół przewidywania modelowania homologii przeciwciał jest kontynuowany przez dokowanie przeciwciało-receptor Pyrx i symulację dynamiki molekularnej. Te trzy podstawowe metody są wykorzystywane do wizualizacji dokładnych obszarów wiązania przeciwciało-receptor i stabilności wiązania końcowej struktury.

Abstract

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

Przeciwciała przeciwko zmiennym fragmentom pojedynczego łańcucha (scFv) były wcześniej zbudowane ze zmiennych lekkich i ciężkich łańcuchów połączonych łącznikiem (Gly4-Ser) 3. Łącznik został stworzony przy użyciu oprogramowania do modelowania molekularnego jako struktura pętli. W tym miejscu przedstawiamy protokół analizyin silico kompletnego przeciwciała scFv, które oddziałuje z receptorem naskórkowego czynnika wzrostu (EGFR). Modelowanie homologii, z Pyrx dokowania białko-białko i dynamiczna symulacja molekularna oddziałującego przeciwciała scFv i EGFR Po pierwsze, autorzy wykorzystali program do modelowania struktury białka i Python do modelowania homologii, a struktura przeciwciała scFv została zamodelowana pod kątem homologii. Badacze pobrali oprogramowanie Pyrx jako platformę w badaniu dokowania. Symulację dynamiki molekularnej przeprowadzono przy użyciu oprogramowania do modelowania. Wyniki pokazują, że gdy symulacja MD została poddana minimalizacji energii, model białkowy miał najniższą energię wiązania (-5,4 kcal/M). Ponadto symulacja MD w tym badaniu wykazała, że zadokowane przeciwciało EGFR-scFv było stabilne przez 20-75 ns, gdy ruch struktury gwałtownie wzrósł do 7,2 A. Podsumowując, przeprowadzono analizę in silico, a symulacje dokowania molekularnego i dynamiki molekularnej przeciwciała scFv dowiodły skuteczności zaprojektowanego leku immunologicznego scFv jako swoistej terapii lekowej dla EGFR.

Introduction

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

Zmiany konformacyjne w białku (ligand i receptor) zawsze zachodzą w oparciu o funkcje oparte na strukturze. Badanie możliwych rowków wiążących białko i przewidywanie stabilnej interakcji wiązania jest zaawansowaną metodą przygotowania leków do lepszego zastosowania w organizmie człowieka. Modelowanie homologii, a następnie dokowanie i symulacja dynamiki molekularnej to prosta metoda dokładnego przewidywania stabilnych interakcji wiązania między resztami receptorów i skonstruowanych przeciwciał, które są używane jako specyficzna medycyna spersonalizowana1,2. Przewidywana struktura modelu może wykazywać zmiany konformacyjne i rearanżacje w miejscach wiązania ligand-receptor, szczególnie na granicy faz przeciwciało-receptor. Przyczyn tych zmian jest wiele, takich jak rotacja łańcuchów bocznych, globalna transformacja strukturalna lub bardziej złożone modyfikacje. Głównym powodem modelowania homologii jest odróżnienie trzeciorzędowej struktury białka od jego struktury pierwszorzędowej2,3.

Receptor kinazy tyrozynowej zwany receptorem naskórkowego czynnika wzrostu (EGFR) odgrywa wiele ról biologicznych w komórkach nowotworowych, w tym apoptozę4,5, differentiation6,7, progresja cyklu komórkowego8,9, development9,10, oraz Transkrypcja11. EGFR jest jednym z dobrze znanych celów terapeutycznych w leczeniu raka piersi12. Nadekspresja regularnej aktywności kinazy, takiej jak EGFR, zwykle prowadzi do progresji komórek rakowych, która może być tłumiona przez wiele rodzajów inhibitorów raka13. Receptor naskórkowego czynnika wzrostu (EGFR) został wykorzystany jako receptor dla zmiennej pojedynczego fragmentu łańcucha specjalnie skonstruowanej do pracy przeciwko temu receptorowi. Jego przewidywana struktura została wykorzystana do zbadania aktywności wiązania przeciwciał.

W tym artykule struktura przeciwciała scFv została zamodelowana za pomocą oprogramowania do modelowania za pomocą skryptu Python i metody modelowania homologii14,15. Model homologiczny można zbudować na podstawie sekwencji białek i aminokwasów receptorów i ligandów16,17. Ponadto wykorzystano zaawansowane technologie bioinformatyczne, takie jak dokowanie molekularne, aby przewidzieć, w jaki sposób ligandy małocząsteczkowe będą wiązać się z właściwym docelowym miejscem wiązania. Dokowanie zrównoważyłoby rozwój nowych leków ukierunkowanych na wiele chorób. Zachowanie powiązania jest brane pod uwagę5,18.

Ponadto, dokowanie molekularne jest kluczową techniką ułatwiającą i przyspieszającą rozwój wiązania ligand-receptor. Dokowanie molekularne umożliwia naukowcom wirtualne badanie przesiewowe biblioteki ligandów pod kątem białka docelowego oraz przewidywanie konformacji i powinowactwa ligandów do docelowego białka receptorowego. Symulacja dynamiki molekularnej (MNS) pokazuje, w jaki sposób reszty poruszają się w przestrzeni, symuluje ruchy przeciwciał w kierunku ich receptorów, a na koniec dostarcza informacji na temat projektowania przeciwciał. Badanie to jest nowatorskim przewidywaniem wymiarów siatki, które decydowało o tym, w jaki sposób przeciwciało scFv wiąże się z EGFR oraz o wykryciu energii i czasu tego wiązania w symulacji MD.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

1. Przewidywania dotyczące struktury drugorzędowej białka o zmiennej pojedynczego fragmentu łańcucha (scFv)

  1. Zbuduj strukturę 3D białka o zmiennej jednołańcuchowej (scFv) za pomocą banku danych białek BLAST (PDB), numeracji KABAT i oprogramowania do modelowania. scFv składa się z łącznika (Gly4-Ser), który łączy zmienny łańcuch ciężki (VH) i zmienny łańcuch lekki (VL).
  2. Użyj oprogramowania do modelowania molekularnego, aby zbudować łącznik jako strukturę pętli i wykonaj wszystkie te metody zgodnie z opisem w poprzednich badaniach2,19,20.

2. Wybór szablonu oraz przewidywanie struktur scFv i EGFR 3D oraz modelowanie homologii

  1. Wybierz szablon 1ivo dla struktur EGFR (w oparciu o jego wysoką rozdzielczość). Pobierz plik 1ivo.pdb ze strony internetowej pdb, jak pokazano na rysunku Rysunek 1B.
  2. Przygotuj wejściowy plik 1ivo.pdb zgodnie z poniższym opisem.
    1. W pliku 1ivo.pdb usuń wszystkie zewnętrzne ligandy, otwierając stronę internetową pdb.org i wybierając 1ivo. Struktura i szukanie nazwy ligandów pod tytułem małej cząsteczki na stronie struktury 1ivo na stronie internetowej pdb.
    2. Znajdź nazwę liganda NAG. Otwórz plik 1ivo.pdb pobrany ze strony internetowej pdb i znajdź pozostałość zakończenia (TER.).
    3. Usunąć pozostałości ligandów zewnętrznych w strukturze 1ivo, zaczynając od reszty po TER. i przed końcem pozostałości. Zapisz plik 1ivo.pdb w systemie.
  3. Przygotuj zapisany plik 1ivo.pdb zgodnie z poniższym opisem.
    1. Pobierz oprogramowanie dokowania Autodock (autodock.scripps.edu) z obszaru wyboru okna. Kliknij plik Otwórz plik 1ivo.pdb.
    2. Użyj polecenia Edytuj, aby wybrać opcję Dodaj wodór > Dodaj, a następnie wybierz opcję Tylko biegunowy, a następnie naciśnij przycisk OK.
    3. Użyj polecenia Edytuj, aby dodać ładunki Kollmana (Rysunek uzupełniający 1). Użyj polecenia Edytuj, aby usunąć wodę. Zapisz plik 1ivo.pdb na komputerze.
  4. Zminimalizuj energię struktury 1ivo.pdb zgodnie z poniższym opisem.
    1. Pobierz oprogramowanie SPDBV. ze strony http://spdbv.vital-it.ch/disclaim.html. Otwórz plik 1ivo.pdb.
    2. Zaznacz wszystko. Wybierz polecenie Wydajność > Minimalizacja energii > Ok (Rysunek uzupełniający 2). Zapisz plik 1ivo na komputerze.
  5. Przygotuj pełny model scFv przy użyciu modelowania homologicznego, jak opisano poniżej.
    1. Pobierz oprogramowanie do modelowania17 i powłokę skryptu Pythona 3.7.9 z okna 64. Przechowuj pobrane pliki oprogramowania na dysku D.
  6. Przygotuj pliki wejściowe zgodnie z poniższym opisem.
    1. Załaduj plik scFv Pdb w formacie fasta ze strony internetowej NCBI i zmień nazwę pliku na TARGET.ali. zgodnie z opisem w Uzupełniający plik kodowania 1. Wybierz szablon, korzystając z sekcji Blast w NCBI, wklej sekwencjonowany plik, wybierz w formacie pdb 7det.pdb zgodnie z opisem w Uzupełniający plik kodowania 2, a następnie prześlij. Następnie skorzystaj z witryny internetowej pdb.org, aby uzyskać plik szablonu.
    2. Przygotuj trzeci plik wejściowy jako align2d.py (Python) zgodnie z opisem w Uzupełniający plik kodowania 3, który zostanie otwarty, jak pokazano na rysunku uzupełniającym 3A. Naciśnij opcję Pokaż więcej, a następnie przejdź do opcji Edytuj za pomocą IDLE > Edytuj za pomocą EDLE (64-bitowa). Uruchom za pomocą polecenia uruchom moduł 5 w align2d.py, aby uzyskać dwa pliki wyjściowe: Tar- 7det.ali i Tar- 7det.pap.
  7. Wykonaj poprzednie trzy kroki, aby użyć polecenia w ostatnim pliku wejściowym.
  8. Dodaj nowy plik wejściowy model-single.py (plik polecenia Python), jak pokazano w Uzupełniającym pliku kodowania 4 i zgodnie z opisem poniżej.
    1. Naciśnij opcję Pokaż więcej, a następnie przejdź do opcji Edytuj za pomocą IDLE > Edytuj za pomocą EDLE3.7 (64-bitowego). Uruchom za pomocą polecenia (uruchom moduł 5), jak pokazano na rysunku uzupełniającym 3B.
      UWAGA: Wynikowe pliki wyjściowe to sześć plików modeli homologii pokazanych na rysunku uzupełniającym 3C.

3. Przewidywanie i ocena struktury drugorzędowej receptora

  1. Wykryj poprawkę i dokładność modeli homologii, jak opisano poniżej.
    1. Utwórz wykres Ramachandran dla modeli scFv i modeli EGFR, pobierając narzędzie do wizualizacji z https://discover.3ds.com/discovery-studio-visualizer-download.
    2. Otwórz plik, a następnie kliknij prawym przyciskiem myszy i wybierz sekwencję wyświetlania (Rysunek uzupełniający 4). Skopiuj sekwencję i wklej ją do obrazkowej bazy danych struktur 3D (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/.
    3. Wybierz pozycję wyszukaj według sekwencji, wklej kopię sekwencji, a następnie prześlij ją. Utwórz wykres, jak pokazano w Rysunek 1B,D.

4. Dokowanie białko-białko

  1. Pobierz oprogramowanie narzędzia do wirtualnych badań przesiewowych.
  2. Przejdź do Plik> odczytaj cząsteczki > załaduj 1ivo.pdb. Kliknij prawym przyciskiem myszy białko w panelu autodock, aby utworzyć makrocząsteczkę. Kliknij ponownie prawym przyciskiem myszy, aby utworzyć ligand (rysunek uzupełniający 5).
  3. Kliknij w panelu automatycznego dokowania, aby wybrać białko, a następnie wybierz ligand.
  4. Otwórz listę białek. Następnie z listy wybierz Białko scFv.
  5. Przejdź do opcji Przełącz sfery zaznaczenia. Dopasuj pole siatki do środka receptora. Kliknij przycisk Dalej, gdy pojawi się okrągły różowy przycisk.
  6. Aby przygotować pliki pdbqt zarówno dla struktur przeciwciała scFv, jak i EGFR (1ivo), należy wykonać następujące czynności.
    1. Przejdź do Dysku C > Program Files (86) > Użytkownicy, a następnie wybierz plik pyrx zawierający pliki wyjściowe makrocząsteczek i białek, które zostały zapisane jako plik pdbqt.
    2. Następnie zapisz plik pdbqt przeciwciała o zmiennej fragmentu pojedynczego łańcucha (scFv).
  7. Pobierz oprogramowanie PyMOL ze strony PyMOL | pymol.org. Użyj oprogramowania PyMOL, aby pokazać konfiguracje przeciwciało-receptor EGFR scFv.
    1. Przejdź do pliku i otwórz C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein. Przygotuj konfiguracje dokowania przeciwciała scFvoddziałującego z receptorem w Rysunek 2A, jak opisano poniżej.
      1. Użyj opcji wyświetlania, aby pokazać plik receptora (1ivo) jako reszty sekwencji z białym tłem pokazanym na rysunku uzupełniającym 6.
      2. Wyświetl plik konfiguracji dokowania w wyższej rozdzielczości, aby zobaczyć kolor liganda w kolorze zielonym i czerwonym pozostałości. Wyświetlaj sztywną powierzchnię receptora (1ivo) na żółto.
  8. Przygotuj konfiguracje dokowania przeciwciała scFvoddziałującego z receptorem w Rysunek 2B, jak opisano poniżej.
    1. Pobierz oprogramowanie dokujące z obszaru wyboru okna. Użyj funkcji Autodock, aby wyświetlić konfiguracje i konformacje EGFR przeciwciało-receptor scFv.
      1. W obszarze Autodock wybierz opcję Analizuj, a następnie otwórz wynik Autodock Vina. Przejdź do Plik i otwórz C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein.
      2. Wybierz plik pdb receptora białkowego, a następnie wybierz obszar konfiguracji liganda (struktura przeciwciała scFv). Połącz sztywną powierzchnię receptora z konfiguracją zadokowanej struktury i ukryj resztę receptora. Ukryj dalekie reszty receptora przed resztami połączonymi z ligandem, jak pokazano na Rysunek 2B.
    2. Kompleks białko-białko uznano następnie za gotowy do przeprowadzenia symulacji MD.

5. Symulacja dynamiki molekularnej (symulacja MD) kompleksu dokowania przeciwciał EGFR-scFv

  1. Pobierz oprogramowanie symulacyjne MD i używaj go w następujący sposób.
    1. Przygotuj plik pdb EGFR (1ivo) za pomocą kreatora naprawy, jak na rysunku uzupełniającym 7A. Uruchom sekcję przetwarzania wstępnego, aby uściślić plik. Wyślij plik doprecyzowany, który ma zostać ustawiony w kreatorze systemu.
    2. Załaduj oprogramowanie do symulacji dynamiki molekularnej z katalogu roboczego. Dodaj jony i uaktualnij udoskonalony plik, aby osiągnął 20 A, aby przesłać zadanie (Tabela 1), również pokazane na rysunku uzupełniającym 7B.
    3. Załaduj plik pdb EGFR (1ivo) z zaimportowanego pliku, a następnie wybierz 100 ns timesteps, aby go uruchomić (Rysunek uzupełniający 7C).
  2. Rozpocznij analizę symulacji po zakończeniu symulacji MD w sposób opisany poniżej.
    1. Utwórz folder z zadaniami i zapisz go w pliku cms . Załaduj plik cms, aby wykonać ten krok w symulacji MD.
    2. Utwórz katalog roboczy dla folderów projektu i raportuj wartości energii. Użyj S.I.D. pdf, aby zraportować symulację, jak pokazano na rysunku Rysunek 3A, oraz diagram interakcji i wiązanie H, jak pokazano na rysunku Rysunek 3B.
    3. Załaduj plik pdf cms, przeglądając z folderu i użyj TIP3P jako modelu minimalizacji objętości plików.
    4. Utwórz plik solwatacji, aby wykonać ten krok pokazany na rysunku uzupełniającym 7D. Zapisz plik pdf za pomocą oprogramowania i przeanalizuj dane, co spowoduje wyświetlenie Rysunek 4, Rysunek 5 i Rysunek 6.
  3. Wygeneruj konfigurację końcową MDsimulation, tworząc plik rozpoznawania. Znajdź wyniki w polu granicznym, jak pokazano na rysunku Rysunek 7.

Access restricted. Please log in or start a trial to view this content.

Results

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

Korzystając z technologii wyświetlania fagów, gen anty-EGFR scFv został stworzony z mysiego hybrydoma komórek B linii C3A820,21. Modele struktury struktur VH i VL z pojedynczym fragmentem łańcucha (scFv) zostały zbudowane oddzielnie, zgodnie z Chua et al.22. Następnie modele były widoczne jako wstęgi wyprodukowane przy użyciu RasMol. Następnie, za pomocą oprogramowania do modelowania molekularnego, użyto syntetycznego peptydu [Gly4Ser)3 do...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

EGFR jest głównym receptorem docelowym raka piersi. Nadekspresja EGFR zwiększa liczbę przypadków raka piersi na całym świecie. Tymczasem specyficzne przeciwciała, takie jak zmienne pojedynczego fragmentu łańcucha, są przeciwciałami, które łatwo przemieszczają się przez krążenie krwi i mają szybki wskaźnik klirensu w organizmie. Przeciwciała są mądrym rozwiązaniem i skutecznym lekiem immunoterapeutycznym37. W związku z tym projektowanie leków w oparciu o strukturę musi identyfikować leki hamujące, ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Autorzy nie mają nic do ujawnienia.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Oprogramowanie AutodockCentrum Obliczeniowej Biologii Strukturalnej  AutoDock (scripps.edu)
Oprogramowanie Desmond Maestro 19.4 Schrödingerwww.schrodinger.com 
Pobierz Discovery Studio 2021   Systemy  https://discover.3ds.com/discovery-studio-visualizer-download.
Wersja programu Modeler 9.24[17] Uniwersytet Kalifornijskihttps://salilab.org/modeller/9.24/release.html
Obrazkowa baza danych struktur 3D (pdbsum)EMBL-EBI  www.ebi.ac.uk/thornton-srv/databases/pdbsum/
Oprogramowanie PyMOL SchrödingerPyMOL | pymol.org
Oprogramowanie Pyrx Kuźnia  Pobierz PyRx - Virtual Screening Tool (sourceforge.net)
Skrypt Pythona 3.7.9 powłoka z okna (64)PythonPython Release Python 3.7.9 | Python.org
Oprogramowanie SPDBV Expasyhttp://spdbv.vital-it.ch/disclaim.html
Dassault źródłowa

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

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

Related Articles