Wykorzystanie elastyczności i dynamiki struktury białka docelowego w obliczeniowym odkrywaniu leków przy użyciu analizy dokowania opartej na zespołach
June 20th, 2025
Metody obliczeniowe obiecują przyspieszyć odkrywanie leków, jednak często pomijają dynamiczną naturę struktur białkowych. W tym miejscu omawiamy analizę dokowania opartą na zespołach, aby pośrednio uwzględnić elastyczność białek, potencjalnie poprawiając dokładność i niezawodność wysiłków związanych z odkrywaniem leków.
Nasze badania koncentrują się na zastosowaniu technik obliczeniowych do projektowania skuteczniejszych leków, mając na celu przyspieszenie odkrywania leków i ostatecznie poprawę wyników leczenia i jakości życia pacjentów.
Obecne wspomagane komputerowo projektowanie leków często pomija elastyczność białka docelowego. Omawiany protokół wypełnia tę lukę poprzez uwzględnienie konformacji wielu białek pochodzących z symulacji dynamiki molekularnej. Projektowanie leków w oparciu o zespoły leków zwiększa dokładność, biorąc pod uwagę elastyczność białek. Naszym celem jest zintegrowanie sztucznej inteligencji w celu szybszego, spersonalizowanego i skuteczniejszego odkrywania leków w przyszłości.
[Prezenter] Aby rozpocząć, uruchom oprogramowanie Avogadro w systemie komputerowym. W przypadku analizy skupień wpisz polecenie wyświetlane na ekranie. Po wyświetleniu monitu wpisz 1 dla grupy białkowej, aby obliczyć dopasowanie metodą najmniejszych kwadratów i odchylenie średniokwadratowe lub RMSD. Następnie ponownie wpisz 1 dla wyjścia systemu. Otwórz plik cluster-size.xvg. Jeśli liczba klastrów jest mała, zwiększ wartość odcięcia RMSD. Alternatywnie, jeśli liczba jest wysoka, zmniejsz wartość odcięcia. Wykonaj analizę prolongaty za pomocą poleceń wyświetlanych na ekranie, używając różnych wartości odcięcia RMSD w razie potrzeby. Teraz otwórz oprogramowanie Chimera i wyszukaj cluster.pdb. Kliknij Prezenty i publikacja 1, sylwetka, zaokrąglona wstążka. do reprezentacji wizualnej. Kolejno kliknij pozycję Wybierz, Łańcuch, Brak identyfikatora, a następnie cluster.pdb, #10, a następnie wybierz i odwróć wybrane modele. Przejdź do Akcji, a następnie naciśnij Atomy/Wiązania i kliknij Usuń, aby odizolować łańcuch. Teraz wybierz Plik. Kliknij Zapisz PDB. Nazwij plik cluster1.pdb i naciśnij przycisk Zapisz, aby zapisać plik. W przypadku dokowania opartego na zespole uruchom oprogramowanie narzędzia Autodock, aby je otworzyć. Umieść pliki cluster1.pdb i ligand.pdb w nowym folderze. Teraz kliknij Plik, Preferencje i Ustaw. W wyskakującym okienku wklej adres folderu w polu katalogu startowego i kliknij Ustaw. Kliknij niebieską ikonę folderu, wybierz plik cluster1.pdb i kliknij przycisk Otwórz. Przejdź do Edycja, a następnie naciśnij Opłaty, Dodaj ładunki Kollmana i kliknij OK. Kliknij Siatka, Makrocząsteczki, Wybierz. Wybierz klaster 1 w polu Wybierz makrocząsteczki, a następnie naciśnij przycisk Wybierz cząsteczki. Kliknij przycisk OK, aby wygenerować zmodyfikowany plik makromolekuły AutoDock4. Zapisz go jako cluster1.pdbqt. Następnie opróżnij obszar roboczy, klikając Edytuj, a następnie naciśnij Delete i usuń wszystkie cząsteczki przed kliknięciem Kontynuuj, a następnie naciśnij Ligand, Wejście, Otwórz. Gdy pojawi się plik Ligand dla folderu Autodock4, wybierz plik ligand.pdb i kliknij przycisk Otwórz, a następnie kliknij przycisk OK. Teraz wybierz Ligand, Drzewo skręcające i Wykryj pierwiastek, aby zdefiniować elastyczność skręcania liganda. Przejdź do Ligand, Output, Zapisz jako PDBQT i zapisz folder Formatted Autotors Molecules jako ligand.pdbqt. Po opróżnieniu obszaru roboczego otwórz plik cluster1.pdbqt, klikając Siatka, Makrocząsteczki i Otwórz, a następnie naciśnij Tak i OK. Ponownie przejdź do Siatki, naciśnij przycisk Ustaw typy mapy, a następnie wybierz pozycję Otwórz ligand. Wybierz i otwórz plik ligand.pdbqt. Teraz przejdź do opcji Pole siatki w obszarze Siatka. W polu Opcje siatki ustaw liczbę punktów w wymiarach X, Y i Z na 120, a odstępy na 0,375 angstrema. Pozostaw środkowe ustawienia jako domyślne. Następnie kliknij Plik i zamknij Zapisywanie bieżącego. Przejdź do Grid, Output (Wyjście) i naciśnij Save GPF. Gdy pojawi się plik wyjściowy parametrów siatki, wprowadź grid.gpf jako nazwę pliku i kliknij przycisk Zapisz. Następnie kliknij Uruchom i uruchom AutoGrid. Na karcie Nazwa pliku parametrów kliknij przycisk Przeglądaj. Otwórz plik grid.gpf. Teraz przejrzyj ścieżkę programu. Wyszukaj autogrid4.exe i kliknij Otwórz i uruchom. Kolejno kliknij Dokowanie, a następnie Makrocząsteczki i Ustaw sztywne nazwy plików. Gdy pojawi się plik makromolekuł PDBQT, wybierz cluster1.pdbqt i kliknij przycisk Otwórz. Wybierz ligand z menu Dokowanie. Gdy pojawi się pole Wybierz ligandy, wybierz Ligand i kliknij Wybierz ligand, a następnie naciśnij Akceptuj. Teraz przejdź do Algorytm genetyczny z dokowania. Gdy pojawi się pole Parametry algorytmu genetycznego, ustaw wartość GA Runs na 100 i kliknij przycisk Akceptuj. Kliknij Dokowanie, Wyjście, Lamarckian GA 4.2. Gdy pojawi się plik wyjściowy parametrów dokowania Autodock4.2 GALS, nazwij go docking.dpf i kliknij przycisk Save (Zapisz). Teraz naciśnij Uruchom i Uruchom Autodoc. Pojawi się okno Uruchom Autodoc. W polu Nazwa pliku parametrów kliknij przycisk Przeglądaj. Gdy pojawi się plik parametrów autodock4, wybierz docking.dpf i kliknij Otwórz. W polu Nazwa ścieżki programu kliknij przycisk Przeglądaj. Pojawi się plik autodock4. Wyszukaj autodock4.exe i kliknij Otwórz, a następnie Uruchom. Usuń wszystkie cząsteczki, jak pokazano wcześniej, i powtórz proces dla wszystkich plików klastrów. Struktura chemiczna i reprezentacja strukturalna 3D flawokawy B i lizozymu w stanie początkowym przed uzyskaniem symulacji dynamiki molekularnej. Całkowita energia struktury białka była stabilna podczas symulacji, a odchylenie średniej kwadratowej ustabilizowało się po 20 nanosekundach. Fluktuacja średniej kwadratowej wykazała wysoką elastyczność w obszarach między resztami od 40 do 50, od 60 do 80 i od 100 do końca. W sumie 15 klastrów strukturalnych uzyskano z grupowania opartego na odchyleniu od średniej kwadratowej 10 001 ramek trajektorii, z których największy zawierał 5 818 elementów. Nałożone na siebie konformacje wszystkich gromad wykazały widoczne różnice strukturalne między trajektoriami. Molekularne dokowanie flawokawy B z reprezentatywnymi strukturami czterech górnych klastrów wykazało spójne wiązanie w tym samym miejscu we wszystkich konformacjach, przy czym klaster 2 wykazał najniższą energię wiązania wynoszącą -29,37 kJ/mol. Elektrostatyczne mapowanie powierzchni potwierdziło identyczne miejsca wiązania we wszystkich konformacjach klastrów z flawokawiną B zagnieżdżoną w tym samym regionie kieszeni. Szczegółowa analiza interakcji wykazała, że wiązanie flawokawy B było stabilizowane przez kilka otaczających reszt, w tym alaninę 31, glutaminę 35, leucynę 56, kwas gamma-karboksyglutaminowy 57, izoleucynę 58, alaninę 95, izoleucynę 98, tryptofan 108, walinę 109, alaninę 110, tryptofan 111 i argininę 114.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Niniejsze badanie koncentruje się na rozwoju odkrywania leków poprzez techniki obliczeniowe, a w szczególności na uwzględnianiu elastyczności białek przy użyciu analizy dokowania opartej na zespołach. Podejście to wykazuje potencjał w zwiększaniu dokładności i skuteczności projektowania leków, co jest kluczowe dla poprawy wyników leczenia.
Kluczowe elementy badania
Obszar badań
- Odkrywanie leków za pomocą metod obliczeniowych
- Elastyczność białek w projektowaniu leków
- Integracja sztucznej inteligencji
Wprowadzenie
- Wyzwania w obecnych metodach projektowania leków często pomijają dynamiczne struktury białek.
- Zrozumienie elastyczności białek jest kluczowe dla dokładnych przewidywań wiązania leku.
- Postępy w symulacjach dynamiki molekularnej prowadzą do lepszego modelowania konformacji białek.
Wykorzystane metody
- Analiza dokowania oparta na zespołach
- Symulacje dynamiki białek przy użyciu oprogramowania takiego jak Autodock i Chimera
- Analiza skupień oraz obliczenia odchylenia pierwiastkowego średniego kwadratu (RMSD)
Główne wyniki
- Zidentyfikowano wiele stabilnych konformacji białek, które wpływają na powinowactwo wiązania.
- Flawokawaina B wykazała stałe wiązanie w różnych strukturach białek.
- Najniższa energia wiązania zaobserwowana w określonych konformacjach białek potwierdza hipotezę, że dynamiczna elastyczność wpływa na interakcje leku.
Wnioski
- Niniejsze badanie demonstruje znaczenie uwzględniania elastyczności białek w projektowaniu leków.
- Wyniki są istotne nie tylko dla poprawy procesów odkrywania leków, ale także dla przyszłych podejść w medycynie spersonalizowanej.
Często zadawane pytania
Executive Industry Relevance
Incorporating target protein flexibility and dynamics into computational drug discovery addresses a critical gap in predictive accuracy for ligand binding. Ensemble-based docking analysis enables more reliable identification of promising compounds by capturing a broader range of biologically relevant conformations. This approach enhances decision-making at key inflection points in the discovery pipeline, supporting risk-adjusted portfolio advancement.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of therapeutic hypotheses by modeling dynamic protein-ligand interactions.
- Improves biological de-risking through functional validation of target conformational states.
- Supports predictive confidence in target engagement and compound prioritization.
Screening & Assay Development
- Facilitates preparation of validated protein conformations for downstream virtual screening workflows.
- Enhances assay reproducibility by accounting for structural variability in docking simulations.
- Enables quantitative comparison of ligand binding across multiple protein states.
Translational & Preclinical Research
- Aligns computational predictions with disease-relevant protein dynamics when supported by structural data.
- Provides continuity from in silico discovery to preclinical validation by modeling physiologically relevant conformations.
- Reduces mechanistic ambiguity in compound selection for further development.
Pipeline & Workflow Integration
Ensemble-based docking integrates into the discovery continuum from early target validation through lead identification and preclinical assessment.
- Discovery Biology: Supports hypothesis testing by modeling the impact of protein flexibility on ligand binding.
- Screening: Delivers reproducible, quantitative docking outputs across diverse conformational ensembles.
- Analytics: Provides binding energy measurements and structural clustering to compare compound performance.
- Translational Research: Bridges computational predictions with experimental validation of dynamic binding sites.
- Enterprise Reuse: Establishes a scalable, reusable workflow for diverse protein targets in portfolio pipelines.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic uncertainty in target validation.
- Operational Value: Standardizes computational workflows and improves reproducibility across R&D teams.
- Strategic Value: Enables more informed go/no-go decisions and optimizes resource allocation.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidate compounds.
Implementation Considerations
- Requires expertise in molecular dynamics, docking software, and structural bioinformatics.
- Demands computational infrastructure for simulation, clustering, and docking analyses.
- Necessitates cross-team standardization of input parameters and output interpretation.
- May require adaptation of protocols for different protein targets or ligand classes.
- Dependent on quality and diversity of available protein structural data.
