Dwujęzyczny proces obliczeniowy do identyfikacji potencjalnych inhibitorów PLK1 w amerykańskim języku migowym i angielskim
3 kwietnia 2026
Ten dwujęzyczny protokół zapewnia obliczeniowy proces odkrywania leków, oceniający interakcje białko-ligandy kinaz Polopodobnych 1 do 3 (PLK1–3) oraz właściwości absorpcji, dystrybucji, metabolizmu, wydalania, toksyczności i stabilności (ADMET-S) naturalnych cząsteczek pochodzących z bazy danych.
Dwujęzyczny, obliczeniowy przepływ pracy. Wprowadzenie. Badania pokazują, że PLK1 jest nadmiernie ekspresjonowany w różnych nowotworach. Hamowanie PLK1 poprzez domenę polo-box, PBD, wykazano, że indukuje apoptozę.
Celem tego badania jest identyfikacja selektywnych inhibitorów PLK1-PBD o pożądanych właściwościach leczniczych i farmakokinetycznych. Homologi PLK2 i PLK3 poddawano tym samym protokołom oceny selektywności. Protokół. Przygotowanie białka docelowego.
Tutaj wykorzystujemy CHARMM-GUI do optymalizacji PLK1, 4HCO, z Protein Data Bank, PDB. Zapewnia to, że białko nie zawiera żadnych brakujących reszt ani wodorów. Przejdźmy do narzędzia.
W sekcji Input Generator wybierz PDB Reader Manipulator. Przewiń do pola wprowadzania. Upewnij się, że opcja PDB jest wybrana przed wprowadzeniem 4HCO dla PLK1.
Na następnej stronie odznacz łańcuch białkowy B, aby przetwarzał tylko łańcuch A. Kontynuuj. Przewiń w dół Informacje PDB i przejdź dalej. Spośród czterech wyjść wybieramy plik PDB i zapisujemy go.
Na koniec przejdź do otwarcia pliku PDB za pomocą edytora tekstu. Znajdź i zamień stan protonacji histydyny z HSD na HIS. Przegląd bazy danych produktów naturalnych.
Podejście do pozyskiwania próbki małych cząsteczek do celowania PLK1 wykorzystuje bazę danych produktów naturalnych i składa się z trzech części. Bazy danych produktów naturalnych są obszerne, więc początkowe związki pochodzą z wyboru choroby i granicy ufności. W tym przykładzie użyto SuperNatural 3.0.
SuperNatural 3.0 jest wykorzystywany do pozyskiwania cząsteczek poprzez selekcję choroby. Jednym ze sposobów zapytań są ścieżki ludzkie. Tutaj wybiera się raka piersi.
Identyfikator KEGG dla tej ścieżki znajduje się tutaj. Następnie wpisujemy identyfikator KEGG do ścieżki SuperNatural 3.0. Alternatywnie możemy kliknąć Choroba, wybrać raka piersi i zapisać pełny plik wyników.
W najczęściej zadawanych pytaniach można pobrać całą bibliotekę bazy danych. Kontynuuj. Kontynuuj rozpakowanie plików zipowanych, pobierz CSV i usuń plik zip. Otwórz R Studio lub IDE według własnego wyboru.
Po zaimportowaniu danych do R Studio początkowe pełne wyniki mają 73 046 cząsteczek. Po zastosowaniu granic ufności jest 1 193 cząsteczek. Próbkowanie klasterowe.
Po zastosowaniu zasady pięciu Lipińskiego z RDkitem. Pakiet chemiczny, zostaje nam 999 cząsteczek. Tutaj widać, że mamy 999 cząsteczek.
Następnie stosujemy klasteryzację K-średnią, aby wyprowadzić 50 reprezentatywnych cząsteczek. Klasteryzacja opiera się na podobieństwie do Tanimoto. Obliczanie powinowactwa białk-ligandów oraz powinowactwa wiązania.
Celem tej metody jest dokoowanie PLK1 do każdego ligandu w celu uzyskania powinowactwa wiązania. Przejdź do otwarcia CB-Dock2. Przejdź do zakładki Dok.
Tutaj przesyłamy 4hco. PDB jako białko docelowe do dokowania. Przeładuj ligand.
Zaczynamy od ligandu jeden. Alternatywnie możesz wpisać lub wkleić ten ciąg MILES. Wpisz e-mail, aby ułatwić zbieranie danych.
Następnie kliknij Auto Blind Docking. Wyniki są przesłane w mailu. Zapisz plik zip z wynikami dokowania.
Po zapisaniu plik zip jest rozpakowywany, a w jego środku znajduje się wiele różnych plików. Usuń wszystkie pliki, z wyjątkiem kompleksu. pliki PDB.
Powinien istnieć domyślny kompleks pięciu. pliki PDB. Wyczyść katalog, usuwając nierozpakowane pliki zip.
Po zakończeniu dokowania białk-ligandów z CB-Dock2, które uszeregowało pozy według wyników Vina, kolejnym krokiem jest obliczenie powinowactwa wiązanego z PRODIGY. Powinowactwa wiązawcze z PRODIGY zapewnia konkurencyjną ocenę selektywności białek. Korzystne jest, aby ligandy były selektywne dla PLK1, a nie dla homologów strukturalnych.
Przejdź do serwera PRODIGY. Wybierz zakładkę PRODIGY-LIGAND. Odnosi się do kompleksu.
pliku pdb do określenia identyfikatorów białek i łańcuchów ligandowych. Kompleks. plik PDB otwiera się za pomocą edytora tekstu.
Identyfikator łańcucha białka to P. That jest wstawiany do serwera WWW. Łańcuch ligandowy zazwyczaj zaczyna się od HETATM. Szukaj tego.
Identyfikator łańcucha ligandu to A:UNL. To jest wstawiane na serwerze WWW. Pięć kompleksów dostarczonych dla każdej kombinacji ligandów białek zostanie przesłanych jednocześnie.
Do tego zadania w języku R używany jest opracowany skrypt do zarządzania plikami. Skrypt pakuje plik pdb dla wszystkich kombinacji dokowania. Po spakowaniu pliki są ręcznie przesyłane do PRODIGY.
Złóż PRODIGY ligand. W przesłanej kombinacji znajduje się lista powiązań wiążących dla każdej z pięciu poz. Delta-Gnoelec to wskaźnik powinowactwa wiązania, z wyłączeniem obliczeń elektrostatycznych.
Zapisz wyniki, które są zapakowane. Po otwarciu pliku zip pojawia się folder wyjściowy z wynikami powinowactwa. Ocena ADMET-S.
Ocena ADMET, bez stabilności, obejmuje trzy różne narzędzia. ADMET ocenia podatność lekową i biodostępność na podstawie ponad 120 właściwości. ORCA stosuje Teorię Funkcjonału Gęstości (DFT) do analizy właściwości leków.
Zaczynajmy. Stwórz katalog dla stabilności. Odzyskaj sznurek SMILES małej cząsteczki.
Otwórz Avogadro, czyli edytor molekularny według własnego wyboru. Użyj sznurka MILES, aby zbudować swoją małą cząsteczkę. Zachowaj cząsteczkę po zbudowaniu.
Upewnij się, że znajduje się w podkatalogu stabilności. Przejdź do optymalizacji geometrii. Następnie generowany jest plik wejściowy ORCA.
Skopiuj i wklej pożądany poziom teorii, jak widać w czwartej linii przykładowego dokumentu. Przejdź do zastąpienia domyślnego poziomu teorii. Kontynuuj generowanie pliku.
Zapisz w tym folderze stabilności. Dodaj plik sh lub bash job file. Przejdź do dostosowania parametrów pliku zadania.
Na przykład e-mail do powiadomienia można dostosować. Reprezentatywne wyniki. Po pierwsze, mamy PCA dla redukcji wielowymiarowości.
Ten rysunek pokazuje różne ponumerowane skupiska zgrupowane w szare elipsy. Następnie wyniki próbki ligandu 1 oraz PLK1-PBD. W lewym górnym rogu widnieje zielone przedstawienie ligandu 1, z niepożądanymi resztami, czerwonym i pomarańczowym.
Po prawej stronie znajduje się reprezentatywny model po wyczyszczeniu i przygotowaniu za pomocą CHARMM-GUI. Poniżej znajduje się połączony kompleks z PLK1, PBD i ligandem 1. Dodatkowo CB-Dock2 prezentuje pięć najlepszych dokowańskich wnęk i ich powinowactwa w formie wyników Vina.
Przewidywane powinowactwa wiązania z PRODIGY można wizualizować za pomocą map cieplnych. Mapa ciepła przedstawia role homologów PLK1, 2 i 3. Czerwony oznacza słabą, niepożądaną afinitet, a zielony odwrotnie.
Ewaluację ADMET-S można przedstawić za pomocą różnych rysunków. Pierwsza to gotowane jajko. Mapa ciepła identyfikuje status inhibitora i niesubstratu z zielonym i czerwonym względem ligandów w zależności od różnych wskaźników metabolicznych.
Dla klirencji wykonano wykres liniowy przedstawiający progi idealnego czasu dystrybucyjnego leku przed wyrażeniem wyrażenia. Różne metryki można również zebrać w użyteczny wykres radarowy. Liczbę toksykoforów w każdym ligandzie można przedstawić za pomocą wykresu kolumnowego.
Toxtree generuje zarówno klasyfikację toksyczności leków, jak i jakościowe rozumowanie oparte na drzewie decyzyjnym reguł Cramera. Stabilność lub reaktywność molekularną można przedstawić za pomocą wykresu liniowego z odpowiednimi progami luki HOMO-LUMO. Podsumowanie. Podsumowując, protokół ten wykorzystuje różnorodne narzędzia wirtualnego testowania narkotykowego, powinowactwa wiązań oraz ADMET-S na poziomie licealnym lub licencjackim.
Wyniki uzyskane dzięki temu protokołowi mają potencjał zwiększenia efektywności pozytywnego odkrywania leków.
Przegląd
Niniejszy protokół przedstawia dwujęzyczny przepływ pracy obliczeniowej służący do identyfikacji potencjalnych inhibitorów PLK1. Podkreśla on znaczenie oceny oddziaływań białko-ligand oraz właściwości ADMET-S w procesie odkrywania leków.
Kluczowe elementy badania
Dziedzina nauki
- Chemia
- Biologia obliczeniowa
- Farmakologia
Wstęp
- PLK1 jest nadmiernie ekspresowany w wielu rodzajach nowotworów.
- Inhibicja PLK1 może indukować apoptozę.
- Celem badania jest zidentyfikowanie selektywnych inhibitorów PLK1-PBD.
- W celu przesiewania potencjalnych inhibitorów wykorzystuje się bazy danych produktów naturalnych.
Cel badania
- Opracowanie schematu postępowania w celu identyfikacji inhibitorów PLK1.
- Ocena właściwości leczniczych i farmakokinetycznych kandydatów.
- Wykorzystanie narzędzi obliczeniowych w procesie odkrywania leków.
Zastosowane metody
- Przygotowanie białka przy użyciu CHARMM-GUI.
- Przesiewanie bazy danych produktów naturalnych za pomocą SuperNatural 3.0.
- Dokowanie białko-ligand i obliczenia powinowactwa wiązania.
- Ocena ADMET-S pod kątem możliwości opracowania leku i biodostępności.
Główne wyniki
- Identyfikacja 999 cząsteczek kandydackich po przesiewaniu.
- Powinowactwa wiązania obliczone przy użyciu PRODIGY.
- Ocena ADMET-S dostarcza informacji na temat właściwości leku.
- Wizualizacja wyników za pomocą różnych reprezentacji graficznych.
Wnioski
- Protokół oferuje kompleksowe podejście do wirtualnego przesiewania leków.
- Posiada potencjalne zastosowania w usprawnianiu procesów odkrywania leków.
- Przebieg prac jest odpowiedni do celów edukacyjnych na poziomie szkoły średniej lub studiów licencjackich.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Selektywne hamowanie domeny polo-box (PBD) białka PLK1 stanowi obiecującą strategię w poszukiwaniu leków onkologicznych, jednak wysoka homologia z PLK2 i PLK3 wymaga rygorystycznej oceny selektywności w celu uniknięcia efektów pozatarczeowych. Ten dwujęzyczny przepływ pracy obliczeniowej integruje wirtualny screening, klasteryzację, dokowanie, przewidywanie powinowactwa wiązania oraz profilowanie ADMET-S, aby wyłonić kandydaty pochodzące z produktów naturalnych do dalszej walidacji. Podejście to wspiera wczesny etap selekcji i generowanie hipotez, umożliwiając podejmowanie bardziej świadomych decyzji o dalszym rozwoju w procesie odkrywania leków.
Zastosowania strategiczne w badaniach i rozwoju bi farmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia badanie PLK1-PBD jako celu terapeutycznego przy jednoczesnym określeniu selektywności w stosunku do PLK2 i PLK3.
- Wspiera ograniczanie ryzyka biologicznego poprzez obliczeniowe odfiltrowywanie kandydatów o niepożądanych profilach off-target.
- Zwiększa pewność predykcyjną w zakresie wiązania z celem dzięki ilościowym wynikom dokowania i powinowactwa wiązania.
Przesiewanie i opracowywanie testów
- Przygotowuje chemicznie zróżnicowany zestaw związków o charakterze lekopodobnym do dalszych badań przesiewowych biochemicznych lub komórkowych.
- Standaryzuje wirtualny screening i klasteryzację, aby zapewnić powtarzalność oraz różnorodność chemiczną w procesie wyboru kandydatów.
- Generuje ilościowe dane dotyczące powinowactwa wiązania oraz parametrów ADMET-S w celu optymalizacji priorytetyzacji i projektowania testów.
Badania translacyjne i przedkliniczne
- Umożliwia powiązanie przewidywań obliczeniowych z istotnością kliniczną choroby poprzez filtrowanie pod kątem powiązań ze szlakami raka piersi.
- Zapewnia skoncentrowany zestaw kandydatów do walidacji eksperymentalnej, wspierając ciągłość translacyjną od badań in silico do badań in vitro.
- Umożliwia optymalizację procesu rozwoju w oparciu o analizę ryzyka poprzez integrację przewidywań ADMET-S oraz stabilności mechaniki kwantowej.
Integracja potoku i przepływu pracy
Niniejszy schemat postępowania łączy etap wczesnego odkrywania z identyfikacją związków wiodących poprzez integrację wirtualnego przesiewu, oceny selektywności oraz profilowania właściwości lekopodobnych inhibitorów PLK1-PBD.
- Biologia odkrywcza: Wspiera testowanie hipotez i ograniczanie ryzyka mechanistycznego poprzez porównywanie wiązania ligandów w obrębie PLK1, PLK2 i PLK3.
- Przesiewanie: Dostarcza powtarzalny, zgrupowany zestaw związków z ilościowymi wynikami dokowania oraz parametrami ADMET-S, zapewniając gotowość do analizy.
- Analityka: Zapewnia mapy ciepła powinowactwa wiązania, wykresy radarowe ADMET-S oraz klasyfikacje toksyczności, co umożliwia segregację opartą na danych.
- Badania translacyjne: Łączy przewidywania obliczeniowe z priorytetyzacją eksperymentalną dla kandydatów istotnych w kontekście raka piersi.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy modularny, dwujęzyczny przepływ pracy, który można dostosować do innych celów kinazowych lub szlaków chorobowych.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną i redukuje niejednoznaczność mechanistyczną we wczesnych etapach walidacji celów onkologicznych.
- Wartość operacyjna: Standaryzuje przepływy obliczeniowe w celu zapewnienia powtarzalności, skalowalności i możliwości wdrożenia w różnych zespołach.
- Wartość strategiczna: Umożliwia bardziej efektywne podejmowanie decyzji go/no-go oraz alokację kapitału poprzez priorytetyzację kandydatów o korzystnych profilach selektywności i ADMET-S.
- Wpływ na portfolio: Wspiera priorytetyzację skorygowaną o ryzyko oraz rozwój kandydatów o potencjale translacyjnym.
Wskazówki dotyczące wdrożenia
- Wymagana jest wiedza z zakresu chemoinformatyki, dokowania molekularnego oraz analizy ADMET-S.
- Metoda zależy od dostępu do infrastruktury obliczeniowej i specjalistycznego oprogramowania (np. CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- W celu zapewnienia powtarzalności wymagane jest ustandaryzowane zarządzanie danymi oraz dokumentacja przepływu pracy wewnątrz zespołów.
- Może być konieczna adaptacja parametrów klastrowania i filtrowania dla różnych rodzin receptorów docelowych lub kontekstów chorobowych.
- Przewidywania wirtualne muszą zostać zwalidowane eksperymentalnie w celu potwierdzenia selektywności i mechanizmu działania.
