Name: Dwujęzyczny proces obliczeniowy do identyfikacji potencjalnych inhibitorów PLK1 w amerykańskim języku migowym i angielskim (Wideo) | JoVE Journal
Uploaded: 2026-04-03T15:00:00.000+00:00
Duration: 14 min 34 s
Description: Odkryj dwujęzyczny proces obliczeniowy do identyfikacji inhibitorów PLK1 z oceną właściwości ADMET-S. Metoda wykorzystuje dokowanie białko-ligand i bazy danych produktów naturalnych w odkrywaniu leków.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Badania te były wspierane przez National Institute of General Medical Sciences, National Institutes of Health (1R15GM148942-01), National Library of Medicine (R25LM014208) oraz grant Momentum Grant od University of Pittsburgh. Prace te wykorzystały DARWIN at Udel (darwin.hpc.udel.edu) poprzez alokację [MED230016] z programu Advanced Cyberinfrastructure Coordination Ecosystem: Services & Support (ACCESS), wspieranego grantami National Science Foundation #2138259, #2138286, #2138307, #2137603 i #2138296.

Identyfikatory Zasobów Badawczych (RRID) oraz numery wersji wszystkich używanych narzędzi programowych są dostępne w Tabeli Materiałów.
1. Przygotowanie białka docelowego
<ol>
	<li>Stwórz katalog roboczy dla tego projektu, w którym można przechowywać pliki strukturalne i wyniki obliczeniowe.</li>
	<li>Odwiedź Protein Data Bank, aby pobrać identyfikator docelowego białka PLK1-PBD (4HCO11) oraz skontaktować się z działem Chemistry at HARvard Molecular Mechanics - Graphical User Interface (CHARMM-GUI 17,18), aby rozwiązać wszelkie rozbieżności strukturalne.<ol>
		<li>Odwiedź CHARMM-GUI i zarejestruj konto akademickie. Po rejestracji konta akademickiego kliknij generator danych, następnie PDB Reader, wpisz PDB ID 4HCO i kliknij następny krok.</li>
		<li>Na następnej stronie upewnij się, że wybrano tylko PROA – łańcuch białkowy A i kliknij kolejny krok na kolejnych dwóch stronach.</li>
		<li>Pobierz step1_pdbreader.pdb do katalogu, przemianuj plik na 4hco lub preferred i użyj edytora tekstu lub kodu, aby przemianować wystąpienia histydyny (HSD) na (HIS).</li>
	</ol>
	</li>
	<li>Powtórz procedurę dla PLK2-PBD (identyfikator PDB: 4XB019) za pomocą CHARMM-GUI. UWAGA: Dla struktur bez identyfikatorów PDB, takich jak PLK3-PBD, należy stosować struktury modelowane homologią lub Alphafold20. Zapewnij dokładność sekwencji z Uniprot21.</li>
</ol>
2. Przesiewanie bazy danych produktów naturalnych
<ol>
	<li>Odwiedź bazę danych Biblioteki SuperNatural 3.0 z produktami naturalnymi i wybierz podstronę22 dotyczącą chorób.<ol>
		<li>Wybierz raka piersi z dowolnymi lub zerowymi granicami ufności, ponieważ wszystkie wyniki muszą być programowo filtrowane, i kliknij Znajdź. Kliknij na Pobierz kompletny plik wyników , aby zapisać wyniki w preferowanym katalogu jako .csv. Następnie użyj kodu do filtrowania tych o granicach ufności 0,900–1,000 (n = 1 193 na 73 406). UWAGA: Alternatywnie, identyfikator Encyklopedii Genów i Genomów z Kioto (KEGG) dla raka piersi można wpisać na podstronie23 szlaków.</li>
		<li>Przejdź do podstrony FAQ , na dole znajdziesz cały zestaw danych dostępny do pobrania jako plik .csv. Pobierz to i użyj skryptu, aby dopasować łańcuchy Simplified Molecular Input Line Entry System (SMILES) ze zbioru danych do identyfikatorów SuperNatural dla 1 193 cząsteczek i przygotuj listę ich ciągów SMILES (smiles.csv).</li>
	</ol>
	</li>
</ol>
3. Próbkowanie klastrowe
<ol>
	<li>Pobierz dystrybucję Anaconda (<a href="https://www.anaconda.com/download" target="_blank">https://www.anaconda.com/download</a>) zawierającą niemal wszystkie pakiety open-source lub połącz zintegrowane środowisko programistyczne (IDE), takie jak RStudio (RStudio Desktop - Posit) lub Jupyter (Jupyter Notebook). Zainstaluj RDKit24, otwartoźródłowy pakiet do chemii i uczenia maszynowego z wykorzystaniem Conda. UWAGA: Instrukcje instalacji Conda i tworzenia środowiska Conda można znaleźć w dokumentacji conda 25.9.2.dev31. Aby dowiedzieć się o instalacji RDKit i konfiguracji modułu w środowisku, zobacz dokumentację Installation — The RDKit 2025.03.6.</li>
	<li>Umieść skrypt "Lipinski.py" w Pliku Uzupełniającym 1 w tym samym folderze co "smiles.csv" i uruchom go. Skrypt otwiera środowisko Conda, ładuje moduły, odczytuje plik stringów MILES, stosuje filtr oparty na Lipińskiej Zasadzie 5 do szacowania biodostępności i absorpcji (n = 999 z 1 193) oraz zapisuje listę ciągów SMILES jako "all.csv". UWAGA: Potwierdź, że "all.csv" zostało wygenerowane i zawiera ~999 związków (podzbiór filtrowany). Otwórz plik, aby zweryfikować, czy każdy wpis zawiera poprawny ciąg znaków MILES. Python działa w RStudio po wykonaniu następującego w konsoli: library(reticulate); retykulować::use_condaenv(imięNazwiskaWładzy)</li>
	<li>Umieść skrypt "Clustering.py" (Plik Dodatkowy 1) w tym samym folderze co "all.csv" i uruchom go w preferowanym IDE. Skrypty ładują moduły klastrowania, odczytują plik stringów SMILES i grupują złożone w 50 klastrów na podstawie molekularnego fingerprintingu i podobieństwa Tanimoto. UWAGA: 50 reprezentatywnych struktur (rep_struct.csv, w Pliku Uzupełniającym 1) jest zapisanych w katalogu jako lista ciągów tekstów MILES. Podobieństwo Tanimoto (znane również jako indeks Jaccarda w informatyce)25 to metryka służąca do ilościowego określenia podobieństwa strukturalnego między dwiema cząsteczkami na podstawie ich molekularnych odcisków palców, przy czym współczynnik Tanimoto mieści się od 0 (brak podobieństwa) do 1 (identyczne odciski palców). Upewnij się, że "rep_struct.csv" zawiera dokładnie 50 unikalnych wpisów SMILES reprezentujących każdy klaster.</li>
</ol>
4. Obliczanie powinowactwa i powinowactwa wiązań białko-ligandów
<ol>
	<li>Odwiedź serwer internetowy Blind Docking Docking (CB-Dock2)26 oparty na AutoDock Vina, który jest kierowany wykrywaniem wnękin.<ol>
		<li>Przejdź do zakładki dokowania i prześlij białko 4HCO.</li>
		<li>Aby przesłać ligand, kliknij na draw ligand i wklej ligand z listy ciągów SMILES (rep_struct.csv, Plik Uzupełniający 1). Wpisz adres e-mail w następnym polu, aby łatwiej zbierać dane w pakowaniu, a następnie kliknij Auto Blind Docking. Powtórz to dla pozostałych 49 przedstawicieli małych cząsteczek, oznaczając je lig1, lig2, ..., lig50.</li>
	</ol>
	</li>
	<li>Wejdź do wyniku, który został wysłany mailem i pobierz foldery zip do podkatalogu zatytułowanego 4HCO, nazywając je zwyczajnie (4hco_lig1, 4hco_lig2, ..., 4hco_lig50).<ol>
		<li>Rozpakuj foldery i usuń wszystkie pliki oprócz złożonych plików proteinowo-ligandowych kończących się na ".complex.pdb". UWAGA: Sprawdź, czy każdy katalog ligandów (4hco_lig1 do 4hco_lig50) zawiera odpowiadający mu plik ".complex.pdb".</li>
		<li>Otwórz przykładowy plik .complex.pdb w edytorze tekstu, aby dokładnie zanotować ID łańcucha proteinowego: P oraz identyfikator ligandu: A:unl, a następnie ponownie spakuj foldery za pomocą narzędzia do kompresji plików.</li>
		<li>Odwiedź serwer internetowy PROtein binDing enerGY prediction (PRODIGY), aby ocenić selektywność i powiązanie wiązania białko-ligandów27.<ol>
			<li>Kliknij na zakładkę PRODIGY-lig (białko-mała cząsteczka), aby przesłać folder z wieloma kompleksami białko-ligandów jednocześnie (np. 4hco_lig1). Wprowadź identyfikatory łańcucha białka i ligandów, zakończ weryfikację captcha i kliknij Submit Prodigy-Ligand.</li>
			<li>Po przetworzeniu danych kliknij na plik archiwalny wszystkich wyników (.zip), aby pobrać wyniki. Powtórz poprzedni krok i zbieraj wyniki dla wszystkich podkatalogów do 4hco_lig50.</li>
		</ol>
		</li>
		<li>Powtarzaj wszystkie kroki dla białek 4XB0 i PLK3, zwracając szczególną uwagę na nazewnictwo plików (np. 4xb0_lig1 czy plk2_lig1). UWAGA: Potwierdzaj, że wyjściowe CSV dla wszystkich kompleksów białko-ligandów zostały pobrane i zawierają zarówno kolumny danych ΔG, jak i reszt interfejsowych.</li>
	</ol>
	</li>
</ol>
5. Ocena ADMET-S
<ol>
	<li>Odwiedź platformę ADMETlab3 3.028.<ol>
		<li>Kliknij ROZPOCZNIJ w sekcji "ADMET Screening" i wpisz listę SMILES.<ol>
			<li>Otwórz rep_struct.csv w katalogu, aby wkleić całą listę znaków SMILES do pola tekstowego i wyślij.</li>
			<li>Oceń farmakokinetykę i właściwości podobności do leków za pomocą kolorowego systemu punktacji platformy oraz pobierz wyniki oceny jako plik .csv do dalszej analizy.</li>
			<li>Przejdź do narzędzia SwissADME29.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Wklej listę ciągów SMILES dla wszystkich 50 cząsteczek do pola wejściowego.<ol>
		<li>Kliknij Run, aby obliczyć właściwości biodostępności i przepuszczalności, w tym penetrację BBB.</li>
		<li>Pobierz wynik jako plik .csv do integracji z innymi wynikami ADMET.</li>
	</ol>
	</li>
	<li>Pobierz i zainstaluj ToxTree30 (Toxic Hazard Estimation by a decision tree) kompatybilne z systemem operacyjnym użytkownika.<ol>
		<li>Otwórz oprogramowanie przez terminal za pomocą komendy: sh Toxtree.sh</li>
		<li>Wprowadź ciągi SMILES pojedynczo do ToxTree, aby sklasyfikować toksyczność zgodnie z regułami Cramera.</li>
		<li>Eksportuj wyniki jako plik .csv do integracji z innymi danymi ADMET. UWAGA: Sprawdź, czy wyjściowe CSV ADMETLab3 i SwissADME odpowiadają liczbie ligandów (n = 50) oraz czy wyniki Toxtree klasyfikują każdy związek według reguł Cramera (I–III).</li>
	</ol>
	</li>
	<li>Po zainstalowaniu ORCA31 utwórz folder o nazwie stability w katalogu roboczym oraz podfoldery dla każdej cząsteczki (na przykład plk1_lig1, plk1_lig2, ..., plk1_lig50).<ol>
		<li>Użyj Avogadro (Avogadro), aby zbudować każdą cząsteczkę z jej łańcucha MILES: przejdź do zakładki Rozszerzenia i kliknij Optymalizuj geometrię, aby zoptymalizować cząsteczkę. Generuj pliki wejściowe ORCA za pomocą Extensions > ORCA > Generuj Input ORCA i zastosuj następujące ustawienia: ! B3LYP OPT FREQ def2-TZVP %maxcore 4000 %koleś NPROCS 1 koniec</li>
		<li>Zmodyfikuj pobrany plik .sh zadania dla każdego ligandu, aby zawierał unikalne nazwy stanowisk oraz adres e-mail. Następnie przenieś katalog "stabilności" do systemu wysokowydajnego (HPC), używając następujących poleceń: SS xsedeu0000@darwin.hpc.udel.edu MKdir ~/4hco scp -r /local/path/to/stability xsedeu0000@darwin.hpc.udel.edu:~/4hco</li>
		<li>Wykonaj zadania za pomocą Simple Linux Utility for Resource Management (menedżer obciążeń SLURM dla klastrów HPC) za pomocą skryptu pętli: dla i w {1..50}; do cd ~/4hco/stability/plk1_lig${i} chmod +x job_lig${i}.sh sbatch job_lig${i}.sh załatwione.</li>
		<li>Po otrzymaniu e-maili z zakończeniem zadania przejdź do folderów ligandów i otwórz pliki wyjściowe, aby przejrzeć dane i zanotować wartości HOMO i LUMO: cd ~/4hco/stabilność/plk1_lig1 nano lig1.out</li>
	</ol>
	</li>
</ol>
6. Analiza danych ADMET-S
<ol>
	<li>Połącz dane o właściwościach fizykochemicznych pochodzące z radarowych map biodostępności i przepuszczalności SwissADME w plik .csv.<ol>
		<li>Zapisz plik .csv z SwissADME i nazwij go "Physiochemical.csv."</li>
		<li>Umieść skrypt "Physiochemical.py" (Plik Uzupełniający 1) w tym samym folderze co "Physiochemical.csv" i uruchom go.</li>
		<li>Stosuj następujące kryteria: nHD: 0–7, nHA: 0–12, nStereo: <2, LogP: 0–3, LogD: 1–3, LogS: –4 do 0,5, Fsp3: >0,41 oraz nHet: 1–15.</li>
	</ol>
	</li>
	<li>Dane absorpcji i dystrybucji można wyprowadzić ze SwissADME.<ol>
		<li>Zrób migawkę i zapisz wykres BOILED-Egg32 w SwissADME.</li>
		<li>Stosuj następujące kryteria: cząsteczki muszą leżeć w obszarze "jajka" i działać jako inhibitory p-glikoprotein, ponieważ preferowane są czerwone punkty.</li>
	</ol>
	</li>
	<li>Dane metaboliczne wywodź z ADMETlab3.0 dla substratu i inhibitorów cytochromu (CYP).<ol>
		<li>Zapisz .csv plik z ADMETlab3.0 i nazwij go "Metabolism.csv".</li>
		<li>Edytuj plik .csv i zachowaj tylko kolumny CYP-inh i CYP-sub.</li>
		<li>Umieść skrypt "Metabolism.R" (Plik Uzupełniający 1) w tym samym folderze co "Metabolism.csv" i uruchom go.</li>
		<li>Należy stosować następujące kryteria: preferowane są inhibitory CYP p450 oraz niesubstrat jako kategoria 0.</li>
	</ol>
	</li>
	<li>Wyprowadz dane wydalnicze z ADMETlab3.0 dla oczyszczania i okresu półtrwania.<ol>
		<li>Zapisz .csv plik z ADMETlab3.0 i nazwij go "Excretion.csv".</li>
		<li>Edytuj plik .csv i zachowaj tylko kolumny cl-plasma i t0.5.</li>
		<li>Umieść skrypt "Excretion.py" (Plik Uzupełniający 1) w tym samym folderze co "Excretion.csv" i uruchom go.</li>
		<li>Stosuj następujące kryteria: klirens osocza: 0,01–5 ml/min/kg.</li>
		<li>dane o toksyczności z Toxtree dla klasy toksyczności oraz ADMETlab3.0 dla liczby toksykoforów.<ol>
			<li>Zapisz .csv z ADMETlab3.0 i nazwij go "Toxicity.csv."</li>
			<li>Edytuj plik .csv, zachowując tylko kolumnę Toksyfor, i dodaj nową kolumnę zapisującą klasę toksyczności każdego ligandu z Toxtree.</li>
			<li>Umieść skrypt "Toxicity.py" (Plik Uzupełniający 1) w tym samym folderze co "Toxicity.csv" i uruchom go.</li>
			<li>Zastosuj następujące kryterium: liczba toksykoforów powinna wynosić 0–2.</li>
		</ol>
		</li>
		<li>Dane stabilności wyprowadzamy z plików wyjściowych ORCA. Te ("ORBITAL ENERGIES", konkretnie wartości energetyczne HUMO i LUMO).<ol>
			<li>Stwórz tabelę Excel, zapisującą energie HUMO i LUMO każdego liganda jako osobne kolumny.</li>
			<li>Dodaj nową kolumnę obliczającą przerwę pasmową (HUMO–LUMO = przerwa pasmowa).</li>
			<li>Zapisz tabelę Excel jako "Stability.csv."</li>
			<li>Umieść skrypt "Stability.py" (Plik Uzupełniający 1) w tym samym folderze co "Stability.csv" i uruchom go.</li>
			<li>Stosuj następujące kryteria: różnica przerwy pasmowej powinna wynosić od 3,6 do 5 eV.</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>

Autorzy deklarują brak konkurencyjnych interesów.

Badanie to koncentruje się na eksploracyjnym procesie obliczeniowym mającym na celu identyfikację i ocenę potencjalnych inhibitorów PLK1-PBD poprzez wirtualne przesiewanie, dokowanie oraz analizę ADMET-S. Pipeline skutecznie priorytetowo traktuje związki na podstawie przewidywanych trendów wiązania i właściwości farmakokinetycznych. W tym protokole identyfikowany jest zestaw możliwych inhibitorów PLK1, a ich właściwości ADMET i wiążące się białka PLK1–3 są oceniane. Protokół wykorzystuje podejście skoncentrowane na chorobie, aby zidentyfikować 50 cząsteczek z bazy danych liczącej około 73 400 (Rysunek 9). Następnie te 50 cząsteczek poddano ocenie ADMET-S, podczas której obliczono ich właściwości farmakokinetyczne i farmakodynamiczne, podobność do leku oraz stabilność. Ponadto obliczono ich powinowactwo wiązawcze do białek PLK1–3, aby ocenić ich siłę hamującą wobec PLK1 oraz selektywność. Na podstawie wyników kilka cząsteczek wykazało bardziej pożądane właściwości. Kolejne badania odkrywające leki mogą zdecydować się na eliminację niektórych cząsteczek i skupienie się na kilku z tych badań, lub mogą powstrzymać się od wczesnej eliminacji i wykorzystać te wyniki później w procesie projektowania leku do optymalizacji właściwości ADMET.
Biologiczne uzasadnienie skupienia się na PLK1, PLK2 i PLK3, z wyłączeniem PLK4 i PLK5, opiera się zarówno na aspektach strukturalnych, jak i funkcjonalnych. PLK4 i PLK5 są wykluczone z tych badań ze względu na wyraźne różnice strukturalne i funkcjonalne względem PLK1 oraz ograniczone znaczenie dla terapii nowotworów. PLK1, charakteryzujący się domeną kinazową i domeną pola (PBD), odgrywa kluczową rolę w regulacji zdarzeń mitotycznych, co czyni go kluczowym celem leczenia nowotworów41. W przeciwieństwie do tego, PLK4 i PLK5 są strukturalnie rozbieżne: PLK4 zawiera krypticzne pudełko polo-box (CPB) zamiast kanonicznego PBD i funkcjonuje głównie w duplikacji centrioli. Jednocześnie PLK5 nie posiada funkcjonalnej domeny kinazowej i jest eksprimowany niemal wyłączniew mózgu. Biorąc pod uwagę minimalne nakładanie się struktury z PLK1-PBD oraz ograniczone znaczenie dla dysregulacji mitozy w nowotworach, ich włączenie nie wpłynie znacząco na selektywność dla inhibitorów PLK1-PBD. W związku z tym strategia selekcyjna oferuje biologicznie istotne i obliczeniowo wykonalne ramy oceny selektywności. Co ważne, sześć głównych ligandów kandydatów (10, 13, 14, 32, 43 i 47) wykazywało jeszcze korzystniejsze energie wiązania i profile ADMET-S niż znane inhibitory TQ i Allopole-A, co wskazuje na nich jako potencjalne modulatory PLK1-PBD.
Aby wspierać solidne wdrożenie, szczególnie przez studentów lub badaczy nowych w narzędziach do wykrywania leków obliczeniowych, w Tabeli 1 przedstawiono podsumowanie kluczowych punktów kontrolnych (również w sekcji Protokół), kluczowych kroków oraz wskazówki dotyczące rozwiązywania problemów w procesie pracy. Tabela wspiera elastyczność; na przykład, jeśli użytkownik nie ma dostępu do HPC, może zauważyć, że analiza stabilności ORCA jest odroczona, a jeśli serwer WWW jest niedostępny, sugeruje się alternatywy takie jak SwissDock. Ta elastyczność zapewnia, że workflow pozostaje skuteczny w różnych kontekstach instytucjonalnych, jednocześnie zachowując rzetelność naukową i wzmacniając nowość badania jako inkluzywnego, dwujęzycznego i edukacyjnego wkładu w odkrywanie leków na wczesnym etapie. Chociaż cały proces jest zaprojektowany jako zintegrowany potok, kilka kluczowych etapów zasadniczo decyduje o jego sukcesie lub porażce (patrz Tabela 1). Dodatkowo, towarzyszące mu wideo zawiera zsynchronizowane angielskie napisy oraz amerykański system migowy (ASL), zaprojektowany tak, by zapewnić równy dostęp bez rozpraszania. Instrukcje osoby podpisującej są wyrównane czasowo z akcjami na ekranie, na przykład znakowanie "następny", a następnie pauza, gdy kursor klika przycisk "Następny". Podczas etapu przygotowania 4HCO sygnator używa znakowania palcami ("A" i "B") do prowadzenia wyboru łańcucha, precyzyjnie odzwierciedlonego w nagraniu ekranu. W segmencie wyświetlania SuperNatural 3.0 okno sygnatariusza zmienia rozmiar i przesuwa się w prawy górny róg, kierując uwagę na ikonę "ścieżki", zatrzymując się, gdy kursor podąża za nim. Te decyzje projektowe zapewniają, że widzowie głusi i niedosłyszący otrzymują takie samo zintegrowane, w czasie rzeczywistym wskazówki jak osoby słyszące, skutecznie odtwarzając doświadczenie laboratoryjne prowadzone przez instruktora na żywo.
Poza korzyściami istnieje wiele sposobów na usprawnienie pracy pracy. Po pierwsze, można modyfikować początkowe filtrowanie; Zamiast metod skoncentrowanych na chorobach i próbkowaniu klastrowym, można zacząć od symulacji dokowania wszystkich cząsteczek w bazie danych produktów naturalnych, aby określić, które związki najlepiej nadają się do wiązania białek ligand-cel. Ponadto konieczne są bardziej szczegółowe oszacowania, aby dokładnie przewidzieć powinowactwo wiązania. Obliczenia PRODIGY "bez elektrostatyczności" powinowactwa białko-ligandów polegają na dopasowaniu, liczeniu sklasyfikowanych typów kontaktów atomowych zaangażowanych w interakcję (węgiel-węgiel, azot-azot, tlen-tlen i inne atomy) w wytrenowanym modelu wielokrotnej regresji liniowej z czterokrotną walidacją krzyżową, a ta metoda znacząco korelowała z eksperymentalnymi powinowactwami w różnych przypadkach42,43. Można stosować alternatywne podejścia, takie jak FoldX44, fastDRH45, modele głębokiego uczenia46 oraz MD z zaawansowanym próbkowaniem, a w zależności od dokładności każdej metody47 oczekiwane są różne stopnie zgodności w prognozach.
Kolejnym aspektem jest to, że różne narzędzia programowe używane w ocenie ADMET-S generują liczne wskaźniki, a zrozumienie każdego wskaźnika stosowanego do oceny kandydatów na narkotyki jest kluczowe. Jednym ze sposobów zapewnienia dokładności może być poddanie kilku leków na rynku protokołowi, aby ustalić, jak spełniają progi. W tym kontekście toksyczność wymaga dalszych badań, ponieważ cząsteczki nie są odrzucane wyłącznie na podstawie profili toksyczności z wyrafinowanych drzew decyzyjnych, takich jak reguły Cramera, gdyż wiele dostępnych leków ma podobne klasyfikacje. Liczba toksykoforów również nie jest w pełni informacyjna na temat toksyczności, nawet w połączeniu z profilami toksyczności. W tym kontekście rozszerzeniem tego przepływu pracy byłoby przeprowadzenie porównawczych przeglądów próbek małych cząsteczek z dostępnymi lekami w celu uzyskania interpretacji. Na przykład badacze odwołali się do wcześniejszej literatury dokumentującej zastosowanie i obserwacje obliczeń DFT w obecnych lekach przeciwraka piersi, takich jak Tamoksyfen48, Letrozol49, oraz Cisplatin50przy interpretacji stabilności określonej przez obliczenia QM wartości przerwy energetycznej HOMO–LUMO. Wcześniej stosowano podobne procesy do identyfikacji potencjalnych inhibitorów dla różnych celów chorób/zaburzeń51. Ostatnio Stafford i in.6 omawili strategie projektowania inhibitorów PLK1-PBD oraz możliwości terapeutyczne w leczeniu nowotworów. Najnowsze badania zidentyfikowały inhibitory podwójnego celowania przeciwko PLK1-PBD i PLK4-PB3 za pomocą modelowania farmakoforów sterowanych strukturą, wirtualnego przesiewania, dokowania molekularnego, symulacji dynamiki molekularnej (MD) oraz oceny biologicznej52. Zhou i in. zidentyfikowali również inhibitory PLK1-PBD z biblioteki morskich produktów naturalnych, wykorzystując farmakoforę 3D QSAR, ADMET, skakanie rusztowań, dokowanie molekularne oraz MD53.
Ogólnie rzecz biorąc, nowość tego badania jest czterokrotna. Po pierwsze, jest to dwujęzyczny protokół obliczeniowy, realizowany zarówno w amerykańskim języku migowym, jak i angielskim, co przyczynia się do zwiększenia dostępności i inkluzji w STEM, szczególnie dla uczniów i badaczy z niesłyszącymi i niedosłyszącymi zaburzeniami. To dwujęzyczne prowadzenie jest rzadkością w dziedzinie komputerowego odkrywania leków i jest zgodne z misją Uniwersytetu Gallaudeta, jakim jest pionier sprawiedliwej edukacji naukowej. Po drugie, choć PLK1 pozostaje atrakcyjnym celem przeciwnowotworowym, rygorystyczne badania obliczeniowe oceniające selektywność PLK1, PLK2 i PLK3 z wykorzystaniem zintegrowanych kryteriów strukturalnych, energetycznych i ADMET-S są rzadkie. Większość wcześniejszych badań koncentrowała się wyłącznie na hamowaniu domeny kinazowej lub brakowało porównawczego profilowania selektywności. Praca ta wypełnia tę lukę, oferując początkowy, eksploracyjny współbieżny protokół przesiewowy przeciwko trzem PLK-PBD, z filtrami priorytetowo przyjmującymi związki oparte na wysokim powinowactwie PLK1 i minimalnym wiązaniu poza celem. Po trzecie, workflow został zaprojektowany z myślą o efektywności i użyteczności, szczególnie w środowiskach edukacyjnych i ograniczonych zasobach. Cały proces od filtrowania baz danych po ocenę ADMET-S można zakończyć w ciągu dwóch tygodni na standardowym sprzęcie akademickim (laptop z 8 GB RAM), korzystając z darmowego oprogramowania webowego (CB-Dock2, PRODIGY, SwissADME, ADMETlab). Obliczania powinowactwa dokowania i wiązania nie są czasochłonnymi krokami (~30 sekund na ligand). Najbardziej czasochłonnym krokiem jest analiza stabilności w QM z ORCA, którą można odłożyć na późniejsze etapy lub uruchomić na zasobach wysokowydajnych, jak pokazano. Skrypty są modułowe i wymagają jedynie podstawowych edycji wiersza poleceń lub Jupyter Notebook, co umożliwia płynną integrację z istniejącymi programami nauczania. Czas działania jest skromny, a filtrowanie baz danych i zgodność z Lipinskiego zajmują minuty; Skupienie ~1000 cząsteczek kończy się w mniej niż 30 minut na typowym pulpicie. Wszystkie narzędzia programistyczne są dostępne swobodnie do użytku akademickiego, wieloplatformowego (Windows, macOS, Linux) i nie wymagają licencji komercyjnych, co znacząco obniża bariery wejścia. Po czwarte, zidentyfikowane ligandy wykazują obiecujące powinowactwa wiązania zgodne z interakcjami w zakresie nanotrzonowców, połączone z korzystnym podobieństwem do leków, stabilnością metaboliczną i niskim profilem toksyczności. Kilku kandydatów wyłania się jako silne, selektywne wiąźniki PLK1-PBD o pożądanych właściwościach ADMET-S, co wymaga dalszej weryfikacji poprzez symulacje dynamiki molekularnej lub testy in vitro .
Dlatego poza użytecznością metodologiczną, badanie to pokazuje, jak dostępne, otwartoźródłowe i wydajne narzędzia obliczeniowe mogą być wykorzystane jako punkt wyjścia do rozwiązania wysokowartościowego wyzwania biomedycznego, jednocześnie wspierając inkluzywne szkolenia naukowe. W miarę jak inhibitory PLK1-PBD zyskują na popularności w onkologii, ten sposób pracy dostarcza powtarzalnego, przyjaznego dla edukacji wzorca odkrywania leków na wczesnym etapie. Jego wszechstronność sprawia, że nadaje się do szkół średnich, licencjackich i magisterskich, a także stanowi doskonałą podstawę dla CURE, które oferują studentom autentyczne, praktyczne możliwości badawcze. W przeciwieństwie do potoków opartych wyłącznie na dokowaniu w domenie kinazowej lub przesiewaniu pojedynczym białkiem, podejście to równocześnie ocenia selektywność PBD dla PLK1–3, co jest konieczne ze względu na ich >38% homologię strukturalną oraz rozbieżne role biologiczne. Co więcej, łącząc klastry, ADMET-S i stabilność QM w ramach otwartego dostępu, ryzyko redundancji i straty zostało zmniejszone w porównaniu do brute-force wirtualnego screeningu.

Kinazy podobne Polo (PLK) to rodzina kinaz białkowych, strukturalnie składająca się z domeny N-końcowej oraz C-końca, składającej się z jednej lub dwóch domen polo-box (PBD)1,2. Liczba i funkcjonalna różnorodność tych domen polo-box różnią się w zależności od członków rodziny PLK. PLK1 uczestniczy w fazach S, G2 i M podziału komórkowego. W cyklu komórkowym PLK1 pełni funkcję punktu kontrolnego uszkodzenia DNA w fazie S oraz regulatora kondensacji chromosomowej i dojrzewania centrosomów w fazie G2. PLK1 sprzyja także wejściu mitotycznemu do fazy M, po czym następuje montaż wrzeciona, wejście anafazy i cytokineza 3,4. Nadmierna ekspresja PLK1 prowadzi do niestabilności genetycznej spowodowanej nieprawidłowym tworzeniem się centrosomów, co skutkuje nieprawidłowym funkcjonowaniem cykli komórkowych uniemożliwiających komórkom regulację apoptozy. Taka nadekspresja obserwuje się w rakach płuc, głowy i szyi, przełyku, żołądka, jelita grubego oraz piersi4. Dlatego hamowanie PLK1 przez środki skierowane na PBD może wywołać apoptozę 5,6. Ten sposób działania ma na celu osiągnięcie wysokiej selektywności, aby uniknąć hamowania PLK2 i PLK3, które są kluczowe dla funkcji neurologicznych i zarządzania stresem genotoksycznym3.
PLK2 działa jako supresor guza w określonych kontekstach, regulując przejście G1/S i wspierając degradację cykliny E, aby zapobiec niekontrolowanej proliferacji komórek. PLK3 wykazuje złożoną rolę zarówno w regulacji cyklu komórkowego, jak i w odpowiedzi na stres genotoksyczny, przyczyniając się do utrzymania integralności genomu poprzez aktywację punktów kontrolnych uszkodzenia DNA oraz indukcję apoptozy7. Co ważne, choć hamowanie PLK1 stało się obiecującą strategią terapeutyczną w leczeniu nowotworów, kluczowe role PLK2 i PLK3 w funkcjonowaniu neurologicznym i reakcji stresowej wymagają opracowania wysoce selektywnych inhibitorów, aby zminimalizować efekty pozacelowe na te kluczowe kinazy3. Ten kontekst biologiczny i podobieństwa strukturalne powyżej 38% podkreślają znaczenie identyfikacji związków, które konkretnie atakują domenę polo-box (PBD) PLK1, bez zakłócania funkcji ochronnych PLK2 i PLK3 w normalnej fizjologii komórkowej.
Znane inhibitory kinazy polopodobnej (PLK), szczególnie te skierowane na PLK1, były szeroko badane ze względu na ich potencjalne zastosowania terapeutyczne w leczeniu nowotworów. Opracowano i wdrożono do badań klinicznych kilka związków, w tym BI 2536, volasertib (BI 6727), onvansertib (NMS-1286937) oraz GSK461364, często jako inhibitory konkurencyjne z ATP 8,9,10. Inne typy inhibitorów są skierowane do PBD, w tym tymomochinon (TQ)11,12, poloksyna 13,14 oraz Allopole-A15. Chociaż podobno obiecujące, obecnie nie ma zatwierdzonych inhibitorów specyficznych dla PBD ani zaawansowanych badań klinicznych ze względu na wyzwania, w tym nieoptymalne właściwości ADMET-S oraz efekty pozacelowe6. Na przykład kilka inhibitorów PLK1-PBD to podobno niespecyficzne białkowe alkilatory16, co ogranicza ich zastosowanie kliniczne. Dlatego poprawa selektywności i profili ADMET-S potencjalnych inhibitorów PLK1-PBD pozostaje kluczowym celem w odkrywaniu leków.
Celem tego badania jest zbadanie potencjalnych inhibitorów PLK1-PBD o właściwościach ADMET-S za pomocą wirtualnego przesiewania, filtrowania podobieństwa strukturalnego, dokowania, obliczeń energii wiązania oraz oceny ADMET-S. PLK2 i PLK3 poddawano tym samym protokołom oceny potencjalnej selektywności. Chociaż istnieje wiele potoków obliczeniowych do odkrywania inhibitorów kinaz, niewiele z nich integruje równoległe selektywne przesiewanie PBD PLK1–3 z kompleksowymi analizami stabilności ADMET-S i kwantowo-mechanicznej, szczególnie z wykorzystaniem bibliotek produktów naturalnych. Workflow opiera się na ustalonych paradygmatach wirtualnego screeningu, ale jest dostosowany do dostępności edukacyjnej i wczesnego generowania hipotez. Protokół wymaga jedynie standardowego laptopa (8 GB RAM), darmowego oprogramowania akademickiego oraz braku wcześniejszej wiedzy programistycznej, co czyni go odpowiednim do szkół średnich, licencjackich i magisterskich, w tym do badań naukowych opartych na kursach (CURE).
Procesem obliczeniowym tej pracy jest przygotowanie białek, podczas którego struktury PLK1-PBD, PLK2-PBD i PLK3-PBD są pobierane z Protein Data Bank (PDB) lub modelowane i przetwarzane w celu rozwiązania rozbieżności strukturalnych. Następnie przeprowadzono przesiewowe badania w bazie naturalnych produktów, filtrujące związki na podstawie potencjału przeciwraka piersi oraz zgodności z Regułą Pięciu. Kolejne etapy to klastrowanie w 50 reprezentatywnych struktur na podstawie molekularnego fingerprintingu i podobieństwa. Przedstawiciele ci przeszli dokowanie białko-ligandów oraz obliczenia powinowactwa wiązania, generując dane interakcji dla trzech PLK. Następnie właściwości ADMET-S są oceniane za pomocą trzech różnych serwerów internetowych, aby przewidzieć farmakokinetykę, podobieństwo do leków, toksyczność oraz stabilność metaboliczną. Obliczenia QM zostały wykorzystane do oceny stabilności cząsteczkowej poprzez analizę najwyższego zajętego orbitalu molekularnego (HOMO) oraz najniższego niezajętego orbitalu molekularnego (LUMO) luki HOMO–LUMO. Na koniec dane ADMET-S zostały przeanalizowane w celu filtrowania i klasyfikowania związków na podstawie kryteriów fizykochemicznych, absorpcji, dystrybucji, metabolizmu, wydalania, toksyczności i stabilności jako potencjalnych i selektywnych inhibitorów PLK1-PBD.

<table><tbody><tr><td>ADMETLab3</td><td>Simulations Plus. Inc</td><td>V3.0</td><td>Właściwości ADMET</td></tr><tr><td>Alfafold</td><td>Wyszukaj w Google DeepMind & Izomorphic Labs (spółki zależne Alphabet)</td><td>V3.0.1</td><td>Modelowanie białek 3D</td></tr><tr><td>Anaconda/Conda</td><td>Anaconda, Inc.</td><td>V24.9.2</td><td>Open source system zarządzania pakietami&nbsp;</td></tr><tr><td>CB-Dock2</td><td>Laboratorium Yang Cao</td><td>V2.0</td><td>Ślepe dokowanie białkowo-ligandowe</td></tr><tr><td>CHARMM-GUI</td><td>Uniwersytet Lehigh</td><td>V3.8</td><td>Manipulacja i symulacja biomolekularna</td></tr><tr><td>DARWIN NA DOSTĘPIE</td><td>Uniwersytet Delaware</td><td>Nie ma</td><td>Obliczenia wysokowydajne</td></tr><tr><td>ORCA</td><td>FAccTs GmbH</td><td>V6.1.0</td><td>Pakiet chemii kwantowej</td></tr><tr><td>Bank Danych Białek</td><td>Światowy Bank Danych Białek</td><td>RRID:SCR_006555</td><td>Baza danych białek</td></tr><tr><td>RDKit</td><td>Open source</td><td>RRID:SCR_014274</td><td>Programowanie cheminformatyczne</td></tr><tr><td>SuperNatural 3.0</td><td>Instytut Fizjologii i Nauk-IT (Berlin)</td><td>V3.0</td><td>Biblioteka cząsteczek naturalnych</td></tr><tr><td>SwissADME</td><td>Szwajcarski Instytut Bioinformatyki</td><td>RRID:SCR_017865</td><td>Właściwości ADME</td></tr><tr><td>Toxtree</td><td>Ideaconsult Ltd</td><td>V3.1.0</td><td>Klasyfikacja toksyczności</td></tr></tbody></table>

dwujęzyczny proces obliczeniowy do identyfikacji potencjalnych inhibitorów plk1 w amerykańskim języku migowym i angielskim

A Bilingual Computational Workflow for Identifying Potential PLK1 Inhibitors in American Sign Language and English

Kinaza podobna do Polo 1 (PLK1) odgrywa kluczową rolę w fazach S, G2 i M cyklu komórkowego, a jej nadekspresja jest często obserwowana w wielu nowotworach, w tym raku piersi, gdzie przyczynia się do niestabilności genomowej i zaburzenia apoptozy. W przeciwieństwie do konwencjonalnych inhibitorów konkurencyjnych z ATP, które celują w domenę kinazową, selektywna inhibicja domeny polo-box (PBD) PLK1 oferuje obiecującą strategię zakłócania interakcji białko-ligand, kluczowych dla progresji mitozy, co wywołuje apoptozę w komórkach nowotworowych. Jednak wysokie podobieństwo strukturalne między PLK1 a jego homologami (PLK2 i PLK3), które są niezbędne odpowiednio dla funkcji neurologicznych i reakcji na stres, wymaga wyjątkowej selektywności, aby uniknąć efektów pozacelowych. Aby sprostać temu wyzwaniu, protokół obejmuje dwujęzyczny (amerykański język migowy i angielski) proces obliczeniowy, który integruje wirtualne przesiewanie, klasteryzację strukturalną, dokowanie białek i ligandów, przewidywanie powinowactwa wiązań, profilowanie ADMET-S oraz analizę stabilności mechaniki kwantowej (QM). Począwszy od bazy danych produktów naturalnych SuperNatural 3.0, związki zostały przefiltrowane według kryteriów istotności raka piersi i podobieństwa do leków, klastrowane w celu zapewnienia różnorodności chemicznej oraz oceniano ich interakcje ze strukturami PLK1-, PLK2- i PLK3-PBD. Chociaż wirtualne dokowanie i oceny, in silico ADMET-S, nie mogą jednoznacznie potwierdzić selektywności ani mechanizmu działania, to badanie generuje hipotezy testowalne i priorytetowo traktuje skoncentrowany zestaw kandydatów pochodzących z produktów naturalnych do przyszłych symulacji dynamiki molekularnej, walidacji biochemicznej lub badań eksperymentalnych.

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 proces obliczeniowy do identyfikacji potencjalnych inhibitorów PLK1 w amerykańskim języku migowym i angielskim

Polo-like Kinase 1 (PLK1) plays essential roles in the S, G2, and M phases of the cell cycle, and its overexpression is frequently observed in multiple ...

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.

a-bilingual-computational-workflow-for-identifying-potential-plk1

Research

JoVE Journal

Chemistry

Chemia

W niniejszej pracy pokazujemy, jak wykorzystać test ligacji bliskości (Proximity Ligation Assay, PLA) wraz z kombinacją przeciwciał do wizualizacji sygnalizacji białka morfogenetycznego kości (Bone Morphogenetic Protein, BMP) w utrwalonych komórkach. Technika ta pozwoliła nam śledzić nuklearną akumulację endogennych kompleksów efektorowych aktywowanych przez BMP oraz ilościowo określić ich poziomy w czasie pod wpływem stymulacji BMP4.

Wykrywanie kompleksów efektorowych szlaków sygnalizacyjnych downstream BMP4 przy użyciu in situ PLA, testu ligacji w bliskości

W niniejszej pracy wykorzystujemy ludzką bibliotekę pulową LentiPlex oraz tradycyjne metody sekwencjonowania w celu identyfikacji genów docelowych sprzyjających przeżyciu komórek. Przedstawiamy sposób przygotowania i dekonwolucji screeningu LentiPlex oraz walidacji uzyskanych wyników.

Przesiewanie biblioteki połączonej shRNA MISSION LentiPlex w komórkach ssaków

Kontrola syntezy białek występuje głównie na etapie inicjacji translacji, której niedobory są związane z różnymi zaburzeniami. Aby lepiej zrozumieć ich etiologię, opisaliśmy tutaj protokół z wykorzystaniem oocytów Xenopus laevis oceniający translację transkryptu mos w obecności mutanta czynnika inicjacji translacji eIF4G1.

Xenopus laevis jako model do identyfikacji upośledzenia translacji

Oporność na leki celowane jest powszechna, a potrzeba identyfikacji mechanizmów oporności - przed lub po rozpoczęciu badań klinicznych - jest kluczowa dla kierowania alternatywnymi strategiami leczenia klinicznego. W tym miejscu przedstawiamy protokół parowania wyprowadzenia linii lekoopornych in vitro z sekwencjonowaniem, aby przyspieszyć odkrycie tych mechanizmów.

Implementacja testów oporności na leki in vitro: maksymalizacja potencjału w zakresie odkrywania klinicznie istotnych mechanizmów oporności

Tutaj przedstawiono protokół średnio- i wysokoprzepustowej analizy zdarzeń fosforylacji białek na poziomie komórkowym. Fosfomorfometria przepływowa to potężne podejście do charakteryzowania aberracji sygnałowych, identyfikacji i walidacji biomarkerów oraz oceny farmakodynamiki.

Fosfomorfometria przepływowa z fluorescencyjnym kodowaniem kreskowym komórek do analizy sygnalizacji pojedynczej komórki i odkrywania biomarkerów

Tutaj prezentujemy protokół eCLIP do określania głównych celów RNA kandydatów na RBP w jądrach.

Metoda ulepszonego sieciowania immunoprecypitacyjnego (eCLIP) do skutecznej identyfikacji RNA związanego z białkiem w jądrach myszy

Przedstawiono szczegółowy protokół generowania samodzielnie składających się mikromacierzy białek ludzkich do badań przesiewowych inhibitorów kinaz.

Badania przesiewowe inhibitorów kinaz w samoorganizujących się mikromacierzach białek ludzkich

To badanie miało na celu przedstawienie strategii identyfikacji interakcji lek-peptyd. Strategia obejmuje biopanowanie krótkich peptydów rozpoznających leki w oparciu o bioczujnik mikrowagi kwarcowej (QCM), a następnie analizę bioinformatyczną w celu ilościowej oceny uzyskanych informacji w celu rozpoznania leku i adnotacji miejsc wiązania leku na białkach.

Oparta na biosensorach strategia wysokoprzepustowej analizy biopanningowej i bioinformatycznej do globalnej walidacji interakcji lek-białko

Opracowaliśmy międzygatunkowe porównawcze podejście onkogenomiczne, wykorzystując analizy genomiczne i funkcjonalne badania genomowe do identyfikacji i porównania celów terapeutycznych w nowotworach powstających w genetycznie modyfikowanych modelach mysich i odpowiadającym im typie nowotworu ludzkiego.

Profilowanie genetyczne i badania przesiewowe w skali genomu w celu identyfikacji celów terapeutycznych w mysich modelach złośliwego guza osłonki nerwów obwodowych

Nieukierunkowana metabolomika dostarcza hipotezy generującej migawkę profilu metabolicznego.  Protokół ten zademonstruje ekstrakcję i analizę metabolitów z komórek, surowicy lub tkanki.  Szereg metabolitów jest badany za pomocą ekstrakcji ciecz-faza cieczowa, ultraprzepływowej chromatografii cieczowej/spektrometrii mas o wysokiej rozdzielczości (UPLC-HRMS) w połączeniu z oprogramowaniem do analizy różnicowej.

Nieukierunkowana metabolomika ze źródeł biologicznych przy użyciu ultrasprawnej chromatografii cieczowej ze spektrometrią mas o wysokiej rozdzielczości (UPLC-HRMS)

Odkryj dwujęzyczny proces obliczeniowy do identyfikacji inhibitorów PLK1 z oceną właściwości ADMET-S. Metoda wykorzystuje dokowanie białko-ligand i bazy danych produktów naturalnych w odkrywaniu leków.

Dwujęzyczny proces obliczeniowy do identyfikacji potencjalnych inhibitorów PLK1 w amerykańskim języku migowym i angielskim

Przeglądaj więcej filmów