Dwujęzyczny proces obliczeniowy do identyfikacji potencjalnych inhibitorów PLK1 w amerykańskim języku migowym i angielskim
April 3rd, 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
Ten protokół demonstruje dwujęzyczny przepływ komputacyjny do identyfikacji potencjalnych inhibitorów PLK1. Podkreśla znaczenie oceny interakcji białko-ligand oraz właściwości ADMET-S w odkrywaniu leków.
Kluczowe komponenty badania
Dziedzina nauki
- Chemia
- Biologia komputacyjna
- Farmakologia
Tło
- PLK1 jest przeekspresowane w różnych rakie.
- Inhibicja PLK1 może indukować apoptozę.
- Celem badania jest identyfikacja selektywnych inhibitorów PLK1-PBD.
- Do przesiewania potencjalnych inhibitorów wykorzystywane są bazy danych produktów naturalnych.
Cel badania
- Opracowanie przepływu do identyfikacji inhibitorów PLK1.
- Ocena właściwości leczniczych i farmakokinetycznych kandydatów.
- Wykorzystanie narzędzi komputacyjnych do odkrywania leków.
Stosowane metody
- Przygotowanie białka za pomocą CHARMM-GUI.
- Przeszukiwanie bazy danych produktów naturalnych za pomocą SuperNatural 3.0.
- Dokowanie białko-ligand i obliczanie powinności wiązania.
- Ocena ADMET-S dla lekowości i biodostępności.
Główne wyniki
- Identyfikacja 999 kandydackich cząsteczek po przesiewaniu.
- Obliczenia powinności wiązania za pomocą PRODIGY.
- Ocena ADMET-S zapewnia wgląd w właściwości leku.
- Wizualizacja wyników poprzez różne reprezentacje graficzne.
Wnioski
- Protokół oferuje kompleksowe podejście do wirtualnego przesiewania leków.
- Ma potencjalne zastosowania w poprawianiu wysiłków na rzecz odkrywania leków.
- Przepływ jest odpowiedni do celów edukacyjnych na poziomie szkoły średniej lub studiów licencjackich.
Często zadawane pytania
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
