Modelowanie farmakoforów dla celów z obszernymi bibliotekami ligandów: studium przypadku SARS-CoV-2 Mpro

Nasze badania koncentrują się na modelowaniu farmakoforów z dużymi bibliotekami ligandów. W tym badaniu skupiamy się na SARS-CoV-2 Mpro, aby zidentyfikować wzorce strukturalne, które kierują odkrywaniem leków. Najnowsze postępy w modelowaniu farmakoforów wykorzystują większe i bardziej zróżnicowane zestawy danych, które zwiększają dokładność identyfikacji kluczowych czynników molekularnych do odkrywania leków.

Symulacje dynamiki molekularnej i uczenie maszynowe są obecnie wykorzystywane do rozwoju modelowania farmakoforów i poprawy wyników odkrywania leków. Kluczowym wyzwaniem jest zarządzanie dużymi i różnorodnymi zestawami danych ligandów, przy jednoczesnej poprawie dokładności ekstrakcji w przyszłości i obniżeniu kosztów obliczeniowych. Wykazaliśmy, że drogie biblioteki ligandów poprawiają przyszłą dokładność farmakoforów, umożliwiając bardziej wiarygodne prognozy i lepszą identyfikację potencjalnych leków.

Aby rozpocząć, uruchom oprogramowanie PyMOL. Dopasuj wszystkie kompleksy ligandów białkowych w oprogramowaniu. Dla każdego wyrównanego kompleksu wyodrębnij konformer liganda i zapisz go jako osobny plik w formacie SDF.

Prześlij każdy plik liganda indywidualnie, aby go farmić, korzystając z opcji Załaduj funkcje. Po załadowaniu użyj opcji Zapisz sesję, aby pobrać plik farmakoforowy w formacie JSON. Przechowuj wszystkie pobrane pliki JSON farmakoforu razem w jednym folderze do późniejszego wykorzystania w środowisku Google Colab.

Uruchom Google Colab w przeglądarce internetowej i utwórz nowy notatnik. Zainstaluj Conda i PyMOL, a następnie uruchom komórkę, klikając ikonę odtwarzania lub naciskając Shift i Enter, aby zweryfikować pomyślne wykonanie. Nad komórką pojawi się zielony pasek, jeśli zostanie wykonany poprawnie.

Teraz zainstaluj pakiet CANFAR Python i zaimportuj wymagane moduły. Uruchom komórkę, klikając ikonę odtwarzania, aby potwierdzić pomyślną instalację. Po pomyślnym wykonaniu pojawi się komunikat z potwierdzeniem.

Następnie utwórz nowy folder do przechowywania plików JSON farmakoforu. Otwórz folder, kliknij w nim prawym przyciskiem myszy i wybierz prześlij, aby przesłać pliki JSON. Aby przeanalizować i skonsolidować cechy farmakoforu, wyodrębnij cechy ze wszystkich przekazanych plików.

Kliknij ikonę odtwarzania, aby uruchomić komórkę i wygenerować skonsolidowaną ramkę danych zawierającą cechy z każdego pojedynczego ligandu. Wyświetl wszystkie deskryptory farmakoforów, a następnie uruchom komórkę, aby wyświetlić wzorce grupowania. Teraz zapisz model farmakoforu w formacie PyMOL.

Uruchom komórkę, aby wygenerować plik pse, a następnie zapisz model jako plik JSON, uruchamiając odpowiednią komórkę kodu. Generuj dane wyjściowe klastrowane funkcji i dendogramy przy użyciu dostarczonego kodu. Kliknij przycisk odtwarzania i wyeksportuj dane farmakoforu konsensusu do pliku CSV, wykonując polecenie eksportu.

Wykorzystaj wygenerowany model farmakoforu konsensusu do wirtualnych badań przesiewowych. 100 głównych kompleksów proteazy lub Mpro skrystalizowanych z różnymi niekowalencyjnymi inhibitorami zostało ustawionych w celu wizualizacji różnorodności ligandów w kieszeni wiążącej. Każdy ligand został indywidualnie wyekstrahowany z wyrównanych kompleksów w celu wygenerowania oddzielnych plików do wirtualnych badań przesiewowych.

Wyekstrahowane ligandy zostały przesłane na serwer farmaceutyczny i wykorzystane do wygenerowania ustrukturyzowanych plików JSON do modelowania farmakoforów. Pliki JSON dostarczyły 1450 cech farmakoforowych, pogrupowanych w 110 klastrów, w tym 23 aromatyczne, 30 akceptorów wiązań wodorowych, 16 donorów wiązań wodorowych, 36 klastrów hydrofobowych i 5 klastrów anionowych. Aby zbudować model konsensusu, zachowano tylko najgęściej zaludnione klastry, podczas gdy klastry anionowe zostały wykluczone z powodu niewystarczającej liczby członków.

Ostateczny model farmakoforu konsensusu składał się z 11 cech, w tym trzech aromatycznych, dla akceptorów wiązań wodorowych, dwóch donorów wiązań wodorowych i dwóch cech hydrofobowych. Po usunięciu najmniej reprezentatywnej cechy aromatycznej, aro pierwszej, zidentyfikowano dwa związki kandydujące. Dwuwymiarowa struktura chemiczna związku 101 267 741 została zobrazowana w celu potwierdzenia jego zgodności z modelem farmakoforowym.

Związek 101 267 741 wpasowywał się głęboko w kieszeń wiążącą Mpro, zajmując kieszenie podrzędne S1 i S2 skuteczniej niż ligand referencyjny 38a, który rozprzestrzeniał się w kierunku kieszeni S1. Związek 101 267 741 utworzył 11 oddziaływań międzycząsteczkowych, siedem wiązań wodorowych i cztery kontakty hydrofobowe.