Modelowanie farmakoforów dla celów z obszernymi bibliotekami ligandów: studium przypadku SARS-CoV-2 Mpro
26 września 2025
W artykule przedstawiono protokół konstruowania modelu farmakoforu konsensusu poprzez integrację cech molekularnych z wielu ligandów. Metoda ta ma zastosowanie w pracach nad odkrywaniem leków ukierunkowanych na dowolny cel biologiczny o znanych konformacjach związanych z ligandem, umożliwiając identyfikację kluczowych cech interakcji dla wirtualnych badań przesiewowych i racjonalnego projektowania leków.
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.
Przegląd
Niniejszy artykuł przedstawia protokół budowania konsensusowego modelu farmakoforowego poprzez integrację cech molekularnych wielu ligandów, ze szczególnym uwzględnieniem Mpro SARS-CoV-2. Metoda ta usprawnia procesy odkrywania leków poprzez identyfikację kluczowych cech oddziaływań niezbędnych do wirtualnego przesiewania oraz racjonalnego projektowania leków.
Kluczowe elementy badania
Dziedzina nauki
- Modelowanie farmakoforowe
- Odkrywanie leków
- Biologia strukturalna
Wstęp
- Modelowanie farmakoforowe wykorzystuje obszerne biblioteki ligandów do identyfikacji wzorców strukturalnych.
- Postępy w modelowaniu zwiększają dokładność w identyfikacji kluczowych cech molekularnych.
- Wyzwania obejmują zarządzanie zróżnicowanymi zbiorami danych oraz ograniczanie kosztów obliczeniowych.
- Niedawne badania wykazują, że większe biblioteki ligandów zwiększają niezawodność predykcji.
Cel badania
- Opracowanie konsensusowego modelu farmakoforowego dla Mpro SARS-CoV-2.
- Poprawa wyników poszukiwania leków poprzez zastosowanie ulepszonych technik modelowania.
- Usprawnienie procesu ekstrakcji i analizy cech farmakoforowych.
Zastosowane metody
- Wykorzystano program PyMOL do wyrównywania kompleksów białko-ligand.
- Wyodrębniono konformery ligandów i zapisano je w formacie SDF.
- Przesłano pliki ligandów w celu wygenerowania plików JSON farmakoforów.
- Wykorzystano platformę Google Colab do przetwarzania danych i ekstrakcji cech.
Główne wyniki
- Wygenerowano 1 450 cech farmakoforowych pogrupowanych w 110 klastrów.
- Końcowy model konsensusowy składał się z 11 cech, w tym oddziaływań aromatycznych i wiązań wodorowych.
- Zidentyfikowano związek 101267741 jako potencjalny kandydat na lek.
- Zwizualizowano oddziaływania związku w kieszeni wiążącej Mpro.
Wnioski
- Konsensusowy model farmakoforowy skutecznie prowadzi proces wirtualnego przesiewania.
- Poprawiona dokładność modelowania farmakoforowego zwiększa efektywność identyfikacji potencjalnych kandydatów na leki.
- Przyszłe badania mogą skupić się na udoskonaleniu metod ekstrakcji oraz wydajności obliczeniowej.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Modelowanie konsensusowego farmakoforu z wykorzystaniem obszernych bibliotek ligandów umożliwia uzyskanie większej pewności predykcyjnej we wczesnych etapach odkrywania leków, szczególnie w przypadku celów takich jak SARS-CoV-2 Mpro. Integracja zróżnicowanych konformacji związanych z ligandem redukuje błąd modelu i wspiera solidny screening wirtualny, co bezpośrednio wpływa na identyfikację związków wiodących oraz selekcję portfolio. Podejście to usprawnia racjonalny dobór kandydatów dla celów dysponujących bogatymi danymi strukturalnymi, zwiększając efektywność badań i rozwoju (R&D) w przedsiębiorstwie.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia weryfikację hipotez terapeutycznych poprzez wychwytywanie konserwatywnych cech oddziaLwań dla zróżnicowanych ligandów.
- Wspiera funkcjonalną walidację celu poprzez identyfikację kluczowych determinant molekularnych wiązania w regionie katalitycznym.
- Zwiększa pewność predykcji w procesie selekcji portfolio poprzez redukcję błędu modelu dzięki integracji cech konsensusowych.
Przesiewanie i rozwój testów
- Przygotowuje zwalidowane modele farmakoforowe do skalowalnego wirtualnego przesiewu ultra-dużych bibliotek związków.
- Ułatwia standaryzację testów poprzez zdefiniowanie ilościowych cech oddziaływań do późniejszej oceny.
- Umożliwia tworzenie reprodukowalnych i niezależnych od platformy przepływów pracy przesiewowej dzięki narzędziom informatycznym o otwartym kodzie źródłowym.
Badania translacyjne i przedkliniczne
- Uzgadnia wybór kandydatów z cechami miejsca wiązania istotnymi dla danej choroby, wspierając ciągłość translacyjną.
- Zapewnia mechanistyczną redukcję ryzyka poprzez mapowanie oddziaływań ligandów z podkieszeniami strukturalnymi celu.
- Wspiera decyzje o dalszym etapie badań w oparciu o analizę ryzyka, priorytetyzując związki o optymalnym dopasowaniu farmakoforowym.
Integracja potoków i przepływów pracy
Niniejszy protokół modelowania konsensusowego farmakoforu jest odpowiedni na etapie od wczesnego odkrywania do identyfikacji związku wiodącego, wykorzystując biologię strukturalną i informatykę w celu optymalizacji przesiewania wirtualnego oraz priorytetyzacji kandydatów.
- Biologia odkrywcza: Integruje konformacje związane z ligandem w celu wyjaśnienia ścieżek wiązania i zmniejszenia ryzyka związanego z zaangażowaniem celu.
- Przesiewanie: Dostarcza ilościowych, powtarzalnych modeli farmakoforowych do wysokoprzepustowego przesiewania wirtualnego.
- Analityka: Zapewnia zgrupowane wyniki cech i deskryptory statystyczne do porównywania oddziaływań ligandów.
- Badania translacyjne: Zapewnia zgodność kandydatów z cechami celu istotnymi dla danej choroby w celu postępu w badaniach przedklinicznych.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje skalowalny, otwartoźródłowy przepływ pracy, który można dostosować do każdego celu posiadającego wystarczającą ilość danych o ligandach.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność predykcyjną i zmniejsza niejednoznaczność mechanistyczną w oddziaływaniach target-ligand.
- Wartość operacyjna: Standaryzuje modelowanie farmakoforowe i umożliwia powtarzalny, skalowalny screening.
- Wartość strategiczna: Wspiera świadome decyzje go/no-go oraz efektywne kapitałowo ustalanie priorytetów dla związków wiodących.
- Wpływ na portfolio: Ułatwia postępy skorygowane o ryzyko oraz ponowne wykorzystanie modeli w różnych projektach.
Wskazówki dotyczące wdrożenia
- Wymaga wiedzy specjalistycznej z zakresu biologii strukturalnej, chemoinformatyki oraz modelowania farmakoforowego.
- Zależy od dostępu do narzędzi wizualizacji molekularnej (np. PyMOL) oraz infrastruktury obliczeniowej (np. Google Colab).
- Wymaga ustandaryzowanych protokołów przygotowania ligandów i ekstrakcji cech w obrębie zespołów.
- Możliwość adaptacji do różnych celów molekularnych z dostępnymi strukturami z wiązanym ligandem, jednak ograniczona jakością i różnorodnością zbiorów danych.
- Koszty obliczeniowe oraz progi klastrowania cech muszą być odpowiednio zarządzane w przypadku ultrawielkich bibliotek ligandów.
