Artigo de método

Fluxo de Trabalho Computacional Reprodutível para Descoberta de Medicamentos para Padronizar Farmacologia de Redes e Análises de Acoplamento Molecular

462 vistas

⸱

DOI:

10.3791/70171

⸱

24 de abril de 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1National Institute of TCM Constitution and Preventive Treatment of Disease, Wangqi Academy of Beijing University of Chinese Medicine, Beijing University of Chinese Medicine, 2School of Traditional Chinese Medicine, Beijing University of Chinese Medicine, 3School of Traditional Chinese Medicine, Southern Medical University, 4Sunsimiao Hospital, Beijing University of Chinese Medicine

* These authors contributed equally

Neste artigo

Resumo

Esse protocolo padronizado unifica a farmacologia em rede e o acoplamento molecular com simulações de Dinâmica Molecular (MD) para descoberta de medicamentos. Ele estabelece critérios quantitativos de triagem e etapas reprodutíveis, adequados para triagem multi-alvo de fármacos usando conjuntos de dados públicos e melhorando a confiabilidade dos resultados.

Resumo

Farmacologia de rede e acoplamento molecular são amplamente aplicadas na descoberta de medicamentos, mas fluxos de trabalho fragmentados e operações inconsistentes frequentemente prejudicam a reprodutibilidade dos resultados. Aqui, é descrito um protocolo padronizado que integra essas abordagens em uma estrutura reprodutível para triagem de medicamentos e exploração de mecanismos, com o fluxo de trabalho organizado em três fases sequenciais: preparação de dados, análise computacional e validação. Na fase de preparação, bibliotecas de compostos de bancos de dados públicos são filtradas por critérios de Absorção, Distribuição, Metabolismo, Excreção e Toxicidade (ADMET), incluindo biodisponibilidade oral, semelhança de fármacos e previsão de toxicidade, enquanto potenciais alvos terapêuticos são obtidos por meio da predição de alvos e integração de bancos de dados relacionados a doenças para identificar de forma abrangente candidatos a interação medicamento-doença. Na fase de análise computacional, alvos sobrepostos passam por análises de enriquecimento Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomas (KEGG) e análise topológica de rede de interação proteína-proteína para identificar alvos centrais; o acoplamento molecular é configurado com duas estratégias opcionais padronizadas com vantagens distintas. A estratégia progressiva em duas etapas emprega o AutoDock Vina para triagem preliminar de alta taxa da biblioteca de compostos, seguida por reacoplamento preciso com YASARA, que elimina falsos positivos de triagem de alta taxa e gera complexos proteína-ligante nativamente compatíveis com simulações subsequentes de dinâmica molecular (MD) do YASARA para evitar desvios estruturais causados pela conversão de formatos entre softwares. A estratégia de uma etapa completa o processo completo de acoplamento via YASARA isoladamente, o que simplifica o fluxo de operação, melhora a eficiência experimental e é totalmente aplicável a objetivos específicos de pesquisa. Na fase de validação, simulações padronizadas de MD avaliam a estabilidade do complexo ligante-proteína por meio de métricas centrais de desvio quadrático médio (RMSD) e flutuação quadrática média raiz (RMSF). Esse pipeline unificado e reproduzível aumenta a confiabilidade da farmacologia em rede e estudos de acoplamento e facilita comparações cruzadas na descoberta computacional de medicamentos.

Introdução

A farmacologia de redes representa uma abordagem de pesquisa que decifra os padrões de interação entre medicamentos e o organismo a partir de uma perspectiva holísticade rede 1. Ao construir e analisar a rede de interação que abrange a via componente medicamento-alvo-doença-biológica, identifica quantitativamente as moléculas-chave, vias centrais e mecanismos sinérgicos pelos quais os medicamentos exercem seus efeitos. Esse arcabouço analítico está alinhado com o padrão internacional para farmacologia de redes, que enfatiza a integração de dados multi-ômicas e a análise de redes topológicas, e, em última análise, elucida os efeitos terapêuticos gerais dos medicamentos, prevê potenciais efeitos colaterais ou fornece orientações sistemáticas para o desenvolvimento de novos medicamentos. Essa estratégia tem sido aplicada com sucesso em diversos campos, incluindo a decodificação de vias de sinalização associadas a proteínas-alvo de anti-inflamatórios não esteroides (AINEs) contra a COVID-19, e a exploração do mecanismo de ação do tratamento de doenças como osteossarcoma e diabetes mellitus tipo2 2,3,4. Essa vantagem impulsiona a mudança de paradigma do método de descoberta de fármacos de alvo único para múltiplos alvos na farmacologia moderna.

Acoplamento molecular é uma técnica de simulação computacional que emprega modelagem algorítmica para avaliar a compatibilidade espacial e a força de interação entre compostos de pequenas moléculas e alvos macromoleculares biológicos, prevendo assim configurações ótimasde ligação 5,6. Morris et al. introduziram o AutoDock4 e o AutoDockTools4, que permitem acoplamento automatizado com flexibilidade seletiva dos receptores; essas ferramentas são baseadas em dinâmica molecular e geometria molecular, e avaliam a estabilidade e afinidade da ligação calculando diferenças de energia entremoléculas 7. Ferramentas clássicas como o AutoDock utilizam modelagem semi-flexível de receptor de ligantes e se tornaram um padrão ouro para avaliar a afinidade de ligação em simulaçõessemelhantes 7.

Na descoberta de medicamentos, técnicas de triagem em farmacologia em rede são frequentemente empregadas para identificar componentes-chave, que são então validados por meio de acoplamento molecular para avaliar sua ligação com as proteínas alvo, estabelecendo a relação entre o medicamento e adoença 8. No entanto, aplicações atuais geralmente sofrem de design experimental inconsistente, procedimentos operacionais não padronizados e etapas de validação ausentes. Uma avaliação sistemática de estudos de farmacologia em redes relacionados à medicina herbal documentou esse problema generalizado, observando que a heterogeneidade dos dados entre bancos de dados e validação experimental inadequada levam a resultados irreprodutíveis9. Essas limitações não apenas prejudicam a reprodutibilidade e confiabilidade dos resultados da pesquisa, mas também dificultam a tradução de previsões computacionais em validação experimental. Ao contrário de estudos isolados de farmacologia em redes que carecem de validação experimental ou fluxos de trabalho fragmentados com parâmetros arbitrários, este protocolo integra ambas as abordagens com limiares padronizados e operações passo a passo. Esse arcabouço elimina a seleção subjetiva de parâmetros, garantindo que o fluxo de trabalho possa ser replicado por diferentes operadores com resultados consistentes.

Portanto, estabelecer procedimentos operacionais padronizados para identificar potenciais alvos e vias de fármacos por meio de triagem farmacológica em rede, combinado com acoplamento molecular para validar a atividade de ligação fármaco-alvo, pode fornecer evidências experimentais para estudar os mecanismos de ação dos fármacos e triagem de fármacos candidatos10. Este protocolo é particularmente adequado para triagem multi-alvo de componentes de fármacos e pequenas moléculas sintéticas usando bancos de dados de óticas óticas, químicos e estruturas proteicas disponíveis; não é aplicável a alvos sem estruturas cristalinas resolvidas, ou a triagem de fármacos órfãos de alvo único sem redes de interação relacionadas a doenças conhecidas.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Este protocolo envolve apenas análises computacionais de bancos de dados públicos disponíveis e não envolve o uso de sujeitos humanos, animais vertebrados ou tecidos biológicos. Todos os fluxos de trabalho resumidos descritos nesta seção estão ilustrados na Figura 1.

figure-protocol-1
Figura 1: Resumo do fluxo de trabalho. Retângulos verdes representam componentes alternativos de medicamentos, retângulos vermelhos representam doenças, elipses amarelas contêm os sites e softwares usados, retângulos laranja contêm os arquivos ou dados obtidos, bem como etapas principais, e losangos roxos representam os resultados finais necessários. Por favor, clique aqui para ver uma versão maior desta figura.

1. Aquisição de componentes e alvos de medicamentos

  1. Pesquise no banco de dados PubChem (https://pubchem.ncbi.nlm.nih.gov/) usando nomes químicos como palavras-chave para obter as correspondentes cadeias SMILES (Sistema Simplificado de Entrada Molecular de Linha de Entrada).
  2. Acesse o site ADMETlab 3.0 (https://admetlab3.scbdd.com/), selecione a opção Avaliação ADMET na aba Serviços, insira as strings SMILES e clique no botão ENVIAR .
  3. Filtre os resultados do ADMET com base nos indicadores: Absorção, Distribuição, Metabolismo, Excreção, Toxicidade, Química Medicinal e Regras de Toxicóforos. Retenha apenas compostos que atendam a todos os critérios de limiar pré-definidos para cada indicador (Tabela 1).
  4. Acesse o site ProTox 3.0 (https://tox.charite.de/protox3/index.php?site=home), insira as strings SMILES dos compostos filtrados, selecione o módulo TOX PREDICTION , marque todas as opções de predição desejadas (por exemplo, toxicidade de órgãos, carcinogenicidade) e execute a previsão.
  5. Descarte compostos com toxicidades previstas que excedam os limiares de segurança pré-definidos com base nos resultados do ProTox 3.0 (Tabela 2).
  6. Compile os compostos que passam tanto no ADMET quanto no ProTox 3.0 em um banco de dados estruturado de componentes de medicamentos (por exemplo, formato Excel ou CSV) com colunas para nome do composto, SMILES e status de triagem.
  7. Acesse o site SwissTargetPrediction (https://swisstargetprediction.ch/), selecione Homo sapiens no menu suspenso de organismos, insira as strings SMILES dos componentes no banco de dados de componentes do medicamento, clique no botão Prever alvos e colete todos os alvos previstos com pontuação de Probabilidade maior que 0.
  8. Acesse o site SEA (Similarity Ensemble Approach) (https://sea.bkslab.org/) e insira as mesmas strings SMILES usadas acima para previsão de alvo e filtre os resultados para manter apenas entradas no campo Chave de Alvo que terminem com _Human e tenham um valor p abaixo de 0,05.
  9. Combine as listas de alvos obtidas do SwissTargetPrediction e SEA em uma única biblioteca de alvos de ação de medicamentos. Remova alvos duplicados e padronize os nomes dos alvos para símbolos genéticos oficiais (por exemplo, usando diretrizes HGNC) via Uniprot (https://www.uniprot.org/).
    NOTA: A biblioteca alvo de ação de drogas pode ser salva como um arquivo CSV para uso posterior.

Tabela 1: Critérios de limiar ADMETlab 3.0 para triagem de segurança medicamentosa. A tabela resume os valores de corte recomendados e as faixas de classificação para propriedades fisicoquímicas-chave, parâmetros ADME, interações metabólicas, desfechos de toxicidade, vias de toxicidade e regras de toxicóforos. As previsões são categorizadas em três níveis de risco (baixo, médio e alto) com base em valores de probabilidade (< 0,3, 0,3 - 0,7, > 0,7) ou faixas quantitativas, permitindo a avaliação sistemática dos perfis de segurança dos compostos durante a descoberta inicial de medicamentos. Por favor, clique aqui para baixar esta Tabela.

Tabela 2: Critérios limiares do ProTox-3.0 para previsão de toxicidade na descoberta de medicamentos. A tabela resume os principais desfechos de toxicidade previstos pelo ProTox 3.0, com foco em parâmetros críticos para avaliação de segurança de medicamentos durante a descoberta precoce do medicamento. Cada desfecho retorna uma classificação binária (Ativo ou Inativo) acompanhado de uma pontuação de probabilidade (0-1), onde Ativo indica risco potencial de toxicidade. Deve ser dada prioridade a toxicidades de órgãos (hepatotoxicidade, cardiotoxicidade), desfechos de toxicidade (carcinogenicidade, mutagenicidade, imunotoxicidade) e inibição do metabolismo do CYP, pois são as principais causas de atrito clínico. Múltiplos acertos ativos em diferentes endpoints sugerem amplo potencial de toxicidade e justificam a despriorização de compostos. A toxicidade aguda é avaliada via classe prevista de LD50 e GHS, sendo a Classe 1 - 3 (< 300 mg/kg) considerada altamente tóxica. As pontuações de probabilidade fornecem níveis de confiança para cada previsão. Por favor, clique aqui para baixar esta Tabela.

2. Aquisição de alvos de doenças

NOTA: Ao analisar bancos de dados, padronize as convenções de nomeação de genes-alvo para evitar omissões causadas por discrepâncias na nomenclatura.

  1. Acesse cinco bancos de dados relacionados a doenças: OMIM (https://www.omim.org/), Disgenet (https://disgenet.com/), TTD (https://ttd.idrblab.cn/), GeneCards (https://www.genecards.org/) e PharmGkb (https://www.pharmgkb.org/). Aplique os seguintes critérios de triagem específicos do banco de dados: para GeneCards, filtre entradas com pontuação de Relevância ≥ 1.0; para DisGeNET, selecione entradas associadas à doença-alvo; para PharmGKB, restrinja os resultados a entradas relacionadas a genes selecionando a opção Gene ; para TTD, mantenha entradas onde a coluna Doença corresponde à doença-alvo.
  2. Para cada banco de dados, use o nome oficial da doença-alvo (por exemplo, doença de Alzheimer) como palavra-chave de busca para recuperar todos os alvos associados.
  3. Agrupe as listas de alvos dos cinco bancos de dados em uma única planilha. Remova alvos duplicados comparando símbolos de genes entre listas.
  4. Padronize todos os nomes de alvos restantes para símbolos oficiais de genes via Uniprot para resolver inconsistências na nomenclatura. Salve a lista padronizada e desduplicada como uma biblioteca de alvo de doenças (formato CSV ou Excel).
    NOTA: A biblioteca alvo da doença pode ser salva junto com a biblioteca alvo de ação de medicamentos (Passo 1.9) para uso posterior no Passo 3.

3. Aquisição de alvos comuns para doenças medicamentosas

  1. Acesse a ferramenta web Venny 2.1.0 (https://bioinfogp.cnb.csic.es/tools/venny/). Importe a biblioteca alvo de ação de medicamentos (Passo 1.9) e a biblioteca de alvos de doenças (Passo 2.4) para os dois campos de entrada do Venny 2.1.0 para criar um diagrama de Venn mostrando a sobreposição entre os dois conjuntos de alvos.
  2. Extraia os alvos de interseção dos resultados do diagrama de Venn. Rotule-os como alvos comuns de doença medicamentosa (pontos potenciais de interação) e salve-os como um arquivo CSV.

4. Construção de redes de interação proteína-proteína (IBP) e análise de alvos centrais

  1. Acesse o banco de dados STRING (https://cn.string-db.org/). Selecione Homo sapiens como o Organismo no menu suspenso.
  2. Importe os alvos comuns de doença medicamentosa (Passo 3.2) para o campo de entrada STRING. Defina o parâmetro mínimo necessário de pontuação de interação para alta confiança (0,700) e clique em Buscar para gerar dados PPI. Exporte os dados PPI como um arquivo TSV (valores separados por tabulação).
  3. Abra o software Cytoscape com o plugin CytoNCA pré-instalado. Importe o arquivo PPI TSV para o Cytoscape usando o menu Arquivo > Importar > Rede a partir do menu Arquivo .
  4. Inicie o plugin CytoNCA clicando em Apps > CytoNCA > Aberto. Selecione cinco métricas de referência para triagem de alvos principais: Intermediedade, Proximidade, Grau, Vetor próprio e LAC.
    NOTA: Cinco métricas topológicas principais utilizadas são: Betweenness (centralidade de intermediação, medindo a frequência de um alvo aparecendo em todos os caminhos mais curtos da rede), Proximidade (centralidade de proximidade, refletindo o comprimento médio de caminho mais curto de um alvo para todos os outros alvos na rede), Degree (grau de conexão local, quantificando o número de interações diretas entre um alvo e outros alvos), Eigenvetor (centralidade do autovetor, ponderando tanto a conectividade do alvo quanto a importância de seus alvos conectados) e LAC (conectividade média local, avaliando a densidade de conexão entre os nós vizinhos diretos de um alvo).
  5. Inicie a análise de rede clicando em Ferramentas > menu Analisar Rede , depois clique em OK. Exporte os resultados da análise para uma tabela CSV.
  6. Calcule o valor mediano para todas as cinco métricas e mantenha alvos que atendam ou excedam a mediana. Repita o Passo 4.5 várias vezes até que restem de 10 a 20 alvos.
  7. Classifique os alvos restantes pela métrica de grau (maior para menor) e selecione preliminarmente os 10 principais alvos como genes centrais. Salve a lista de genes principais como um arquivo CSV.
    1. Para reduzir falsos positivos e garantir que apenas alvos estruturalmente adequados prossigam para o acoplamento, realize avaliações adicionais quanto à viabilidade estrutural e à farmacologia: verifique o banco de dados PDB para estruturas cristalinas de alta resolução disponíveis (≤ 2,5 Å) ou avalie se um modelo de homologia confiável pode ser construído; utilize ferramentas de predição de bolso para confirmar a presença de sítios de ligação adequados; e cruze a referência com a literatura ou bancos de dados funcionais para verificar a relevância documentada para a via da doença.
    2. Despriorize alvos que careçam de disponibilidade estrutural, bolsões de medicamentos ou relevância para doenças para estudos de acoplamento. A análise de enriquecimento GO e KEGG ainda pode ser realizada usando a lista completa de alvos centrais desta etapa, pois não requer informações estruturais.
      NOTA: O número de genes nos Passos 4.6 e 4.7 pode ser alterado conforme necessário. Normalmente, restam de 10 a 20 alvos após o Passo 4.6, e recomenda-se manter pelo menos 10 genes centrais no Passo 4.7 para garantir volume suficiente de dados para análises confiáveis de enriquecimento GO e KEGG e tendências consistentes de visualização.

5. Análise e visualização de enriquecimento GO e KEGG

NOTA: Esta parte esclarece funções gênicas nos níveis de componente celular, funcional e via intracelular.

  1. Acesse a ferramenta web DAVID (https://davidbioinformatics.nih.gov/home.jsp). Selecione Lista de Genes como tipo de entrada e importe os genes centrais para o campo de entrada.
  2. Defina o Identificador para OFFICIAL_GENE_SYMBOL e selecione Homo sapiens em Espécie Selecionada. Depois, clique em Enviar Lista para enviar os genes centrais.
  3. Para a análise de enriquecimento GO, selecione as categorias GOTERM_BP_DIRECT, GOTERM_CC_DIRECT e GOTERM_MF_DIRECT .
  4. Para análise de enriquecimento KEGG, selecione a categoria KEGG_PATHWAY . Defina o limiar de significância para p < 0,05 tanto para análises GO quanto KEGG.
  5. Clique no Gráfico de Anotação Funcional para gerar resultados de enriquecimento. Exporte os resultados do GO e KEGG como arquivos CSV. Use o software R Studio com ggplot2 para criar gráficos de barras ou gráficos de bolhas para os 10 termos/caminhos mais enriquecidos.
    NOTA: O número de termos/caminhos exibidos pode ser ajustado conforme os requisitos.

6. Acoplamento molecular usando Autodock Vina

NOTA: O Passo 6 e o Passo 7 são ambos passos de acoplamento molecular. O Passo 6 usa o software AutoDock Vina 1.1.2, enquanto o Passo 7 usa YASARA 10.3.16. O uso do YASARA facilita a simulação subsequente da dinâmica molecular do YASARA. Se os resultados de acoplamento do AutoDock Vina forem necessários, os resultados do acoplamento no YASARA devem ser consistentes com os do AutoDock Vina. Isso evita discrepâncias causadas por troca de software e também garante a confiabilidade dos resultados da validação da simulação de dinâmica molecular, com método detalhado: Abra o resultado "result.pdb" do Passo 6.31 usando LigPlot+ (Versão 2.3) para gerar um diagrama de interação 2D, identifique os principais resíduos interagindo com o ligante, então selecione os principais resíduos no passo 7.18 do YASARA e defina o tamanho da caixa para cobrir o bolso de ligação, maximizando a consistência dos locais de acoplamento entre Vina e YASARA. Subsequentemente, ao selecionar os resultados ótimos de acoplamento no Passo 7.19, certifique-se de que os resíduos interagentes chave entre o ligante e o receptor permaneçam consistentes com aqueles identificados nos resultados do AutoDock Vina. Esse requisito de consistência foca na preservação dos padrões de interação essenciais em vez da correspondência atômica exata; pequenas variações nas conformações dos resíduos periféricos são esperadas devido a diferenças na parametrização do campo de forças e na flexibilidade da cadeia lateral. Desde que as interações críticas com os principais resíduos do local ativo sejam conservadas, os resultados do acoplamento podem ser considerados consistentes para fins de validação cruzada. Se o acoplamento AutoDock Vina (Passo 6) não for necessário, o Passo 7 pode ser realizado diretamente.

  1. Obtenha o SDF (Arquivo de Dados de Estrutura) dos compostos farmacêuticos chamados ligand.sdf no banco de dados PubChem buscando as correspondentes strings SMILES (Passo 1.1).
  2. Abra arquivos SDF usando o software Chem3D. Na opção Cálculo, selecione MM2 e clique em Minimizar Energia para realizar a minimização de energia livre da estrutura composta.
  3. Salve a estrutura minimizada como um arquivo ligando.mol2 por seleção Arquivo > Salve Como. Obtenha o arquivo de formato PDB (Banco de Dados de Proteínas) do receptor proteico do gene central do banco de dados RCSB PDB (https://www.rcsb.org/; busque por ID PDB ou nome do gene) chamado receptor.pdb.
    1. Priorize estruturas com resolução ≤ 2,5 Å e sítios de ligação resolvidos, se disponíveis. Ao selecionar uma estrutura, examine a entrada quanto à completude (por exemplo, presença de todos os domínios esperados, ausência de grandes laços não resolvidos), potenciais mutações que possam afetar a ligação de ligantes e se cofatores funcionalmente importantes (por exemplo, heme, íons metálicos) ou ligantes cocristalizados estão incluídos.
    2. Para alvos com conjuntos oligoméricos conhecidos, considere se a forma monomérica ou multimérica é apropriada para a questão de pesquisa; a montagem biológica pode ser baixada se interações diméricas ou de ordem superior forem relevantes. A estrutura escolhida passará por preparação adicional em etapas subsequentes, portanto, a inspeção inicial ajuda a evitar complicações a jusante.
  4. Abra o receptor.pdb usando o software PyMOL. Digite remover orgânico na linha de comando e pressione Enter para eliminar ligantes de pequenas moléculas da estrutura proteica.
    NOTA: Se estiver usando o ligante co-cristalizado para definir o sítio de ligação, primeiro registre as coordenadas centrais 3D do ligante, depois digite remover orgânico na linha de comando PyMOL e pressione Enter para excluir pequenas moléculas cocristalizadas; caso contrário, execute diretamente o comando remover orgânico para remover pequenas moléculas cocristalizadas.
  5. Digite remover solvente na linha de comando e pressione Enter para remover moléculas de água livres da estrutura proteica; use o comando select metal_cofactor, resn [nome do resíduo do cofator alvo] para identificar íons ou cofatores metálicos funcionalmente críticos (por exemplo, HEM, Zn2⁺, Mg2⁺) e confirmar sua retenção na estrutura.
  6. Exporte o receptor limpo do PyMOL como receptor_clean.pdb clicando em Arquivo > Exportar Molécula > Salvar.
  7. Abra receptor_clean.pdb no UCSF Chimera 1.19. Exiba a sequência clicando em Ferramentas > Sequência > Sequência para inspecionar loops ausentes adjacentes ao local de ligação (regiões ausentes são indicadas por caixas de contorno vermelhas). Se houver loops faltando, reconstrua-os selecionando Structure > Modeller (loops/refinamento) no menu da janela de sequência, escolhendo estrutura ausente não terminal, definindo um número apropriado de modelos (por exemplo, 5) e prosseguindo com o cálculo. Após concluir, selecione o modelo mais razoável.
  8. Otimize a estrutura em Chimera. Use a ferramenta Rotamers (biblioteca Dunbrack) em resíduos selecionados para otimizar cadeias laterais, adicionando Clashes e H-Bonds via o menu Colunas para avaliação e selecionando conformações com choques mínimos (0 - 1 preferencialmente) e H-bonds favoráveis. Depois, adicione hidrogênio e atribua cargas usando Dock Prep (AMBER ff14SB). Por fim, realize minimização de energia com a ferramenta Minimize Structure, corrigindo átomos da espinha dorsal selecionando-os (sel @ca,c,n,o), invertendo a seleção e ativando átomos fixos. Salve a estrutura processada como receptor_optimized.pdb selecionando Arquivo > Salvar PDB.
    NOTA: Pule a otimização da cadeia lateral para resíduos bem ordenados. Dock Prep gerencia automaticamente a protonação. A minimização deve ser realizada com a espinha dorsal fixa.
  9. Reabra receptor_optimized.pdb no PyMOL e defina o sítio de ligação canônico. Se um ligante co-cristalizado estiver presente, use suas coordenadas para centralizar a grade: registre o centro do ligante, depois remova-o com remover orgânico. Se não houver ligante co-cristalizado disponível, defina o sítio de ligação com base em resíduos-chave conhecidos da literatura (por exemplo, selecione binding_site, resi XXX-XXX) ou identifique visualmente o bolso de ligação suposto usando ferramentas de predição de bolsas para validar a avaliação visual. Registre as coordenadas centrais 3D (x/y/z) do local definido para a configuração da caixa da grade.
    NOTA: As coordenadas registradas aqui são usadas para centralizar a grade Vina do AutoDock. Para uma definição baseada em resíduos, o centro geométrico dos resíduos selecionados deve ser calculado; para um bolso identificado visualmente ou por ferramentas de previsão, o centro da cavidade é empregado. Ao definir o local de ligação, deve-se considerar se a estratégia de acoplamento pretendida tem como alvo o sítio ortostérico (ativo) ou um sítio alostérico. Para o direcionamento ortostérico, o local de ligação deve ser definido com base em um ligante co-cristalizado ou resíduos conservados do sítio ativo relatados na literatura. Para o direcionamento alostérico, ferramentas de predição de bolsos podem ser empregadas para identificar potenciais sítios alostéricos, especialmente para alvos com regulações alostéricas conhecidas. Na ausência de informações prévias, o acoplamento global seguido por agrupamento de pontos críticos de ligação previstos pode ajudar na identificação de potenciais sítios alostéricos. Essa flexibilidade permite que o protocolo acomode campanhas de descoberta de fármacos tanto ortostéricos quanto alostéricos.
  10. Exporte a estrutura otimizada final do PyMOL como receptor.pdb clicando em Arquivo > Exportar Molécula > Salvar.
  11. Abra receptor.pdb no AutoDock Tools 4.2.6 clicando em Arquivo > Ler Molécula. Defina resíduos flexíveis. Clique em Editar > Resíduos Flexíveis > Selecione Resíduos e escolha resíduos do sítio de ligação que se espera que sofram alterações conformacionais após a ligação ao ligante (selecione ≤ 10 resíduos).
    NOTA: Esta etapa permite que cadeias laterais selecionadas se movam durante o acoplamento, levando em conta os efeitos induzidos de ajuste.
  12. Salve o receptor com resíduos flexíveis como um arquivo PDB. Clique em Arquivo > Salvar, selecione Escrever PDB no menu suspenso. Na janela de registros PDB disponíveis, marque ATOM e CONNECT, clique em ADICIONAR e depois clique em OK. Salve o arquivo como receptor.pdb.
    NOTA: Este arquivo PDB contém informações sobre resíduos flexíveis e será usado para gerar o arquivo PDBQT.
  13. Prepare a macromolécula para acoplamento. Clique em Grade > Macromolécula > Escolha, selecione o arquivo receptor.pdb e clique em Selecionar Molécula. Salve o receptor como um arquivo PDBQT clicando em Arquivo > Salvar Como e nomee-o receptor.pdbqt.
    NOTA: O AutoDock Tools atribui cargas e tipos de átomos, salvando o receptor no formato nativo PDBQT do AutoDock, pronto para geração de grid box e cálculos de docking.
  14. Clique no menu Ligando , selecione Entrada e depois clique em Abrir. Selecione ligando.mol2 e clique em OK. Clique no menu Ligando , selecione Torções e depois clique em Detectar Torções. O AutoDock Tools identificará automaticamente ligações rotativas na estrutura do ligante (por exemplo, ligações simples em cadeias alquila, ligações amida excluindo ligações peptídicas).
  15. Na janela de Seleção de Torção, verifique as ligações rotativas detectadas (mantenha todas as ligações rotativas válidas, exclua ligações rígidas como ligações aromáticas em anéis). Clique em Set para confirmar as definições de torção, depois clique em Fechar.
    NOTA: Manter ligações rotativas válidas garante que o ligante possa adotar diferentes conformações durante o acoplamento (ligante flexível), mantendo o receptor rígido — esse é o núcleo do acoplamento semi-flexível no AutoDock Vina.
  16. Clique novamente no menu Ligando , selecione Saída, depois clique em Salvar como PDBQT. Nomeie o arquivo ligand.pdbqt e salve-o no mesmo diretório que receptor.pdbqt.
  17. Clique no menu Display , selecione Estrutura Secundária. Clique em Display Only, depois selecione Linhas e clique em Remover Display para simplificar a visualização de proteínas.
  18. Clique no menu Grade , selecione Grade Box. Ajuste os valores x, y, z (coordenadas centrais) e Espaçamento (Å) para posicionar a caixa sobre o sítio ativo da proteína.
    NOTA: Se o local de ligação for desconhecido, use ferramentas de previsão de bolsas (por exemplo, CASTp, DoGSite) para identificar bolsas de ligação putativas. Cobrir toda a proteína aumenta significativamente falsos positivos e custos computacionais, e não é recomendado.
  19. Clique em Arquivo > Fechar a corrente de salvamento, depois clique em Grade > Saída > Salvar GPF para salvar as configurações da grade como Grid.gpf.
  20. Abra o Grid.gpf com um editor de texto e registre o centro da grade (valores x, y, z) e os npts (tamanhos x, y, z) do arquivo.
  21. Crie um novo arquivo de texto chamado Config.txt e digite o seguinte conteúdo:
    receptor = receptor.pdbqt
    ligando = ligando.pdbqt
    center_x = [valor x do centro da grade do Grid.gpf]
    center_y = [valor y do centro da grade do Grid.gpf]
    center_z = [valor z do centro de grade do Grid.gpf]
    size_x = [npts x valor do Grid.gpf]
    size_y = [valor npts y do Grid.gpf]
    size_z = [npts z valor do Grid.gpf]
    energy_range = 5
    num_modes = 10
    Substitua o texto entre colchetes por valores do Grid.gpf (Passo 6.19).
    NOTA: O parâmetro energy_range deve ser definido como a diferença máxima de energia permitida em relação ao modelo combinado ideal, com unidades em kcal/mol. Por exemplo, defini-lo para 5 significa que o AutoDock Vina encerrará os cálculos assim que a diferença de energia em relação ao modelo ótimo atingir 5 kcal/mol. Além disso, num_modes especifica o número de modelos de ligação a serem gerados, que normalmente é definido como 10.
  22. Coloque os arquivos vina_split.exe e vina.exe no mesmo diretório que receptor.pdbqt, ligand.pdbqt e Config.txt.
  23. Abra o Console do Sistema do Windows, navegue até o diretório usando o comando cd (por exemplo, cd C:\DockingFiles).
  24. Digite o seguinte comando e pressione Enter: vina.exe --config config.txt --log log.txt --out output.pdbqt
  25. Espere a conclusão do acoplamento (a duração varia conforme o sistema). Dois arquivos aparecerão: log.txt (resultados do acoplamento) e output.pdbqt (estrutura de ligando de menor energia). Para garantir reprodutibilidade, três corridas independentes de acoplamento são realizadas com diferentes sementes aleatórias. Um RMSD < 1,0 Å entre as posturas superiores confirma consistência.
    NOTA: Como referência empírica, as energias de ligação Vina do AutoDock (kcal/mol) podem ser interpretadas como: ≤ -7 (alta afinidade, potenciais conformações ativas), -7 a -5 (afinidade moderada), ≥ -5 (baixa afinidade). Esses limiares dependem do sistema e devem ser validados com dados experimentais.
    1. Para avaliar a precisão do acoplamento e a capacidade de discriminação para um alvo específico, duas abordagens complementares de validação são recomendadas. Usar validação de reacoplamento usando ligantes cristalográficos para avaliar se o protocolo pode reproduzir modos de ligação observados experimentalmente, com RMSD < 2,0 Å servindo como critério padrão de aceitação.
    2. Utilize análise de enriquecimento usando conjuntos de dados públicos de referência (por exemplo, DUD-E) para avaliar a capacidade do protocolo de distinguir compostos ativos verdadeiros de iscas com compatibilidade de propriedade; isso envolve o cálculo de curvas ROC (fornecendo uma medida global do desempenho da classificação) e fatores de enriquecimento como EF1% (quantificação do enriquecimento de ativos na fração mais bem classificada). Juntas, essas etapas de validação ajudam a estabelecer cortes de afinidade apropriados e garantem desempenho confiável de triagem para a classe alvo de interesse.
  26. Abra o software PyMOL. Importe output.pdbqt e receptor.pdbqt clicando em Arquivo > Abrir. Salve a estrutura combinada como result.pdb clicando em Arquivo > Salvar como.
  27. Limpe o espaço de trabalho do PyMOL clicando em Arquivo > Nova Sessão e depois reabra o result.pdb para visualizar o complexo ligante-proteína.

7. Acoplamento molecular usando YASARA

NOTA: Esta etapa serve como reacoplamento preciso e pré-processamento para simulações subsequentes de dinâmica molecular (MD) e é uma verificação progressiva dos resultados preliminares de triagem de alta produtividade do Passo 6. O Passo 6 usa o AutoDock Vina, a ferramenta padrão ouro para triagem virtual de alta produtividade, para selecionar rapidamente moléculas candidatas com excelente afinidade de ligação da biblioteca de compostos. Esta etapa adota o YASARA para acoplamento, pois seu módulo de acoplamento é totalmente compatível com a plataforma de simulação MD YASARA, que pode evitar desvios estruturais causados por conversão de formatos de arquivo e troca de software, além de fornecer uma estrutura complexa inicial padronizada para simulações MD subsequentes. Para todas as moléculas candidatas selecionadas pelo AutoDock Vina no Passo 6, os resultados de acoplamento (incluindo pose de ligação no bolso ativo e interações de aminoácidos chave) obtidos nesta etapa devem ser consistentes com os do AutoDock Vina, e a classificação relativa da afinidade de ligação deve manter a mesma tendência antes de prosseguir para a simulação MD. As pontuações absolutas de acoplamento não são diretamente comparáveis entre os dois softwares devido a algoritmos de cálculo diferentes. Esse requisito de consistência pode eliminar resultados falsos positivos causados por diferenças de software, garantir a estabilidade das características de ligação das moléculas candidatas e garantir a confiabilidade e continuidade lógica da validação subsequente da simulação MD.

  1. Utilize o OpenBabel para converter o arquivo ligand.sdf no arquivo ligand.pdb.
    NOTA: O OpenBabel é usado aqui apenas para conversão de formato. A parametrização real do ligante para dinâmica molecular será realizada automaticamente pelo YASARA em etapas subsequentes.
  2. Abra o software YASARA. Clique em Carregar > Arquivo e selecione ligand.pdb para importar o ligante. Clique em Editar > Limpar > Tudo para remover defeitos estruturais do ligante.
    NOTA: Esta etapa realiza a limpeza básica da geometria. O YASARA então atribuirá automaticamente parâmetros do campo de força ao ligante usando sua tecnologia AutoSMILES incorporada, que aplica as cargas do Campo de Força AMBER Geral (GAFF) e AM1-BCC para garantir compatibilidade com o campo de força AMBER14 usado para a proteína. Essa parametrização é essencial para cálculos precisos de energia tanto em simulações de acoplamento quanto de MD.
  3. Clique em Opções > pH padrão, selecione o pH apropriado (por exemplo, 7,4 para condições fisiológicas) e clique em OK.
  4. Clique em Dock > campo de força para definir o campo de força de acoplamento, garantindo consistência dos parâmetros com simulações MD subsequentes.
    NOTA: AMBER14 é o campo de força recomendado para esse fluxo de trabalho de descoberta de fármacos no YASARA 10.3.16, pois oferece cobertura abrangente de parâmetros para proteínas e é totalmente compatível com protocolos padrão de simulação MD. Para resíduos de proteína padrão, os parâmetros são automaticamente atribuídos a partir dos modelos embutidos do campo de força. Para ligantes de moléculas pequenas, o YASARA realiza automaticamente a parametrização usando sua tecnologia AutoSMILES incorporada, que atribui tipos de átomos GAFF (Campo de Força AMBER Geral) e cargas AM1-BCC. Isso garante compatibilidade entre parâmetros de proteína e ligante, permitindo cálculos precisos de energia tanto em simulações de acoplamento quanto de MD. Um campo de força mais apropriado pode ser selecionado de acordo com a versão real do YASARA usada e as características específicas do sistema.
  5. Clique em Simulador > Definir > célula de simulação ao redor de todos os átomos para definir a fronteira de funcionamento. Clique em Simulador > Limites da célula > Periódico para habilitar condições de contorno periódicas.
  6. Clique em Opções > Escolher experimento > minimização de energia, depois clique em Executar para minimizar a energia do ligante.
  7. Clique em Arquivo > Salvar como, nomeie o arquivo ligand.pdb e clique em OK para sobrescrever o arquivo original do ligand PDB. Clique em Arquivo > Novo para limpar o espaço de trabalho, depois clique em Arquivo > Carregar e selecione o arquivo receptor.pdb.
  8. Repita os passos 7.2 a 7.7 para o receptor proteico, salvando o arquivo processado como um novo arquivo receptor.pdb.
  9. Clique em Arquivo > Novo, depois clique em Arquivo > Carregar e selecione tanto ligand.pdb quanto receptor.pdb. Repita os passos 7.3 a 7.5 para definir o pH, definir a célula de simulação e habilitar limites periódicos para o complexo.
  10. Clique em Processadores > Definir CPU e selecione o número de núcleos de CPU a usar. Clique em Processadores > Definir GPU e selecione o dispositivo GPU para acelerar os cálculos.
  11. Clique em Arquivo > Salvar como > Cena YASARA, nomeie o arquivo sce\nesult.sce (crie a pasta sce se ela não existir) e clique em OK.
  12. Clique em Opções > Macro&Movie > Definir o alvo, selecione sce\nesult.sce e clique OK. Clique em Opções > Macro & Movie > Play macro, selecione o arquivo de macro dock_run.mcr e clique OK.
  13. Clique em Simulador > Definir célula de simulação > ao redor de átomos selecionados e repita 7.5, depois clique em Continuar para iniciar o acoplamento.
  14. Aguarde a conclusão do acoplamento. Arquivos com o sufixo yob serão gerados; name.log contém a energia de ligação e os Resíduos do Receptor de Contato.
    NOTA: Para garantir a racionalidade da validação da simulação de dinâmica molecular, selecione o resultado de acoplamento em YASARA que seja consistente com o resultado de acoplamento do AutoDock Vina.

8. Simulação de dinâmica molecular

  1. Clique em Arquivo > Novo para limpar o espaço de trabalho. Depois, clique em Arquivo > Carregar > Objeto YASARA e selecione result.yob.
  2. No painel CONTEÚDO DA CENA (lado direito), expanda todas as entradas do Mol. Clique em Editar > Dividir > Objeto, selecione todos os conteúdos do Mol no painel Sequência e clique em OK.
  3. Clique em Editar > Juntar > Objeto, selecione todos os conteúdos de Mol exceto a primeira e a última entrada (ligante) e clique em OK. Selecione a primeira entrada Mol e clique em OK novamente para juntar novamente a proteína.
  4. Prossiga para renumerar os componentes. Selecione Renumerar em Editar e clique em Objetos. Isso gera duas partes: a primeira parte é o complexo proteína-receptor, e a segunda parte é o ligante de molécula pequena.
  5. Clique em Editar > Transferir, depois clique na opção Objeto na lista suspensa. No painel de Sequência, selecione primeiro o conteúdo de ligantes de pequenas moléculas clicando na entrada correspondente. Depois, selecione o conteúdo do receptor proteico clicando na entrada e clique em OK para confirmar o par de seleção.
  6. Na próxima janela pop-up, marque a opção que começa com Corrigir átomos na tela durante a transferência e clique em OK.
  7. Repita os passos 7.2 a 7.5, depois clique em Simulador > Temperatura e selecione 298K. Clique em Arquivo > Salvar como > Cena YASARA, nomeie o arquivo sce\nesultrun.sce e clique em OK.
  8. Clique em Arquivo > Novo para limpar o espaço de trabalho. Depois clique em Opções > Macro & Filme > Definir o alvo, selecione sce\nesultrun.sce e clique OK.
  9. Certifique-se de que o campo de força selecionado no Passo 7.4 também seja usado para a simulação MD; a macro md_run.mcr normalmente herda as configurações atuais do campo de força. Clique em Opções > macro Macro&Movie > Play, selecione o arquivo de macro md_run.mcr e clique em OK para iniciar a Simulação de Dinâmica Molecular.
  10. Realize três simulações MD independentes (3 x 100 ns) com diferentes velocidades iniciais para o complexo proteína-ligante e realize uma análise estatística das três trajetórias para garantir a confiabilidade dos resultados. Durante a operação, arquivos no formato sim serão gerados. Por exemplo, se a trajetória for salva a cada 100 ps, uma simulação de 100 ns gerará 1000 arquivos com o sufixo sim.
  11. Quando o Passo 8.10 estiver concluído, clique em Opções > Macro&Movie > Definir alvo, selecione o arquivo sce\nesultrun.sce e clique em OK.
  12. Clique em Opções > macro Macro & Filme > Reproduzir, selecione md_analyze.mcr, md_analyzebindenergy.mcr e md_analyzeres.mcr e clique em OK.
  13. Após a conclusão das três análises, os arquivos de dados correspondentes result_run_analysis.tab, result_run_bindenergy.tab e result_run_analysisres.tab serão gerados.
  14. Primeiro, analise o result_run_analysis.tab, que fornece 10 parâmetros centrais: Energia (energia total do sistema), Ligação (energia da ligação), Ângulo (energia do ângulo da ligação), Diedro (energia do ângulo diedral), Planaridade (energia de planaridade), Coulomb (energia eletrostática), VdW (energia de van der Waals), CA (Cα RMSD da proteína RMSD), Backbone (RMSD da espinha dorsal da proteína) e HeavyAtoms (RMSD de átomos pesados).
  15. Extrair a coluna de Tempo (ns) e as colunas de parâmetros correspondentes para avaliar se o sistema atinge o equilíbrio energético. Confirme a estabilidade do sistema estabilizando a energia potencial dentro de uma faixa estreita de flutuação após os primeiros 10 - 20 ns. Avalie a estabilidade conformacional monitorando o desvio quadrático médio (RMSD) dos átomos de Cα, da espinha dorsal da proteína e dos átomos pesados. A simulação foi considerada estruturalmente estável assim que esses valores de RMSD atingiram um platô.
  16. Como pontos de referência empíricos para complexos proteína–ligante de tamanho típico, valores de Cα e RMSD da espinha dorsal estagnando abaixo de 2,5 Å, juntamente com RMSD de átomos pesados abaixo de 3,5 Å, podem ser considerados indicadores de apoio à estabilidade conformacional. De forma crítica, utilize o critério primário e obrigatório e a presença de uma fase clara de platô na trajetória do RMSD, em vez de apenas seguir esses valores numéricos de forma estrita.
    NOTA: Esses valores de limiar são empíricos e devem ser interpretados no contexto do tamanho e flexibilidade específicos da proteína. O indicador decisivo de convergência é um platô sustentado, indicando que a estrutura se estabilizou em torno de um conjunto conformacional consistente.
  17. Em seguida, analise o result_run_bindenergy.tab, que fornece a energia de ligação entre o ligante e o alvo ao longo da trajetória da simulação. Calcule a energia média de ligação durante todo o período de simulação. Na implementação MM-PBSA do YASARA, valores mais positivos indicam ligação mais forte. Uma interação moderadamente forte e estável é tipicamente indicada por uma energia média de ligação positiva e suficientemente grande (o valor numérico específico depende do sistema, mas pode ser calibrado com ligantes conhecidos ou dados experimentais), juntamente com um desvio padrão pequeno em relação à média (por exemplo, coeficiente de variação < 50 - 60%), refletindo flutuações limitadas durante a simulação.
    NOTA: A energia de ligação reportada nesta etapa é calculada usando o rigoroso método MM-PBSA, em contraste com o macro padrão de energia de ligação YASARA, que emprega uma aproximação mais rápida (BoundaryFast). A aproximação padrão é adequada para triagem rápida ou comparações relativas, enquanto o método MM-PBSA é recomendado para obter energias absolutas livres de ligação mais precisas. Como explicitamente declarado pelo autor no cabeçalho macro YASARA: Mais energias positivas indicam melhor ligação, energias negativas NÃO indicam nenhuma ligação. Portanto, os usuários devem interpretar valores positivos como indicativos de ligação mais forte, com a magnitude numérica dependendo do sistema proteína-ligante específico.
  18. Por fim, analise o arquivo result_run_analysisres.tab, que fornece dados por resíduo, incluindo ID de Resíduo, RMSD, RMSD da espinha dorsal, RMSD HeavyAtoms e RMSF. Foque a análise na fase de produção estável identificada. Primeiro, identifique resíduos dentro do local ativo do alvo (por exemplo, aqueles dentro de 5 Å do ligante). Depois, use os dados para avaliar a estabilidade conformacional desses resíduos individuais do local ativo durante a simulação.
    NOTA: Como pontos de referência empíricos para resíduos estáveis de sítio ativo em complexos proteína-ligante, valores de RMSF abaixo de 1,0 Å e flutuações de RMSD dentro de 1 - 1,5 Å durante a fase estável são geralmente considerados indicativos de conformações locais bem mantidas. Resíduos com RMSF excedendo 2,0 Å podem indicar maior flexibilidade; tais resíduos devem ser mapeados na estrutura tridimensional para determinar se correspondem a regiões flexíveis funcionalmente relevantes (por exemplo, laços ou áreas de superfície) ou indicam potencial instabilidade dentro do bolsão de ligação. Essas diretrizes numéricas não são regras absolutas; o critério principal é a ausência de grande deriva conformacional, que deve ser avaliada em conjunto com a convergência geral do sistema estabelecida.
  19. Uma vez organizados os arquivos de dados, importe os dados organizados para o Prism para gerar gráficos correspondentes.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Após a análise farmacológica em rede da loratadina contra rinite alérgica (RA), a interação entre loratadina e PTGS2 foi selecionada como um estudo de caso representativo para ilustrar a aplicação passo a passo do protocolo de acoplamento molecular e simulação de MD. Este exemplo tem como objetivo demonstrar a execução do fluxo de trabalho e a interpretação dos dados, em vez de fornecer validação biológica da interação específica. Para avaliação quantitativa em relação a dados experiment...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Significado e passos críticos
Esse protocolo combina farmacologia em rede, acoplamento molecular e simulação de dinâmica molecular, o que oferece vantagens distintas em relação a métodos independentes ou fluxos de trabalho de combinação dupla, e pode ajudar a corrigir ineficiências e lacunas de confiabilidade nas descobertas atuais de medicamentos. Todo o processo depende de três etapas críticas que garantem sua confiabilidade, cada uma abordando um desafio central na...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Todos os autores declaram que não têm conflito de interesses.

Agradecimentos

Programa Nacional Chave de P&D da China (2024YFC3506300, 2024YFC3506301), Disciplina Chave de Alto Nível da Administração Nacional da Medicina Tradicional Chinesa - Medicina Constitucional Tradicional Chinesa (nº zyyzdxk-2023251), Programa Geral da Fundação Nacional de Ciências Naturais da China (82204948), Plano de Avanço em Disciplinas Fundamentais e Interdisciplinares do Ministério da Educação da China (JYB2025XDXM612), Grandes Projetos Especiais de Ciência e Tecnologia na Província de Hubei (2023BCA005), Projeto de Pesquisa de Cientistas-Chefes do Laboratório Shizhen de Hubei (HSL2024SX0002)

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
ADMETlab 3.0Instituto de Matéria Médica de Xangai (SIMM), Academia Chinesa de CiênciasN/APlataforma online para previsão de propriedades ADMET (Absorção, Distribuição, Metabolismo, Excreção, Toxicidade); usado para avaliar os perfis farmacocinéticos e toxicológicos de ligandos (URL:  https://admetlab3.scbdd.com/)
Ferramentas de AutoDock (AutoDock 4)O Instituto de Pesquisa ScrippsAutoDock 4.2.6suíte de software para simulações de acoplamento molecular; inclui o AutoDock 4 para acoplamento e o AutoDockTools (ADT) para preparar arquivos de entrada de proteínas e ligantes (adicionando hidrogênios, atribuindo cargas, estabelecendo ligações rotacionais), definição de grades de acoplamento e análise dos resultados do acoplamento.
AutoDock VinaO Instituto de Pesquisa ScrippsAutoDock Vina 1.1.2software de acoplamento molecular de código aberto; Usado para prever afinidades e posições de ligação entre ligandos de pequenas moléculas e receptores proteicos
Chem3DPerkinElmer InformaticsChem3D 2024Software de modelagem molecular; usado para construir, otimizar e visualizar estruturas 3D de ligantes de pequenas moléculas
CitoscapeConsórcio Cytoscape (Instituto de Biologia de Sistemas)Cytoscape 3.10.3software de código aberto para visualizar e analisar redes biológicas; Usado para construir e editar redes de interação gene/proteína
DAVID (Banco de Dados para Anotação, Visualização e Descoberta Integrada)Instituto Nacional de Alergias e Doenças Infecciosas (NIAID), EUAN/Aferramenta online para anotação funcional e análise de enriquecimento; usado para realizar análises de enriquecimento de vias GO (Gene Ontology) e KEGG (Kyoto Encyclopedia of Genes and Genomas) de genes alvo (URL:  https://david.ncifcrf.gov/)
Banco de Dados DisGeNETCentro de Supercomputação de Barcelona (BSC)N/ABanco de dados de associações gene-doença; usado para identificar genes ligados a doenças específicas (URL:  https://disgenet.com/)
Banco de Dados GeneCardsInstituto Weizmann de CiênciasN/ABanco de dados integrativo de genes humanos; usado para obter informações genéticas abrangentes (por exemplo, expressão, função, associações com doenças) (URL:  https://www.genecards.org/)
LigPlusLaboratório Europeu de Biologia Molecular - Instituto Europeu de Bioinformática (EMBL-EBI)LigPlus 2.3Software para gerar automaticamente diagramas de interação 2D proteína-ligante a partir de arquivos de coordenadas 3D  . Ele representa esquematicamente ligações de hidrogênio, contatos hidrofóbicos e os resíduos do sítio de ligação  . Disponível após o registro com e-mail acadêmico em  https://www.ebi.ac.uk/thornton-srv/software/LigPlus/ .
Banco de Dados OMIMEscola de Medicina da Universidade Johns Hopkins (em colaboração com o NCBI)N/AHerança Mendeliana Online no Homem; usado para obter informações sobre distúrbios genéticos e seus genes associados (URL:  https://www.omim.org/)
OpenBabelEquipe de Desenvolvimento OpenBabelN/ACaixa de ferramentas químicas de código aberto; Usado para converter formatos de arquivos moleculares (por exemplo, de .mol2 para .pdb) entre diferentes plataformas de software
Banco de Dados PharmGKBUniversidade de StanfordN/ABase de Conhecimento em Farmacogenômica; usado para obter informações sobre interações gene-fármaco e variantes farmacogenômicas (URL:  https://www.pharmgkb.org/)
PrismaGraphPad SoftwarePrism 9Usado para gráficos científicos, análise de dados (por exemplo, plotar curvas de distribuição de energia de ligação, analisar barras de erro) e geração de números de qualidade de publicação.
ProTox 3.0Caridade e acuta; - Universitä Tsmedizin Berlim, AlemanhaN/AFerramenta online para prever desfechos toxicológicos de pequenas moléculas; usado para avaliar a toxicidade potencial de ligandos candidatos (URL:  https://tox.charite.de/protox3/index.php?site=home)
Banco de Dados PubChemCentro Nacional de Informação em Biotecnologia (NCBI), EUAN/ABanco de dados público de informações químicas; usado para recuperar estruturas 2D/3D e propriedades fisicoquímicas de ligantes de pequenas moléculas (URL:  https://pubchem.ncbi.nlm.nih.gov/)
PyMOLSchrö dinger, LLCPyMOL 2.6.1Software de visualização molecular; Usado para visualizar, editar e gerar imagens de alta qualidade de complexos proteína-ligante
R StudioPosit, PBCRstudio 2025.09.1+401Ambiente integrado de desenvolvimento (IDE) para programação R; usado para análise estatística de dados biológicos e geração de gráficos GO/KEGG
Banco de Dados RCSB PDBColaboratório de Pesquisa para Bioinformática Estrutural (RCSB)N/ABanco de dados de estruturas proteicas; usado para recuperar estruturas 3D de receptores proteicos no formato PDB (URL:  https://www.rcsb.org/)
SEA (Abordagem de Conjunto de Similaridade)O Instituto de Pesquisa ScrippsN/Aferramenta online para previsão de alvos baseada em similaridade química; usado para complementar o SwissTargetPrediction para confirmar alvos de ligantes (URL:  https://sea.bkslab.org/)
STRINGConsórcio STRING (EBI, SIB, etc.)N/ABanco de dados de interações proteína-proteína conhecidas e previstas; usado para construir redes de interação gene/proteína (URL:  https://string-db.org/)
SwissTargetPredictionInstituto Suíço de Bioinformática (SIB)N/AServidor online para prever potenciais alvos proteicos de pequenas moléculas; usado para identificar receptores candidatos para ligantes (URL:  http://swisstargetprediction.ch/)
Banco de Dados TTDInstituto de Descoberta e Desenvolvimento de Medicamentos (IDRBL), Universidade Sun Yat-senN/ABanco de Dados de Alvos Terapêuticos; usado para recuperar informações sobre alvos de medicamentos validados e potenciais (URL:  https://db.idrblab.net/ttd/)
UCSF ChimeraRecurso para Biocomputação, Visualização e Informática (RBVI), Universidade da Califórnia, São FranciscoUCSF Chimera 1.19Software de visualização e análise molecular; usado para preparação da estrutura proteica, incluindo reconstrução de laços ausentes (via interface Modeller), otimização de cadeias laterais (biblioteca de rotâmeros de Dunbrack), ajuste do estado de protonação e minimização de energia com campo de força AMBER ff14SB. A versão 1.19 (lançada em março de 2025) corrige as capacidades de busca da estrutura do PDB. Disponível gratuitamente para uso não comercial em  https://www.cgl.ucsf.edu/chimera/ .
Banco de Dados UniProtConsórcio UniProt (EBI, SIB, PIR)N/ABanco de dados abrangente de sequência e função de proteínas; usado para recuperar sequências de proteínas, estruturas e anotações funcionais (URL:  https://www.uniprot.org/)
Venny 2.1.0Centro Nacional de Biotecnologia & Iacute; a (CNB-CSIC), EspanhaN/Aferramenta online para geração de diagramas de Venn; usado para visualizar sobreposições entre conjuntos de genes (por exemplo, genes-alvo de diferentes bancos de dados) (URL:  https://bioinfogp.cnb.csic.es/tools/venny/)
YASARAYASARA BiosciencesYASARA 10.3.16Software de modelagem molecular e simulação; usado para acoplamento molecular (Passo 3.7) e simulações subsequentes de dinâmica molecular para validar resultados de acoplamento

Referências

  1. Hopkins, A. L. Network pharmacology: The next paradigm in drug discovery. Nat Chem Biol. 4 (11), 682-690 (2008).
  2. An, W., et al. Mechanisms of rhizoma coptidis against type 2 diabetes mellitus explored by network pharmacology combined with molecular docking and experimental validation. Sci Rep. 11 (1), 20849(2021).
  3. Hu, M., et al. Use of network pharmacology and molecular docking to explore the mechanism of action of curcuma in the treatment of osteosarcoma. Sci Rep. 13 (1), 9569(2023).
  4. Oh, K. K., Adnan, M., Cho, D. H. Network pharmacology approach to decipher signaling pathways associated with target proteins of NSAIDs against COVID-19. Sci Rep. 11 (1), 9606(2021).
  5. Kuntz, I. D., Blaney, J. M., Oatley, S. J., Langridge, R., Ferrin, T. E. A geometric approach to macromolecule-ligand interactions. J Mol Biol. 161 (2), 269-288 (1982).
  6. Sahu, M. K., Nayak, A. K., Hailemeskel, B., Eyupoglu, O. E. Exploring recent updates on molecular docking: Types, method, application, limitation & future prospects. Int J Pharma Res Allied Sci. 13 (2), 24-40 (2024).
  7. Morris, G. M., et al. Autodock4 and autodocktools4: Automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  8. Li, C., et al. Characterization of the molecular mechanisms underlying lurasidone-induced acute manic episodes in bipolar depression: A network pharmacology and molecular docking approach. CNS Neurosci Ther. 31 (4), e70383(2025).
  9. Lee, W. Y., et al. Evaluating current status of network pharmacology for herbal medicine focusing on identifying mechanisms and therapeutic effects. J Adv Res. 76, 799-815 (2025).
  10. Shahzadi, Z., et al. Network pharmacology and molecular docking: Combined computational approaches to explore the antihypertensive potential of Fabaceae species. Bioresour Bioprocess. 11 (1), 53(2024).
  11. Che, X., Zhang, L. Blind docking methods have been inappropriately used in most network pharmacology analysis. Front Pharmacol. 16, 1566772(2025).
  12. Ren, M., Ma, J., Qu, M. Network pharmacology integrated with molecular docking and molecular dynamics simulations to explore the mechanism of shaoyao gancao tang in the treatment of asthma and irritable bowel syndrome. Medicine .(Baltimore). 103 (50), e40929(2024).
  13. Jorgensen, W. L. The many roles of computation in drug discovery. Science. 303 (5665), 1813-1818 (2004).
  14. Gao, L., et al. Molecular dynamics simulation-driven focused virtual screening and experimental validation of fisetin as an inhibitor of Helicobacter pylori htra protease. Mol Divers. 29 (6), 6243-6258 (2025).
  15. Schaefer, M. H., Serrano, L., Andrade-Navarro, M. A. Correcting for the study bias associated with protein-protein interaction measurements reveals differences between protein degree distributions from different cancer types. Front Genet. 6, 260(2015).
  16. Richter, S., Fetzer, I., Thullner, M., Centler, F., Dittrich, P. Towards rule-based metabolic databases: A requirement analysis based on KEGG. Int J Data Min Bioinform. 13 (3), 289-319 (2015).
  17. Gu, S., et al. Benchmarking ai-powered docking methods from the perspective of virtual screening. Nat Machine Intell. 7 (3), 509-520 (2025).
  18. Zhang, P., et al. Network pharmacology: Towards the artificial intelligence-based precision traditional chinese medicine. Brief Bioinform. 25 (1), 1-12 (2023).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Descoberta Computacional de F rmacosFluxo de Trabalho Reprodut velTriagem ADMETPredi o de AlvoRede de Intera o ProteicaAn lise de Ontologia G nicaSimula o de Din mica MolecularEnriquecimento KEGG

Artigos relacionados