Um Fluxo de Trabalho Computacional Bilíngue para Identificar Potenciais Inibidores de PLK1 na Língua de Sinais Americana e no Inglês
April 3rd, 2026
Este protocolo bilíngue fornece um fluxo de trabalho computacional de descoberta de fármacos avaliando as interações proteína-ligando das Quinases Tipo Polo 1 a 3 (PLK1–3) e das propriedades de Absorção, Distribuição, Metabolismo, Excreção, Toxicidade e Estabilidade (ADMET-S) de moléculas naturais provenientes de bancos de dados.
Um fluxo de trabalho computacional bilíngue. Introdução. Pesquisas mostram que o PLK1 é superexpresso em vários tipos de câncer. A inibição de PLK1 através de seu domínio de caixa polar, PBD, demonstrou induzir apoptose.
O objetivo deste estudo é identificar inibidores seletivos de PLK1-PBD com propriedades medicinais e farmacocinéticas desejadas. Os homólogos PLK2 e PLK3 foram submetidos aos mesmos protocolos para avaliar a seletividade. Protocolo. Preparação de proteína alvo.
Aqui utilizamos o CHARMM-GUI para otimizar PLK1, 4HCO, do Banco de Dados de Proteínas, PDB. Isso garante que a proteína não tenha resíduos ou hidrogênios faltando. Vamos prosseguir com a ferramenta.
Em Gerador de Entrada, selecione Manipulador Leitor de PDB. Desça até a caixa de entrada. Certifique-se de que a opção PDB esteja selecionada antes de inserir 4HCO para PLK1.
Na página seguinte, desmarque a cadeia de proteínas B para processar apenas a cadeia A. Prossiga. Desça as Informações do PDB e prossiga. Das quatro saídas, selecionamos o arquivo PDB e o salvamos.
Por fim, abra o arquivo PDB com um editor de texto. Encontre e substitua o estado de protonação de histidina de HSD para HIS. Triagem de banco de dados de produtos naturais.
A abordagem para obter uma amostra de pequenas moléculas para direcionar PLK1 utiliza um banco de dados de produtos naturais e possui três partes. Bancos de dados de produtos naturais são extensos, então os compostos iniciais são provenientes da seleção de um limite de doença e confiança. Neste exemplo, é usado SuperNatural 3.0.
O SuperNatural 3.0 é usado para obter moléculas por meio da seleção de doenças. Uma forma de consultar é através de caminhos humanos. Aqui é selecionado o câncer de mama.
O ID KEGG para esse caminho está aqui. Depois, digitamos o ID KEGG na via SuperNatural 3.0. Alternativamente, podemos clicar em Doença, selecionar câncer de mama e salvar o arquivo completo do resultado.
Em perguntas frequentes, toda a biblioteca do banco de dados pode ser baixada. Prossiga. Proceda a descompactar os arquivos comprimidos, obter o CSV e remover o arquivo zip. Abra o R Studio ou um IDE de sua escolha.
Após importar dados no R Studio, os resultados completos iniciais apresentam 73.046 moléculas. Existem 1.193 moléculas após a aplicação dos limites de confiança. Amostragem cluster.
Depois de aplicar a regra dos cinco de Lipinski com o RDkit. Pacote químico, ficamos com 999 moléculas. Aqui é evidente que temos 999 moléculas.
Em seguida, aplicamos clustering K-means para derivar 50 moléculas representativas. O agrupamento é baseado na semelhança com Tanimoto. Cálculo de afinidade de acoplamento e ligação proteína-ligante.
O objetivo desse método é acoplar PLK1 a cada ligante para obter afinidade de ligação. Proceda para abrir o CB-Dock2. Prossiga para a aba Dock.
Aqui enviamos o 4hco. PDB como a proteína alvo para acoplamento. Faça upload de um ligante.
Aqui começamos com ligando um. Alternativamente, você pode digitar ou colar essa string SMILES. Prossiga digitando seu e-mail para facilitar a coleta de dados.
Depois, clique em Acoplamento Cego Automático. Os resultados são enviados no e-mail. Salve o arquivo zip dos resultados do docking.
Após salvar, o arquivo zip é extraído, e dentro dele há uma variedade de arquivos. Remova todos os arquivos, com exceção do complexo. Arquivos PDB.
Deveria haver um complexo padrão de cinco. Arquivos PDB. Limpe o diretório removendo os arquivos zip não extraídos.
Após a conclusão do acoplamento proteína-ligante com CB-Dock2, que classificou as poses pelos escores Vina, o próximo passo é o cálculo da afinidade de ligação com PRODIGY. A afinidade de ligação com o PRODIGY garante avaliação competitiva da seletividade proteica. É favorável que ligantes sejam seletivos de PLK1, e não dos homólogos estruturais.
Dirija-se ao servidor web PRODIGY. Selecione a aba PRODIGY-LIGAND. Consulte um complexo.
PDB para determinar os identificadores da cadeia de proteínas e ligantes. O complexo. Pdb é aberto com um editor de texto.
O identificador da cadeia da proteína é P.That é inserido no servidor web. A cadeia de ligantes normalmente começa no HETATM. Procure por isso.
O identificador da cadeia para o ligante é A:UNL. Isso é inserido no servidor web. Os cinco complexos fornecidos para cada combinação de ligantes proteicos serão carregados de uma só vez.
Um script de gerenciamento de arquivos desenvolvido é usado em R para essa tarefa. O script faz o zip do arquivo pdb para todas as combinações de docking. Após o zip, os arquivos são enviados manualmente para o PRODIGY.
Prossiga para enviar o ligando PRODIGY. Há uma lista de afinidades de vinculação para cada cinco poses na combinação enviada. Delta-Gnoelec é a pontuação de afinidade de ligação, excluindo cálculos eletrostáticos.
Prossiga para salvar os resultados, que estão em zip. Ao abrir o arquivo zip, há uma pasta de saída com as pontuações de afinidade. Avaliação ADMET-S.
A avaliação ADMET, sem estabilidade, envolve três ferramentas diferentes. O ADMET avalia a farmacologia e a biodisponibilidade usando mais de 120 propriedades. A ORCA aplica a Teoria do Funcional da Densidade, DFT, para analisar propriedades dos medicamentos.
Vamos prosseguir. Crie um diretório para estabilidade. Recupere a corda SMILES de uma pequena molécula.
Abra o Avogadro, ou editor de moléculas à sua escolha. Use a string SMILES para construir sua pequena molécula. Guarde a molécula depois de construir.
Certifique-se de que ele esteja localizado em um subdiretório de estabilidade. Prossiga para otimizar a geometria. Em seguida, um arquivo de entrada ORCA é gerado.
Copie e cole o nível desejado de teoria, como visto na quarta linha do documento de exemplo. Prossiga para substituir o nível padrão da teoria. Proceda à geração do arquivo.
Salve nesta pasta de estabilidade. Adicione o arquivo sh ou o arquivo de trabalho bash. Prossiga para personalizar os parâmetros do arquivo de trabalho.
Por exemplo, o e-mail a ser notificado pode ser personalizado. Resultados representativos. Primeiro, temos PCA para redução de múltipla dimensionalidade.
Esta figura mostra diferentes agrupamentos numerados em elipses cinzas. Em seguida, os resultados da amostra ligando 1 e PLK1-PBD. No canto superior esquerdo há uma representação do ligante 1 em verde, com resíduos indesejados, vermelho e laranja.
À direita está um modelo representativo após limpeza e preparação com CHARMM-GUI. Abaixo está o complexo acoplado com PLK1, PBD e ligando 1. Além disso, CB-Dock2 demonstra as cinco melhores cavidades de acoplamento e suas afinidades na forma de pontuações Vina.
Afinidades de ligação previstas do PRODIGY podem ser visualizadas com mapas de calor. O mapa de calor retrata os papéis dos homólogos PLK1, 2 e 3. Vermelho representa afinidade fraca e indesejável, e verde o oposto.
A avaliação ADMET-S pode ser representada com uma variedade de números. Primeiro, o ovo cozido. O mapa térmico identifica o status inibidor e não substrato com verde e vermelho dos ligantes contra diferentes indicadores metabólicos.
Para a eliminação, um gráfico de linhas que mostra os limiares ideais de tempo para o medicamento ser distribuído antes da expressão. Diversas métricas também podem ser compiladas em um mapa de radar útil. O número de toxicóforos em cada ligando pode ser representado com um gráfico de colunas.
A Toxtree produz tanto uma classificação de toxicidade de medicamentos quanto um raciocínio qualitativo baseado na árvore de decisão de regras de Cramer. Estabilidade ou reatividade molecular podem ser representadas com um gráfico de linhas com limiares adequados de lacuna HOMO-LUMO. Conclusão. Para resumir, esse protocolo utiliza uma variedade de ferramentas virtuais de triagem de medicamentos, afinidade de ligação e ADMET-S no ensino médio ou graduação.
Os resultados gerados por esse protocolo têm potencial para aumentar o rendimento de descobertas favoráveis de medicamentos.
Visão Geral
Este protocolo demonstra um fluxo de trabalho computacional bilíngue para identificar potenciais inibidores de PLK1. Ele enfatiza a importância de avaliar as interações proteína-ligante e as propriedades ADMET-S na descoberta de medicamentos.
Componentes Principais do Estudo
Área da Ciência
- Química
- Biologia Computacional
- Farmacologia
Fundamentos
- PLK1 está superexpresso em vários tipos de câncer.
- A inibição de PLK1 pode induzir apoptose.
- O estudo visa identificar inibidores seletivos de PLK1-PBD.
- Bancos de dados de produtos naturais são utilizados para triagem de potenciais inibidores.
Objetivo do Estudo
- Desenvolver um fluxo de trabalho para identificar inibidores de PLK1.
- Avaliar as propriedades medicinais e farmacocinéticas dos candidatos.
- Utilizar ferramentas computacionais para a descoberta de medicamentos.
Métodos Utilizados
- Preparação de proteínas usando CHARMM-GUI.
- Triagem de banco de dados de produtos naturais com SuperNatural 3.0.
- Docking proteína-ligante e cálculos de afinidade de ligação.
- Avaliação ADMET-S para druggability e biodisponibilidade.
Principais Resultados
- Identificação de 999 moléculas candidatas após triagem.
- Afinidades de ligação calculadas usando PRODIGY.
- Avaliação ADMET-S fornece insights sobre as propriedades do medicamento.
- Visualização dos resultados através de várias representações gráficas.
Conclusões
- O protocolo oferece uma abordagem abrangente para triagem virtual de medicamentos.
- Tem potenciais aplicações na melhoria dos esforços de descoberta de medicamentos.
- O fluxo de trabalho é adequado para fins educacionais no ensino médio ou nível universitário.
Perguntas Frequentes
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.
