Name: Modelagem de Farmacophore para Alvos com Extensas Bibliotecas de Ligantes: Um Estudo de Caso sobre SARS-CoV-2 Mpro (Vídeo) | JoVE Journal
Uploaded: 2025-09-26T14:30:00.000+00:00
Duration: 5 min 50 s
Description: Aprenda a construir modelos de farmacóforo de consenso para o SARS-CoV-2 Mpro usando grandes bibliotecas de ligantes. Este método computacional melhora a descoberta de fármacos por triagem virtual.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. Método 1
<ol>
	<li>Preparar ligantes para geração de farmacoforos de consenso<ol>
		<li>Alinhe todos os complexos proteína-ligante usando o software PyMOL11.</li>
		<li>Extraia cada formador de ligante alinhado e salve-o como um arquivo separado no formato SDF. NOTA: Outros formatos, como MOL, MOL2 e PDB, também podem ser usados para o protocolo descrito aqui.</li>
	</ol>
	</li>
	<li>Gere arquivos JSON de farmacoforo usando o Pharmit12
	<ol>
		<li>Carregue cada arquivo ligante individualmente para o Pharmit usando a opção Carregar recursos (consulte a Tabela de materiais para obter um link para o Pharmit).</li>
		<li>Use a opção Salvar sessão para baixar o arquivo JSON do farmacoforo correspondente.</li>
	</ol>
	</li>
	<li>Organize os arquivos JSON para uso no ConPhar<ol>
		<li>Armazene todos os arquivos JSON baixados em uma única pasta. Esses arquivos serão enviados para o ambiente do Google Colab no próximo método.</li>
	</ol>
	</li>
</ol>
2. Método 2
<ol>
	<li>Configurar o ambiente do Google Colab<ol>
		<li>Inicie um novo bloco de anotações do Google Colab: abra o Google Colab no navegador da Web, crie um novo bloco de anotações e ajuste as configurações para usar uma versão anterior selecionando Tempo de execução → Alterar o tempo de execução → versão de tempo de execução 2025.07.</li>
		<li>Instale o Conda e o PyMOL. O código necessário para instalar o Conda e o PyMOL no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. 
		# Instale o CondaColab: Habilita o suporte ao ambiente Conda no Google Colab 
		do IPython.utils import io 
		importar tqdm.notebook 
		Importar OS 
		total = 100 com tqdm.notebook.tqdm(total=total) como pbar: com io.capture_output() conforme capturado: # Instale o CondaColab !pip install -q condacolab Importar Condacolab condacolab.install() pbar.update(10) # Atualize o caminho do Python para localizar os pacotes instalados 
		importar sys sys.path.append('/usr/local/lib/python3.7/site-packages/') pbar.update(20) # Instale o pacote PyMOL usando mamba do canal Schrödinger %shell mamba install -c schrodinger pymol-bundle --sim pbar.update(90)</li>
		<li>Verificar a execução bem-sucedida: Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter. Uma barra verde horizontal aparecerá acima da célula após a execução bem-sucedida (consulte a Figura 1).</li>
	</ol>
	</li>
	<li>Instale o pacote ConPhar Python e importe os módulos necessários<ol>
		<li>Instale e importe o ConPhar. O código necessário para instalar o pacote ConPhar e importar os módulos necessários no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. 
		# Instale o pacote de análise de farmacoforo ConPhar importar pymol !pip instalar conphar De Conphar. Farmacoforos importam parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore Importar OS importar pandas como pd NOTA: A instrução import de conphar. Os farmacoforos são divididos em várias linhas para maior clareza, mas devem ser inseridos como uma única linha contínua. A ferramenta ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) está em desenvolvimento ativo. O protocolo atual usa uma versão estável (0.1.2), que foi validada para o procedimento descrito. Os usuários são incentivados a usar esta versão para garantir a reprodutibilidade.</li>
		<li>Confirme a instalação bem-sucedida: Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter. Uma mensagem de confirmação aparecerá após a instalação e importação bem-sucedidas das ferramentas ConPhar (consulte a Figura 2).</li>
	</ol>
	</li>
	<li>Carregar modelos individuais do Pharmacophore a partir de arquivos JSON<ol>
		<li>Crie uma pasta para arquivos JSON do farmacoforo. O código necessário para criar uma pasta para armazenar os arquivos de entrada do farmacophore no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. 
		# Crie uma pasta para armazenar arquivos JSON de entrada 
		os.makedirs("JSON_FOLDER", exist_ok=Verdadeiro) NOTA: Este comando cria a pasta automaticamente se ela ainda não existir.</li>
		<li>Carregar arquivos JSON para a pasta: Clique no ícone de pasta no painel esquerdo do Colab, abra a pasta recém-criada e clique com o botão direito do mouse para selecionar Upload. Adicione os arquivos JSON necessários (consulte a Figura 3). NOTA: Certifique-se de que os arquivos sigam o formato esperado gerado pelo Pharmit.</li>
	</ol>
	</li>
	<li>Analise e consolide recursos farmacofóricos<ol>
		<li>Extraia recursos farmacofóricos dos arquivos carregados. O código necessário para analisar os arquivos JSON enviados, extrair recursos farmacofóricos e armazená-los em um único DataFrame no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de suporte 1. 
		p4_table = PD. DataFrame() para arquivo em os.listdir('/content/JSON_FOLDER'): se '.json' no arquivo: tentar: p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}") p4['ligante']=arquivo.replace('.json','') p4_table=pd.concat([p4_table,p4],ignore_index=Verdadeiro) exceto exceção: passar p4_table</li>
		<li>Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter para gerar o DataFrame consolidado (consulte a Figura 4). O DataFrame consolidado resultante compila todas as características farmacofóricas extraídas de ligantes individuais em uma tabela unificada, facilitando o agrupamento downstream e a análise estatística. NOTA: O script inclui tratamento básico de exceções para ignorar arquivos JSON malformados durante o processamento para evitar a interrupção do fluxo de trabalho. Dado o grande número de arquivos, verificar cada um com antecedência é impraticável; Em vez disso, o script pode ser modificado para imprimir o nome de qualquer arquivo que não seja carregado, para que o usuário possa inspecioná-lo e corrigi-lo individualmente.</li>
	</ol>
	</li>
	<li>Gere e salve o consenso Farmacophore<ol>
		<li>Exibir todos os descritores farmacofóricos. O código necessário para visualizar os descritores farmacofóricos extraídos dos arquivos de entrada no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. 
		show_pharmacophoric_descriptors(p4_table)</li>
		<li>Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter para visualizar o agrupamento de recursos farmacofóricos (consulte a Figura 5). As saídas agrupadas em recursos agrupam características farmacofóricas semelhantes em vários ligantes com base em suas posições espaciais, permitindo a identificação de padrões de interação conservados.</li>
		<li>Salve o modelo de farmacoforo no formato PyMOL. O código necessário para gerar e salvar o modelo de farmacoforo de consenso no formato compatível com PyMOL no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. 
		save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')</li>
		<li>Execute a célula para produzir o arquivo .pse correspondente (consulte a Figura 6).</li>
		<li>Salve o modelo de farmacoforo no formato JSON. O código necessário para gerar e salvar o modelo de farmacoforo de consenso no formato compatível com Pharmit no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. ​save_pharmacophore_to_json(p4_table,out_file= 'ConPhar_pharmit.json')</li>
		<li>Execute a célula para produzir o arquivo .json correspondente (consulte a Figura 6).</li>
		<li>Gere saídas e dendrogramas agrupados em recursos. O código necessário para gerar arquivos de farmacoforo de consenso agrupados por tipo de recurso, incluindo formatos compatíveis com PyMOL e Pharmit, e visualizações de dendrograma no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. consenso, links = compute_concensus_pharmacophore (p4_table,save_data_per_descriptor=Verdadeiro,out_folder='/conteúdo')</li>
		<li>Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter (consulte a Figura 7). Os resultados exibem visualizações de dendrogramas, que na forma de uma árvore representam as relações hierárquicas entre as características farmacofóricas agrupadas, ajudando os usuários a interpretar o grau de semelhança e proximidade espacial entre os clusters. NOTA: Esta etapa salva vários arquivos de saída e figuras na pasta especificada.</li>
		<li>Exporte os resultados do farmacoforo de consenso para um arquivo CSV. O código necessário para salvar a tabela final do farmacoforo de consenso no formato CSV no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1. 
		concensus.to_csv('consensus_result.csv', índice=Falso)</li>
		<li>Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter para exportar os dados do farmacoforo de consenso para um arquivo CSV chamado consensus_result.csv para análise posterior (consulte a Figura 8). NOTA: O arquivo CSV facilita aplicativos downstream, como análise estatística ou visualização em software de planilha.</li>
	</ol>
	</li>
	<li>Use o Pharmacophore de consenso para triagem virtual<ol>
		<li>Exporte o farmacoforo de consenso no formato JSON. Certifique-se de que o arquivo inclua coordenadas espaciais para todas as feições. Este formato é diretamente compatível com ferramentas de triagem baseadas na web, como o Pharmit12. Para realizar uma triagem virtual, carregue o arquivo JSON do farmacoforo para o servidor Pharmit por meio da opção Carregar recursos . O servidor permite o refinamento do modelo modificando, adicionando ou removendo recursos, bem como a triagem em grandes bibliotecas compostas, como PubChem13ou ZINC14. NOTA: Todos os scripts necessários para reproduzir as análises descritas neste estudo são fornecidos no Arquivo de Suporte 1 e também podem ser acessados interativamente por meio https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. Os leitores são encorajados a criar uma cópia pessoal do caderno Colab para executar e modificar as análises sem alterar o script original.</li>
	</ol>
	</li>
</ol>
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68933/68933fig1.jpg"> 
Figura 1: Captura de tela do primeiro bloco de código usado para configurar o ambiente do Google Colab instalando o CondaColab. Uma barra de progresso azul horizontal aparece acima da célula durante a execução e fica verde após a conclusão bem-sucedida. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig1large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68933/68933fig2.jpg"> 
Figura 2: Captura de tela do segundo bloco de código usado para instalar o pacote ConPhar no Google Colab. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig2large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68933/68933fig3.jpg"> 
Figura 3: Captura de tela mostrando os arquivos JSON do farmacophore carregados com sucesso na pasta designada no Google Colab. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig3large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68933/68933fig4.jpg"> 
Figura 4: Captura de tela mostrando o código usado para extrair recursos farmacofóricos dos arquivos JSON e consolidá-los em um único DataFrame. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig4large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68933/68933fig5.jpg"> 
Figura 5: Visualização do agrupamento de características farmacofóricas geradas durante a construção do modelo de farmacoforo de consenso. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig5large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68933/68933fig6.jpg"> 
Figura 6: Captura de tela mostrando a geração bem-sucedida dos arquivos de farmacoforo de consenso em formatos compatíveis com PyMOL e Pharmit. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig6large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68933/68933fig7.jpg"> 
Figura 7: Captura de tela mostrando a geração de arquivos de farmacoforo de consenso agrupados por tipo de recurso, incluindo saídas para visualizações de PyMOL, Pharmit e dendrograma. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig7large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68933/68933fig8.jpg"> 
Figura 8: Captura de tela mostrando a exportação bem-sucedida dos dados do farmacoforo de consenso para o arquivo consensus_result.csv. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig8large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>

<ol><li>Leach, A. R., Gillet, V. J., Lewis, R. A., Taylor, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Three-dimensional+pharmacophore+methods+in+drug+discovery%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Three-dimensional pharmacophore methods in drug discovery.</a> J Med Chem. 53 (2), 539-558 (2010).</li>
<li>Giordano, D., Biancaniello, C., Argenio, M. A., Facchiano, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug+design+by+pharmacophore+and+virtual+screening+approach%5BTitle%5D)+AND+%22Pharmaceuticals+%28Basel%29%22%5BJournal%5D)">Drug design by pharmacophore and virtual screening approach.</a> Pharmaceuticals (Basel). 15 (5), 646(2022).</li>
<li>Schaller, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Next+generation+3D+pharmacophore+modeling%5BTitle%5D)+AND+%22WIREs+Comput+Mol+Sci%22%5BJournal%5D)">Next generation 3D pharmacophore modeling.</a> WIREs Comput Mol Sci. 10 (4), e1468(2020).</li>
<li>Wolber, G., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((LigandScout%3A+3-D+pharmacophores+derived+from+protein-bound+ligands+and+their+use+as+virtual+screening+filters%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">LigandScout: 3-D pharmacophores derived from protein-bound ligands and their use as virtual screening filters.</a> J Chem Inf Model. 45 (1), 160-169 (2005).</li>
<li>Ekins, S., Mestres, J., Testa, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+silico+pharmacology+for+drug+discovery%3A+Methods+for+virtual+ligand+screening+and+profiling%5BTitle%5D)+AND+%22Br+J+Pharmacol%22%5BJournal%5D)">In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling.</a> Br J Pharmacol. 152 (1), 9-20 (2007).</li>
<li>Wolber, G., Dornhofer, A. A., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+overlay+of+small+organic+molecules+using+3D+pharmacophores%5BTitle%5D)+AND+%22J+Comput+Aided+Mol%22%5BJournal%5D)">Efficient overlay of small organic molecules using 3D pharmacophores.</a> J Comput Aided Mol. 20 (12), 773-788 (2006).</li>
<li>Schuster, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+pharmacophores+as+tools+for+activity+profiling%5BTitle%5D)+AND+%22Drug+Discov+Today+Technol%22%5BJournal%5D)">3D pharmacophores as tools for activity profiling.</a> Drug Discov Today Technol. 7 (4), e205-e211 (2010).</li>
<li>Qing, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling%3A+advances%2C+limitations%2C+and+current+utility+in+drug+discovery%5BTitle%5D)+AND+%22J+Recept+Ligand+Channel+Res%22%5BJournal%5D)">Pharmacophore modeling: advances, limitations, and current utility in drug discovery.</a> J Recept Ligand Channel Res. 7, 81-92 (2014).</li>
<li>Ullrich, S., Nitsche, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+SARS-CoV-2+main+protease+as+drug+target%5BTitle%5D)+AND+%22Bioorg+Med+Chem+Lett%22%5BJournal%5D)">The SARS-CoV-2 main protease as drug target.</a> Bioorg Med Chem Lett. 30 (17), 127377(2020).</li>
<li>Ruiz-Moreno, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Consensus+pharmacophore+strategy+for+identifying+novel+SARS-CoV-2+Mpro+inhibitors+from+large+chemical+libraries%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">Consensus pharmacophore strategy for identifying novel SARS-CoV-2 Mpro inhibitors from large chemical libraries.</a> J Chem Inf Model. 64 (6), 1984-1995 (2024).</li>
<li>Schrödinger, L., DeLano, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSchr%C3%B6dinger%2C+L+%22PyMOL%2C+2020%22">PyMOL, 2020</a>. , http://www.pymol.org/pymol (2020).</li>
<li>Sunseri, J., Koes, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmit%3A+Interactive+exploration+of+chemical+space%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Pharmit: Interactive exploration of chemical space.</a> Nucleic Acids Res. 44 (W1), W442-W448 (2016).</li>
<li>Kim, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PubChem+2025+update%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">PubChem 2025 update.</a> Nucleic Acids Res. 53 (D1), D1516-D1525 (2025).</li>
<li>Tingle, B. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ZINC-22%3A+A+free+multi-billion-scale+database+of+tangible+compounds+for+ligand+discovery%5BTitle%5D)+AND+%22J+Chem+Inf+Model%22%5BJournal%5D)">ZINC-22: A free multi-billion-scale database of tangible compounds for ligand discovery.</a> J Chem Inf Model. 63 (4), 1166-1176 (2023).</li>
<li>Hazemann, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accelerating+the+hit-to-lead+optimization+of+a+SARS-CoV-2+Mpro+inhibitor+series+by+combining+high-throughput+medicinal+chemistry+and+computational+simulations%5BTitle%5D)+AND+%22J+Med+Chem%22%5BJournal%5D)">Accelerating the hit-to-lead optimization of a SARS-CoV-2 Mpro inhibitor series by combining high-throughput medicinal chemistry and computational simulations.</a> J Med Chem. 68 (8), 8269-8294 (2025).</li>
<li>Momin, Y., Beloshe, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacophore+modeling+in+drug+design%5BTitle%5D)+AND+%22Adv+Pharmacol%22%5BJournal%5D)">Pharmacophore modeling in drug design.</a> Adv Pharmacol. 103, 313-324 (2025).</li>
<li>Zdrazil, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ChEMBL+database+in+2023%3A+A+drug+discovery+platform+spanning+multiple+bioactivity+data+types+and+time+periods%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The ChEMBL database in 2023: A drug discovery platform spanning multiple bioactivity data types and time periods.</a> Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).</li>
<li>Zhou, L., Griffith, R., Gaeta, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+spatial+and+chemical+information+for+clustering+pharmacophores%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">Combining spatial and chemical information for clustering pharmacophores.</a> BMC Bioinformatics. 15 (Suppl 16), S5(2014).</li>
<li>Guner, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((History+and+evolution+of+the+pharmacophore+concept+in+computer-aided+drug+design%5BTitle%5D)+AND+%22Curr+Top+Med+Chem%22%5BJournal%5D)">History and evolution of the pharmacophore concept in computer-aided drug design.</a> Curr Top Med Chem. 2 (12), 1321-1332 (2002).</li>
<li>Wieder, M., Perricone, U., Seidel, T., Boresch, S., Langer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparing+pharmacophore+models+derived+from+crystal+structures+and+from+molecular+dynamics+simulations%5BTitle%5D)+AND+%22Monatsh+Chem%22%5BJournal%5D)">Comparing pharmacophore models derived from crystal structures and from molecular dynamics simulations.</a> Monatsh Chem. 147 (3), 553-563 (2016).</li>
<li>Santos, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comprehensive+map+of+molecular+drug+targets%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">A comprehensive map of molecular drug targets.</a> Nat Rev Drug Discov. 16 (1), 19-34 (2017).</li>
</ol>

<table><tbody><tr><td>Google Colab</td><td>Google LLC</td><td>https://colab.google</td><td>Plataforma baseada na Web para execução de notebooks Python; usado aqui para executar scripts ConPhar e PyMOL para modelagem de farmacoforos de consenso.</td></tr><tr><td>Pharmit</td><td>Koes Lab na Universidade de Pittsburgh</td><td>https://pharmit.csb.pitt.edu/search.html</td><td>Plataforma web para triagem virtual de farmacoforos interativos e exploração do espaço químico, permitindo o upload de arquivos de ligantes e geração de recursos de farmacoforos</td></tr><tr><td>PyMOL</td><td>Schr&ouml; dinger, Inc.</td><td>https://www.pymol.org</td><td>Software de visualização molecular e alinhamento estrutural usado para proteínas&ndash; Superposição e análise de complexos de ligantes</td></tr><tr><td>Arquivo de suporte 1 Script de fluxo de trabalho do Farmacophore</td><td>Google LLC</td><td>https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing</td><td>Script executável completo para instalar o Conda, PyMOL e executar o fluxo de trabalho do farmacophore no Google Colab. Também fornecido como Arquivo de Suporte 1.</td></tr></tbody></table>

modelagem de farmacophore para alvos com extensas bibliotecas de ligantes: um estudo de caso sobre sars-cov-2 mpro

Pharmacophore Modeling for Targets with Extensive Ligand Libraries: A Case Study on SARS-CoV-2 Mpro

Cem complexos de Mpro cocristalizados com diferentes inibidores não covalentes foram alinhados, como exemplificado na Figura 9A. Cada ligante foi então extraído como um arquivo individual (Figura 9B) e posteriormente carregado no servidor Pharmit. A sessão foi salva para gerar um arquivo JSON correspondente (consulte a Figura 9C).
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/68933/68933fig9.jpg"> 
Figura 9: Preparação de ligantes para modelagem de farmacoforos de consenso. (A) Alinhamento estrutural de três complexos Mpro representativos co-cristalizados com inibidores não covalentes. (B) Sobreposição dos 100 ligantes incluídos neste estudo. (C) Upload de cada ligante para o servidor Pharmit usando a opção "Carregar recursos", seguido pela geração do arquivo JSON por meio da opção "Salvar sessão". Ambas as opções são indicadas com setas vermelhas. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig9large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
O conjunto completo de arquivos JSON foi usado para gerar o modelo de farmacoforo de consenso, que compreendia 1450 características farmacofóricas agrupadas em 110 clusters: 23 aromáticos (Aro), 30 aceptores de ligações de hidrogênio (HBA), 16 doadores de ligações de hidrogênio (HBD), 36 clusters hidrofóbicos (Hyd) e 5 carregados negativamente (ânion) (Figura 10A, Tabela Suplementar 1). Identificamos os clusters maiores para cada recurso para sua incorporação ao modelo de consenso. Entre os clusters Aro, selecionamos aqueles com mais de 20 elementos. Dos grupos HBA, HBD e Hyd, retivemos clusters com pelo menos 50 elementos. Nenhum dos clusters de ânions tinha mais de 4 membros, portanto, foram excluídos do modelo de consenso (Figura 10B). Esses limites numéricos (&gt;20 membros para Aro; ≥50 para HBA, HBD e Hyd) foram definidos empiricamente com base na distribuição dos tamanhos dos clusters para priorizar os padrões de interação mais conservados e densamente povoados.
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/68933/68933fig10.jpg"> 
Figura 10: Agrupamento de características farmacofóricas de 100 complexos de ligantes Mpro.(A) Distribuição de 1450 características farmacofóricas: aromático (Aro) em roxo, aceptor de ligação de hidrogênio (HBA) em laranja, doador de ligação de hidrogênio (HBD) em branco, hidrofóbico (Hyd) em verde e carregado negativamente (ânion) em vermelho. (B) Clusters contendo ≥10 membros são mostrados para Aro, HBA, HBD e Hyd; todos os clusters de Ânions são exibidos. Os maiores clusters - definidos como aqueles com ≥20 membros para Aro e ≥50 membros para HBA, HBD e Hyd e ≥4 membros para Anion - são destacados com esferas pontilhadas. O número de membros em cada um dos maiores clusters é explicitamente indicado. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig10large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Assim, nosso modelo de farmacoforo de consenso incluiu 11 características: 3 características aromáticas (Aro), Aro 1, 2 e 3, derivadas de clusters com 20, 24 e 45 membros, respectivamente; 4 aceptores de ligações de hidrogênio (HBA), HBA 1, 2, 3 e 4, de clusters com 51, 55, 77 e 81 membros, respectivamente; 2 doadores de ligações de hidrogênio (HBD) de clusters com 51 e 71 membros, respectivamente; e 2 características hidrofóbicas (Hyd) de clusters com 50 e 52 membros, respectivamente (ver Figura 11A).
O modelo de farmacoforo foi usado para pesquisar o banco de dados PubChem usando a estratégia relatada anteriormente10, mas nenhuma correspondência foi encontrada. Para aumentar a flexibilidade da pesquisa, a característica aromática Aro 1 - derivada do menor e menos representativo cluster - foi removida. Esse ajuste levou à identificação de dois acertos, incluindo um conformador do composto com CIDs PubChem 101267741 e 10285538 (ver Figura 11B). A estrutura química 2D do composto 101267741 é mostrada na Figura 11C. Curiosamente, este composto identificado se encaixa bem no bolso de ligação do Mpro. Uma análise comparativa com o ligante cocristalizado 38a15 (PDB ID: 9HAJ) mostra que o conformador de correspondência farmacoforal de 101267741 está enterrado ainda mais fundo do que 38a dentro dos subbolsos S1 e S2 de Mpro. No entanto, 38a ocupa uma região mais ampla da bolsa, principalmente devido à sua cadeia lateral de etila carboxamida, que se estende em direção à bolsa S1 ′. No entanto, as principais interações intermoleculares de 38a envolvem outras metades em vez dessa cadeia lateral. Em contraste, o composto 101267741 forma 11 interações intermoleculares, incluindo sete ligações de hidrogênio e quatro contatos hidrofóbicos. Comparado com as três ligações de hidrogênio e duas interações hidrofóbicas formadas por 38a, o modo de ligação do composto 101 parece mais forte (Figura 11D).
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/68933/68933fig11.jpg"> 
Figura 11: Pesquisa de farmacoforos no banco de dados PubChem. (A) O modelo completo de farmacoforo de consenso contém 11 características: 3 aromáticas (roxas), 4 aceptores de ligações de hidrogênio (laranja), 2 doadores de ligações de hidrogênio (branco) e 2 hidrofóbicos (verde). (B) O conformador do composto PubChem 101267741 alinhado com o modelo de farmacoforo reduzido após a remoção do recurso Aro 1, e (C) Estrutura química bidimensional do composto identificada. (D) Análise comparativa dos modos de ligação do composto 38a (magenta; do PDB ID: 9HAJ) e do composto PubChem CID 101267741 (verde) ao bolso catalítico SARS-CoV-2 Mpro. As interações intermoleculares correspondentes para cada composto são mostradas à direita. As ligações de hidrogênio e as interações hidrofóbicas são mostradas como linhas tracejadas em azul e cinza, respectivamente. <a href="https://www.jove.com/files/ftp_upload/68933/68933fig11large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Arquivo de suporte 1: Script de fluxo de trabalho do Pharmacophore. <a href="https://www.jove.com/files/ftp_upload/68933/Supporting%20File%201%20Pharmacophore%20Workflow%20Script.txt" target="_blank">Clique aqui para baixar este arquivo.</a>
Tabela de suporte 1: Resumo de agrupamento de características farmacofóricas. Número de Clusters, Membros por Cluster, Coordenadas do Centroide e Raios do Cluster <a href="https://www.jove.com/files/ftp_upload/68933/Table_S1.xlsx" target="_blank">Clique aqui para baixar este Arquivo.</a>

Modelagem de Farmacophore para Alvos com Extensas Bibliotecas de Ligantes: Um Estudo de Caso sobre SARS-CoV-2 Mpro

A pharmacophore defines the spatial arrangement of molecular features required for optimal interactions between a compound and its biological target. ...

pharmacophore-modeling-for-targets-with-extensive-ligand-libraries

Research

JoVE Journal

Biochemistry

Bioquímica

Este estudo teve como objetivo apresentar uma estratégia para identificar interações medicamentosa-peptídeos. A estratégia envolve o biopanning de peptídeos curtos que reconhecem drogas com base em um biosensor de microequilísã de quartzo-cristal (QCM), seguido de análise bioinformática para avaliação quantitativa das informações obtidas para o reconhecimento de medicamentos e anotação dos locais de ligação medicamentosa em proteínas.

Estratégia de análise de biopanning e bioinformática baseada em biosensor para a validação global de interações medicamentosas-proteínas

Este artigo descreve o processo completo do XChem para triagem de fragmentos à base de cristal, desde a solicitação de acesso e todas as etapas subsequentes até a disseminação dos dados.

Alcançando a triagem eficiente de fragmentos nas instalações da XChem na Diamond Light Source

Uma habilidade fundamental na modelagem biomolecular é exibir e anotar locais ativos em proteínas. Esta técnica é demonstrada usando quatro programas gratuitos populares para visualização macromolecular: iCn3D, Jmol, PyMOL e UCSF QuimeraX.

Modelando um site ativo enzimático usando freeware de visualização molecular

Este protocolo apresenta as ferramentas disponíveis para modelar ligantes de moléculas pequenas em mapas crioEM de macromoléculas.

Modelagem de ligantes em mapas derivados da criomicroscopia eletrônica

O experimento usado aqui mostra um método de docking molecular combinado com ensaio de deslocamento térmico celular para prever e validar a interação entre pequenas moléculas e alvos proteicos.

Predição de Alvos de Proteínas e Validação de Compostos de Moléculas Pequenas

Aqui, apresentamos um protocolo para o desenho guiado por estrutura da interação de ligação proteína-ligante entre Sangliferina A e Ciclofilina A/Ganoderiol-F, essencial para a descoberta de novos medicamentos. A estabilidade do complexo ligante-receptor foi avaliada por meio de simulação de dinâmica molecular.

Design e Desenvolvimento Guiados por Estrutura de Novos Inibidores da Ciclofilina A e Derivados do Ganoderiol-F: Uma Abordagem In-Silico

Os métodos computacionais prometem acelerar a descoberta de medicamentos, mas frequentemente ignoram a natureza dinâmica das estruturas das proteínas. Aqui, discutimos a análise de encaixe baseada em conjunto para incorporar indiretamente a flexibilidade da proteína, melhorando potencialmente a precisão e a confiabilidade dos esforços de descoberta de medicamentos.

Incorporando a Estrutura da Proteína-Alvo, Flexibilidade e Dinâmica na Descoberta Computacional de Medicamentos Usando Análise de Docking Baseada em Conjunto

Este estudo utilizou estratégias in-silico para identificar a Etravirina Enumerada como um agente terapêutico promissor para o HIV. Nossas descobertas sobre interações e dinâmicas moleculares apóiam o design racional de novos NNRTIs como possíveis alternativas de tratamento do HIV.

Relação Quantitativa Estrutura-Atividade, Predição de Atividade e Dinâmica Molecular de Inibidores da Transcriptase Reversa Não Nucleotídica

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 para Identificar Potenciais Inibidores de PLK1 na Língua de Sinais Americana e no Inglês

Este protocolo usa tanto co-expressão de subunidades e subunidade postlysis mistura para um exame mais aprofundado do conjunto proteassoma recombinante.

Examinando Assembleia proteosoma com recombinante Archaea proteasomas e não desnaturante PAGE: The Case for uma abordagem combinada

Aprenda a construir modelos de farmacóforo de consenso para o SARS-CoV-2 Mpro usando grandes bibliotecas de ligantes. Este método computacional melhora a descoberta de fármacos por triagem virtual.

Modelagem de Farmacophore para Alvos com Extensas Bibliotecas de Ligantes: Um Estudo de Caso sobre SARS-CoV-2 Mpro

Explorar mais vídeos