Методическая статья

Учет гибкости и динамики структуры белка-мишени в вычислительном поиске лекарств с использованием анализа докинга на основе ансамбля

DOI:

10.3791/67174

⸱

20 июня 2025 г.

 , 
1Bioinformatics Programme, Institute of Biological Sciences, Faculty of Science, Universiti Malaya, 2Centre of Research in Systems Biology, Structural Bioinformatics and Human Digital Imaging (CRYSTAL), Universiti Malaya

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Вычислительные методы обещают ускорить разработку лекарств, но они часто упускают из виду динамическую природу белковых структур. В этой статье мы обсуждаем анализ докинга на основе ансамбля, чтобы косвенно включить гибкость белка, потенциально повышая точность и надежность усилий по разработке лекарств.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Процесс разработки лекарств — это строгая, трудоемкая и дорогостоящая операция. Вычислительный подход к поиску лекарств позволяет исследователям отдавать приоритет наиболее перспективным соединениям для дальнейшего тестирования, что значительно сократит необходимые ресурсы, что приведет к увеличению общей эффективности в процессах разработки лекарств. Разработка лекарств на основе структуры — это распространенный подход, который требует структурной информации о белке-мишени в трехмерном формате. Тем не менее, в настоящее время ограничением большинства компьютерных стратегий поиска лекарств является их неспособность обеспечить гибкость и динамику структуры целевого белка во время моделирования стыковки лиганд-белок. В то время как как докинг на основе индуцированного соответствия и докинг на основе ансамбля направлены на обеспечение гибкости белка в процедуре докинга, последний может обеспечить более полное представление о динамическом поведении белка за счет включения нескольких конформаций на протяжении всего моделирования. В этом отчете мы демонстрируем и обсуждаем применение метода, называемого докинговым анализом на основе ансамбля, который косвенно вносит гибкость и динамику структуры целевого белка в процесс молекулярного докинга. Белком и лигандом, выбранными для ансамблевых докинговых исследований, были лизоцим и фловокавейн B (FB) соответственно. Ранее сообщалось, что FB обладает связывающей активностью с лизоцимом. Было проведено моделирование молекулярной динамики (МД) лизоцима в присутствии воды, а также изучены общая энергия, среднеквадратичное отклонение (RMSD) и среднеквадратичные колебания (RMSF). Конформационная кластеризация была сформирована на основе нескольких предельных значений кластеризации и выбрана для дополнительного анализа стыковки с FB. Кластер No 2 дает наименьшую энергию связи при -29,37 кДж/моль. Для прогнозирования наличия сил связывания были получены изображения молекулярного докинга. Учитывая структурную динамику белка, подход, основанный на ансамбле, может лучше охватить диапазон возможных сценариев связывания, что приводит к более надежным прогнозам результатов связывания.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В вычислительном поиске лекарств (CDD) методы информатики, химии, биологии и физики интегрируются для исследования обширного химического пространства, прогнозирования взаимодействий лекарств и мишеней и оптимизации кандидатов в лекарства с более высокой эффективностью и меньшими затратами по сравнению с традиционными экспериментальными методами. Это мощный подход, который использует вычислительные методы и алгоритмы для ускорения открытия и оптимизации новых терапевтических соединений 1,2,3. CDD произвела революцию в разработке лекарств. Тем не менее, существуют ограничения, связанные с динамикой трехмерной (3D) структуры белка, которые могут повлиять на точность и надежность вычислительных прогнозов4. Белковые 3D-структуры служат шаблонами в CDD для разработки или оптимизации кандидатов в лекарственные препараты на основе целевых белок-лекарственных взаимодействий. В то время как рентгеновские кристаллографические модели белковых структур предоставляют ценную структурную информацию о белке, важно признать динамическую природу белковых структур и ограничения статических моделей 5,6,7. Кроме того, последние достижения в криоэлектронной микроскопии (крио-ЭМ) и вычислительных прогнозах, таких как AlphaFold, также значительно расширили доступность структурных данных для охвата полного спектра гибкости и динамики белков 8,9,10,11,12.

Моделирование молекулярной динамики (МД) моделирует движение и взаимодействие атомов и молекул с течением времени, позволяя получить представление о динамическом поведении и гибкости 3D-структуры белка 13,14. Моделирование MD используется для создания 3D-структур белка, представляющих различные конформационные состояния, которые служат входными данными для анализа докинга на основе ансамбля. Благодаря выборке различных конформаций белков, докинговый анализ на основе ансамбля учитывает присущую биологическим мишеням гибкость и динамику, что позволяет более всесторонне исследовать режимы связывания лигандов и взаимодействий.

Понимание гибкости белков имеет важное значение, так как она влияет на то, как лекарства проявляют свои биологические эффекты, определяет расположение и ориентацию сайтов связывания, а также влияет на кинетику связывания, метаболизм и транспорт15,16. Учет такой динамической природы может значительно повысить точность и надежность прогнозов стыковки. В 1994 году Кирсли и др. представили технику гибкого докинга, которая моделирует гибкость как лигандов, так и белков. Этот подход позволяет конформации белка корректироваться во время стыковки, улучшая прогнозирование лиганд-рецепторных взаимодействий за счет учета структурнойгибкости. Аналогичным образом, в 1999 году Карлсон и др. сообщили об ансамблевом докинге, который применяет гибкое фармакофорное моделирование как к статическим, так и к динамическим моделям интегразы ВИЧ-1, еще больше подчеркивая важность учета динамики белкав исследованиях докинга. Кроме того, Cavasotto et al. также сообщили об улучшении точности докинга лигандов за счет включения гибкости рецептора в процесс докинга с использованием анализа нормальных мод19. В последнее время ансамблевые методы 20,21,22,23,24,25,26,27 расширили возможности открытия лекарств за счет выявления потенциальных новых сайтов связывания лигандов и предоставления более точных оценок энергии связывания свободного лиганд-рецептора. Эти достижения были применены к таким мишеням, как квадруплекс-дуплексная ДНК20, фактор роста эндотелия сосудов 165 (VEGF-165)21, фермент-мишень SARS-CoV-222, ферменты цитохрома P450 печени человека23 и противораковые белки24.

Флавокаваин B (FB), классифицируемый как флавоноид, проявляет различные фармакологические свойства 28,29,30. На основании экспериментального и вычислительного анализа было установлено, что FB образует стабильный комплекс с лизоцимом (LYZ)31, белком, широко известным своей антимикробной активностью, а также был идентифицирован как транспортер лигандов 32,33,34. В этом отчете мы дополнительно анализируем природу взаимодействия FB с LYZ с использованием докингового анализа на основе ансамбля, чтобы учесть влияние гибкости белка на формирование комплекса FB-LYZ. Цель этого метода — предоставить исследователям пошаговый, повторяемый процесс анализа стыковки на основе ансамбля. Кроме того, исследователям целесообразно отбирать белковые структуры из целевого организма для исследования.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Подготовка структуры флавокаваина В-лиганда

  1. Откройте сайт PubChem. Поиск Флавокавейна Б. Выберите Скачать и выберите Сохранить для SDF 2D-структуры как Structure2D_COMPOUND_CID_5356121.MDL SDF.
  2. Откройте программное обеспечение Avogadro. Переместите файл SDF в пустое место программного обеспечения. Нажмите кнопку Да.
    ПРИМЕЧАНИЕ: Программное обеспечение Avogadro автоматически построит трехмерную (3D) геометрию.
  3. На вкладке нажмите на значок, как показано на рисунке 1. На вкладке левого меню измените поле силы на MMFF9435,36. Настройте количество шагов для каждого обновления до 15. Установите алгоритм на Самый крутой спуск и нажмите Старт.
    ПРИМЕЧАНИЕ: Не перемещайте атомы во время вращения. Когда закончите, нажмите «Стоп». MMFF94 подходит для широкого спектра низкомолекулярных лигандов (включая как нейтральные, так и заряженные) и широко используется для минимизации энергии и молекулярного моделирования37. Метод «Самый крутой спуск» выбран для начальной минимизации энергии, потому что он прост, вычислительно эффективен и эффективен для устранения больших структурных деформаций и достижения базового состояния минимизации 38,39,40.
  4. На вкладке меню перейдите в раздел «Файл » и нажмите «Сохранить как». Когда появится папка «Сохранить молекулу как », запишите имя файла как ligand.pdb и нажмите «Сохранить».

2. Подготовка структуры белка лизоцима

  1. Откройте веб-сайт банка данных белков RCSB. Поиск лизоцима, код: 1LYZ. Нажмите «Загрузить файлы » и выберите «Формат PDB». Сохраните как 1lyz.pdb.
  2. Откройте программу Chimera. На вкладке нажмите «Файл и открыть». В папке выберите файл 1lyz.pdb.
    ПРИМЕЧАНИЕ: 3D-структура лизоцима будет построена с помощью программного обеспечения.
  3. На вкладке нажмите кнопку Выбрать остаток > > HOH. Затем нажмите Действия > Atom/Bonds > Удалить. Нажмите кнопку Выбрать и очистите выделение.
    ПРИМЕЧАНИЕ: Это удалит воду из белка.
  4. На вкладке нажмите кнопку Выбрать > цепочку > A. Затем нажмите Инструменты > Редактирование структуры > AddH. Появится окно с параметрами, которое останется по умолчанию. Нажмите OK. Нажмите кнопку Select and Clear Selection (рисунок 2).
    ПРИМЕЧАНИЕ: Это добавит водород в белок. Остаток гистидина также протонируется для создания нейтральной системы. Программное обеспечение может выполнять вычисления pKa за счет интеграции PROPKA41,42.
  5. На вкладке нажмите «Инструменты», «Редактирование структуры» и «Добавить заряд». Появится окно с параметрами; выберите Gasteiger. Нажмите OK. ПРИМЕЧАНИЕ: Это добавит частичные заряды к белку.
  6. Чтобы сохранить файл, на вкладке нажмите Файл > Сохранить PDB. Сохранить как protein.pdb.
    Примечание: В этом исследовании структура лизоцима была выбрана для сравнения с ранее опубликованным результатом31. Читателям рекомендуется тщательно подбирать белковые структуры из целевого организма, который их интересует.

3. МД-моделирование лизоцима в воде

ПРИМЕЧАНИЕ: В этом исследовании используются следующие компьютеры для моделирования молекулярной динамики (МД): Intel CORE i711-го поколения для процессора, NVIDIA GeForce RTX 2060 для графического процессора и DDR4 128 ГБ памяти. Система ОС — Ubuntu 22.04.4 LTS. Моделирование МД осуществляется с помощью программного обеспечения GROMACS. Поддержка GPU — CUDA.

  1. Загрузите все необходимые документы по этой ссылке: http://www.mdtutorials.com/gmx/lysozyme/01_pdb2gmx.html (Учебник GROMACS, Лизоцим в воде)43.
    ПРИМЕЧАНИЕ: Необходимые документы: em.mdp, ions.mdp, md.mdp. npt.mdp, nvt.mdp, charmm36 ff и protein.pdb (из шага 2.5). Для настройки системы em.mdp предназначен для минимизации энергии, а ions.mdp — для добавления ионов и нейтрализации системы. Для уравновешивания nvt.mdp предназначен для температурного равновесия, а npt.mdp — для уравновешивания давления. Для производства md.mdp предназначен для моделирования. Charmm36 ff — для топологии.
  2. Щелкните правой кнопкой мыши по пустому месту в папке (рабочем каталоге) и выберите «Открыть терминал». Введите gmx , чтобы открыть программное обеспечение GROMACS. ПРИМЕЧАНИЕ: GROMACS не имеет графического пользовательского интерфейса; Это все из команды, написанной в терминале.
  3. Для генерации топологии белка введите gmx pdb2gmx -f protein.pdb -o protein.gro –ignh. Приведен список силовых полей, тип 1 для силового поля44 CHARMM, за которым следует тип 1 для TIP3P для модели воды.
    ПРИМЕЧАНИЕ: Обновленная версия, CHARMM36, также доступна и может быть загружена с http://mackerell.umaryland.edu/charmm_ff.shtml45.
  4. Определите кубическую коробку, которая будет покрывать всю структуру белка. Введите gmx editconf -f complex.gro -o newbox.gro -c -d 1.0 -bt cubic. ПРИМЕЧАНИЕ: Белок размещается на расстоянии не менее 1 нм от края коробки. Убедитесь, что размер водяного бокса достаточен для содержания белка, растворителя и ионов. Кроме того, водяной бокс должен быть достаточным для предотвращения взаимодействия между периодическими изображениями белка. Рекомендуемое минимальное расстояние между белком и краем коробки составляет не менее 1,0–1,5 нм.
  5. Для конфигурации растворителя46 введите gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro.
  6. Добавьте ионы, такие как натрий и/или хлорид, набрав gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro.
    ПРИМЕЧАНИЕ: Ионы натрия и/или хлора используются для нейтрализации системы.
  7. Нейтрализуйте систему, набрав gmx genion -s ions.tpr -o solv_ions.gro -p topol.top -pname NA -nname CL -neutral. Выберите 13 для группы SOL.
    Примечание: Для лизоцима 8 молекул растворенного вещества были заменены ионами хлора (Рисунок 3).
  8. В файле CHARMM 36 найдите папку ions.itp . Аббревиатура для иона хлора — CLA.
  9. Откройте файл topol.top , добавьте CLA и номер 8 , как показано на рисунке 4.
  10. Откройте файл solv_ions.gro и обменяйте все CL на CLA.
    ПРИМЕЧАНИЕ: Убедитесь, что файлы solv_ions.gro и topol.top имеют одинаковую аббревиатуру соответствующих ионов, иначе появится предупреждение. Переименование имени иона происходит в соответствии с версией файла CHARMM 36 ff. Поскольку аббревиатура хлорида уже CL , нет необходимости переименовывать ионы в старой версии. Тем не менее, всегда проверяйте аббревиатуру ионов.
  11. Расслабьте структуру белка за счет минимизации энергии крутого спуска с максимальным количеством 50 000 ступеней. Для этого введите gmx grompp -f em.mdp -c solv_ions.gro -p topol.top -o em.tpr , а затем gmx mdrun -v -deffnm em.
    ПРИМЕЧАНИЕ: Растворитель и ионы уравновешиваются вокруг белка в двух фазах: (i) количество частиц (N), объем системы (V) и температура (T) постоянны (NVT) и (ii) количество частиц (N), давление в системе (P) и температура (T) постоянны (NPT). Температурная муфта (фаза NVT) устанавливается на 300 К на основе модифицированного термостата Берендсена, а напорная муфта (фаза NPT) устанавливается на 1 бар на основе термостата Парринелло-Рахмана. Дальнодействующие электростатические взаимодействия и поиск ближайшего соседа автоматически рассчитываются с помощью метода Эвальда (PME) и алгоритма Верле соответственно.
  12. Для равновесия NVT введите gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -n index.ndx -o nvt.tpr , за которым следует gmx mdrun -v -deffnm nvt.
    ПРИМЕЧАНИЕ: Время, необходимое для выравнивания температуры, составляет около 5 минут, в зависимости от процессора и графического процессора. Для системного равновесия время моделирования составляет 100 пс.
  13. Для равновесия NPT введите gmx grompp -f npt.mdp -c nvt.gro -r nvt.gro -t nvt.cpt -p topol.top -o npt.tpr , а затем gmx mdrun -v -deffnm npt.
    ПРИМЕЧАНИЕ: Время, необходимое для выравнивания давления, составляет около 5 минут, в зависимости от процессора и графического процессора. Для системного равновесия время моделирования составляет 100 пс.
  14. Пусть система проходит уравновешивающие прогоны в течение 1 нс, а затем производственный прогон с использованием функции mdrun продолжительностью 100 нс. Откройте файл md.mdp . С n шагами измените на 50000000; 2 ' 500000000 = 100000 пс (100 нс).
  15. Для производства молекулярной динамики введите gmx grompp -f md.mdp -c npt.gro -t npt.cpt -p topol.top -o md.tpr , за которым следует gmx mdrun -v -deffnm md.
    ПРИМЕЧАНИЕ: Время для этого составляет около ~2 дней. Кадры траектории, сгенерированные в результате моделирования MD, захватываются с интервалом 10 пс и используются для кластерного анализа на основе среднеквадратичного отклонения (RMSD).

4. Кластерный анализ на основе RMSD

  1. После моделирования MD продолжайте анализ команд. Белок будет диффундировать через элементарную клетку и может казаться «сломанным» или «перепрыгнуть» на другую сторону коробки. Введите gmx trjconv -s md.tpr -f md.xtc -o md_center.xtc -center -pbc mol -ur compact. Тип 1 для центрирования белка и 0 для выхода системы. Введите vmd em.gro для визуализации белка.
  2. Для анализа общей энергии введите gmx energy -f md.edr -o totalenergy.xvg и перейдите к типу 14 для общей энергии.
    ПРИМЕЧАНИЕ: Мониторинг общей энергии имеет основополагающее значение для обеспечения надежности и корректности моделирования МД47,48.
  3. Для анализа RMSD введите gmx rms -s md.tpr -f md_center.xtc -o rmsd.xvg -tu ns. Продолжайте вводить 3 для C-альфа по методу наименьших квадратов и 3 для C-альфа для вычисления RMSD (рис. 5).
  4. Для анализа RMSF введите gmx rmsf -s md.tpr -f md_center.xtc -o rmsf.xvg –res. Продолжайте до типа 1 для белка.
  5. Для использования grace введите эту команду xmgrace totalenergy.xvg. Настройте оси, дважды щелкнув по линии прямоугольника графика. Появится окно «Благодать: Топоры ». Нажмите «Принять».
  6. В меню вкладки нажмите Файл и Print_setup. Благодать: Появится окно настройки устройства. Измените устройство с PostScript на JPEG. Нажмите «Принять». Теперь нажмите «Печать» в меню «Файл». Сохраните как totalenergy.jpg.
  7. Повторите шаги 4.5 и 4.6 для команд xmgrace rmsd.xvg и xmgrace rmsfxvg.
  8. Для кластерного анализа введите gmx cluster –s md.tpr –f md_center.xtc –g cluster.log –sz cluster-size.xvg –clid clus-id.xvg –cl cluster.pdb –cutoff 1.0. Перейдите к типу 1 (белковая группа), чтобы вычислить аппроксимацию методом наименьших квадратов и среднеквадратичное значение, и типу 1 (белковая группа) для системного выхода.
    ПРИМЕЧАНИЕ: Отрегулируйте пороговое значение в соответствии с результатом кластеризации. Команда -cl представляет выходные данные среднего значения для каждого кластера.
  9. Откройте cluster-size.xvg.
    1. На основе предоставленной информации увеличьте пороговое значение RMSD, если количество кластеров невелико , или уменьшите пороговое значение RMSD, если количество кластеров велико.
  10. Повторите шаг 4.8 с другими значениями порога.
    ПРИМЕЧАНИЕ: Кластеризация с различными предельными значениями до оптимального значения RMSD была определена на основе следующих критериев: (1) Общее число кластеров должно быть ограничено менее чем 30. (2) Предпочтительно свести к минимуму присутствие кластеров только с одним членом. (3) Желательно, чтобы более 90% траектории было представлено менее чем в 10 кластерах.
  11. Откройте программу Chimera и найдите cluster.pdb.
    ПРИМЕЧАНИЕ: cluster.pdb содержит среднее значение для каждой кластерной группы.
  12. Нажмите «Подарки» и «Публикация 1» (силуэт, закругленная лента).
  13. Затем перейдите в раздел «Файл » > «Сохранить изображение » > «Сохранить».
  14. Нажмите кнопку Выбрать > цепочки (без идентификатора) > > cluster.pdb . Нажмите кнопку Выбрать > Инвертировать (все модели). Нажмите «Действия» > «Атомы/связи» > удалите.
    ПРИМЕЧАНИЕ: При этом будут удалены все кластеры группы, кроме кластера 1.
  15. Затем перейдите в раздел «Файл » > сохраните PDB > сохраните. Сохраните как cluster1.pdb.
  16. Повторите шаги 4.11–4.15 для разных кластеров. Сохраните как cluster2.pdb, cluster3.pdb и cluster4.pdb.
    Примечание: Поскольку общее количество топ-4 кластеров составляет более 90% от общего числа траекторий, каждый представитель топ-4 кластеров извлекается и подвергается молекулярному докинг-анализу с помощью Chimera (см. рис. 6).

5. Стыковка на основе ансамбля

  1. Дважды щелкните по программе Autodock Tools .
    ПРИМЕЧАНИЕ: Для стыковки в данном исследовании использовались AutoDock и программное обеспечение AutoDock 13,49,50,51.
  2. Поместите файлы cluster1.pdb и ligand.pdb в новую папку.
  3. В меню выберите пункт Файл > Настройки > Установить. Появится всплывающее окно «Установить пользовательские настройки ». Скопируйте адрес «новой папки» в виде текста. Вставьте адрес в каталог запуска в поле «Установка пользовательских настроек ». Нажмите кнопку Установить.
    ПРИМЕЧАНИЕ: Это важный шаг при использовании ОС Windows.
  4. Нажмите на изображение синей папки. Появится папка с прочитанными молекулами . Выберите cluster1.pdb.
    ПРИМЕЧАНИЕ: Инструменты Autodock будут считывать молекулярную структуру белка.
  5. Нажмите Редактировать > Расходы > Добавить сборы Коллмана. Затем нажмите OK. Щелкните Редактировать > водород > Объединить неполярные.
    ПРИМЕЧАНИЕ: К белку добавляются заряды Коллмана.
  6. Нажмите кнопку Сетка > макромолекулы > выберите ее. Появится окно «Выберите макромолекулы ». Выберите кластер 1 и нажмите кнопку Выбрать молекулы. Нажмите OK. Появится файл измененной макромолекулы AutoDock4 . Сохраните как cluster1.pdbqt.
  7. Очистите рабочую область, нажав «Изменить » > «Удалить » > «Удалить все молекулы». Нажмите «Продолжить».
  8. Нажмите кнопку Лиганд > входных данных > Открыть.  Появится файл Ligand для папки Autodock4. Выберите «Все файлы», выберите ligand.pdb и нажмите кнопку «Открыть». Нажмите OK.
    ПРИМЕЧАНИЕ: Установочный лиганд будет включать в себя включение зарядов Гастейгера и слияние неполярного водорода.
  9. Нажмите Лиганд > Торсионное дерево > Обнаружить корень.
  10. Нажмите кнопку Лиганд > выходе > сохранить как PDBQT. Появится папка Отформатированные молекулы Autotors . Сохраните как ligand.pdbqt.
  11. Очистите рабочую область, нажав «Изменить » > «Удалить » > «Удалить все молекулы». Нажмите «Продолжить».
    ПРИМЕЧАНИЕ: Следуйте той же процедуре, что и в шаге 5.6.
  12. Нажмите кнопку Сетка > макромолекулы > открыть. Выберите cluster1.pdbqt и нажмите кнопку Открыть. Нажмите кнопку Да. Нажмите «ОК».
  13. Нажмите кнопку Сетка > Задать типы карт > Открыть лиганд. Выберите ligand.pdbqt и нажмите кнопку Открыть.
    ПРИМЕЧАНИЕ: В рабочем пространстве есть белки и лиганды.
  14. Нажмите кнопку Сетка и рамка сетки. Появится окно «Параметры сетки». В поле Количество точек в x-измерении установите параметр на 120 и установите для параметра Количество точек в y-измерении значение 120, установите для параметра Количество точек в z-измерении значение 120. Установите интервал (ангстрем) равным 0,375. Оставьте параметры Center Grid Box по умолчанию. Нажмите Файл и закройте Сохранение текущего.
    ПРИМЕЧАНИЕ: Сетчатая коробка покрывает весь белок, что означает, что это слепая стыковка.
  15. Щелкните Сетка > Вывод > Сохранить GPF. Появится файл вывода параметров сетки . В имени файла введите grid.gpf и нажмите «Сохранить».
  16. Нажмите кнопку Run и запустите AutoGrid. Появится окно «Запустить автосетку». На вкладке «Имя файла параметра» нажмите «Обзор». Появится файл параметров автосетки. Выберите grid.gpf. Нажмите «Открыть». В разделе Program Pathname > Browse. Появится файл autogrid4. Найдите autogrid4.exe и нажмите «Открыть > запуск».
    ПРИМЕЧАНИЕ: Убедитесь, что имя папки не содержит пробелов, так как это может привести к ошибке во время выполнения. Папку autogrid4.exe можно установить из https://autodock.scripps.edu/download-autodock4/.
  17. Нажмите кнопку Закрепление > макромолекулами > установите жесткие имена файлов. Появится файл PDBQT Macromolecules . Выберите cluster1.pdbqt и нажмите кнопку Открыть.
  18. Нажмите «Стыковка » > Ligand > выберите нужный вариант. Появится поле Выберите лиганды . Выберите лиганд и нажмите кнопку Select Ligand. Появится окно параметра лиганда AutoDpf4 . Нажмите «Принять».
  19. Нажмите кнопку Стыковка > параметром поиска > генетическом алгоритме. Появится окно «Параметры генетического алгоритма ». Измените количество общедоступных запусков на 100. Остальные параметры оставьте по умолчанию. Нажмите «Принять».
  20. Нажмите кнопку Стыковка > Вывод > Lamarckian GA(4.2). Появится выходной файл параметра стыковки Autodock4.2 GALS. В качестве имени файла введите docking.dpf и нажмите кнопку «Сохранить».
  21. Нажмите «Выполнить» > «Запустить AutoDock». Появится окно Run Autodock. В поле «Имя файла» нажмите кнопку «Обзор». Появится файл параметров autodock4. Выберите docking.dpf. Нажмите «Открыть». В разделе Путь к программе нажмите кнопку Обзор. Появится файл autodock4. Найдите autodock4.exe и нажмите «Открыть». Нажмите кнопку Запустить.
    ПРИМЕЧАНИЕ: Убедитесь, что имя папки не содержит пробелов, так как это может привести к ошибке во время выполнения. Затрачиваемое время ~30 мин. Папку autodock4.exe можно установить по ссылке: https://autodock.scripps.edu/download-autodock4/.
  22. Удалите все молекулы, как описано в шаге 5.7.
  23. Повторите шаги из версий 5.1–5.22 для cluster2.pdb, cluster3.pdb и cluster4.pdb.
    ПРИМЕЧАНИЕ: Для анализа будут использоваться все 4 стыковочные группы.

6. Анализ стыковки на основе ансамбля

  1. Используйте программное обеспечение AutoDock Tools для продолжения анализа. Нажмите «Анализировать» > закреплении > открыть. Появится файл журнала стыковки. Выберите docking.dlg и нажмите «Открыть». Затем нажмите OK.
  2. Нажмите кнопку Анализ > макромолекулах > открыть.
  3. Нажмите кнопку «Анализ > соответствиях > воспроизведение», ранжировав их по энергии. Появится блок с лигандом.
  4. В новой папке откройте папку docking.dlg с помощью блокнота. Поиск кластерного анализа конформации. Исходя из предоставленной информации, найдите конформационный прогон (обозначенный как Run), который имеет наименьшую энергию связывания.
    Примечание: Поскольку существует 100 конформаций, только одна из них имеет самое сильное сродство связывания между лигандом и белком. Термин для обозначения самой низкой энергии связывания определяется как имеющий более сильное сродство к связыванию 52,53,54.
  5. На шаге 6.3 (лигандная коробка) введите конформационный прогон (с шага 6.4) и нажмите Enter.
    Примечание: Лиганд будет соответствующим образом располагаться внутри белка.
  6. В окошке лиганда нажмите кнопку «Открыть панель», чтобы изменить опцию игры. Появится поле Set Play Option s (Установить опцию игры). Нажмите кнопку Написать сложный. Появится записываемый комплекс папки рецептора . Сохраните как complex.pdb.
    ПРИМЕЧАНИЕ: Поскольку существует 4 кластерные группы, файл complex.pdb может быть назван соответствующим образом, например, complex1.pdb для кластерной группы 1.
  7. Откройте программу Chimera и найдите complex.pdb (как в шаге 6.6).
  8. Выберите Предустановки > Интерактив 1 (ленты) > Публикация 1 (силуэт, закругленная лента).
  9. Затем перейдите в раздел «Файл» и нажмите «Сохранить изображение».
    ПРИМЕЧАНИЕ: Сохраненное изображение представляет собой ленточную структуру комплекса FB-LYZ.
  10. Нажмите Пресеты > Интерактив 3 (гидрофобная поверхность) > Публикация 1 (силуэт, закругленная лента).
    ПРИМЕЧАНИЕ: Сохраненное изображение представляет собой структуру баллона комплекса FB-LYZ.
  11. Откройте программу Discovery Studio.
  12. Перетащите файл complex.pdb в пустое пространство программного обеспечения.
  13. Перейдите на вкладку «Инструменты » и выберите «Показать 2D-диаграмму».
    ПРИМЕЧАНИЕ: Программное обеспечение автоматически сгенерирует 2D-структуру комплекса (Рисунок 7).
  14. Нажмите «Файл» и «Сохранить как». Запишите имя файла и нажмите «Сохранить».

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Химическая структура и трехмерное структурное представление FB после оптимизации показаны на рисунке 8A. На рисунке 8B показана 3D-структура лизоцима с кодом pdb 1LYZ в начальном состоянии до моделирования МД. С целью изучения динамики и гибкости 3D-структуры лизоцима было проведено МД-моделирование за 100 нс. Общая энергия структуры белка была стабильной во время моделирования, как показано на рисунке 9А

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Применение ансамблей в вычислительном поиске лекарств включает в себя использование многочисленных конформационных ансамблей, полученных из кристаллических структур, исследований ядерного магнитного резонанса (ЯМР) или моделирования молекулярной динамики. Использование множественных вычислительных конформаций позволит включить в анализ динамику и гибкость белковой структуры, что приведет к повышению точности и надежности в идентификации потенциальных кандидатов в ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, описанную в этой статье.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта работа была поддержана грантом Universiti Malaya RMF, проект No RMF1392-2021 от Universiti Malaya.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
AutoDockНаучно-исследовательский институт Скриппса, СШАверсия 4.2.6
Инструменты AutoDock Исследовательскийинститут Скриппса, СШАверсия 1.5.6
АвогадроДжеффри Р. Хатчисон, факультет химии, Университет Питтсбурга, Питтсбург, СШАверсия 1.95
Discovery StudioDassault Systè mes, Массачусетс, СШАВерсия 2021
GROMACsУниверситет Гронингена
Королевский технологический институт
Университет Уппсалы, Швеция		Версия 2023
UCSF ChimeraРесурс для биовычислений, визуализации и информатики
Калифорнийский университет		Версия 1.16

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Niazi, S. K., Mariam, Z. Computer-aided drug design and drug discovery: a prospective analysis. Pharmaceuticals (Basel). 17 (1), 22(2023).
  2. Sadybekov, A. V., Katritch, V. Computational approaches streamlining drug discovery. Nature. 616 (7958), 673-685 (2023).
  3. Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E. W. Jr Computational methods in drug discovery. Pharmacol Rev. 66 (1), 334-395 (2014).
  4. Adelusi, T. I., et al. Molecular modeling in drug discovery. Informatics Med Unlocked. 29, 100880(2022).
  5. Durrant, J. D., McCammon, J. A. Computer-aided drug-discovery techniques that account for receptor flexibility. Curr Opin Pharmacol. 10 (6), 770-774 (2010).
  6. Korb, O., et al. Potential and limitations of ensemble docking. J Chem Inf Model. 52 (5), 1262-1274 (2012).
  7. Strecker, C., Meyer, B. Plasticity of the binding site of renin: optimized selection of protein structures for ensemble docking. J Chem Inf Model. 58 (5), 1121-1131 (2018).
  8. Pak, M. A., et al. Using AlphaFold to predict the impact of single mutations on protein stability and function. PLoS One. 18 (3), e0282689(2023).
  9. Jumper, J. M., et al. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  10. Bai, X. C., McMullan, G., Scheres, S. H. How cryo-EM is revolutionizing structural biology. Trends Biochem Sci. 40 (1), 49-57 (2015).
  11. Nakane, T., Kimanius, D., Lindahl, E., Scheres, S. H. Characterisation of molecular motions in cryo-EM single-particle data by multi-body refinement in RELION. eLife. 8, e36861(2018).
  12. Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47 (2), 124-135 (2022).
  13. Zhao, H., Caflisch, A. Molecular dynamics in drug design. Eur J Med Chem. 91, 4-14 (2015).
  14. Meng, X. Y., Zhang, H. X., Mezei, M., Cui, M. Molecular docking: a powerful approach for structure-based drug discovery. Curr Comput Aided Drug Des. 7 (2), 146-157 (2011).
  15. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  16. Teague, S. J. Implications of protein flexibility for drug discovery. Nat Rev Drug Discov. 2 (7), 527-541 (2003).
  17. Kearsley, S. K., Underwood, D. J., Sheridan, R. P., Miller, M. D. Flexibases: a way to enhance the use of molecular docking methods. J Comput Aided Mol Des. 8 (5), 565-582 (1994).
  18. Carlson, H. A., Masukawa, K. M., McCammon, J. A. Method for including the dynamic fluctuations of a protein in computer-aided drug design. J Phys Chem A. 103 (49), 10213-10219 (1999).
  19. Cavasotto, C. N., Kovacs, J. A., Abagyan, R. A. Representing receptor flexibility in ligand docking through relevant normal modes. J Am Chem Soc. 127 (26), 9632-9640 (2005).
  20. Akbari, Z., et al. HOMO-LUMO analysis and ensemble docking studies of Zn(II) complexes of bidentate and tetradentate Schiff base ligands as antileukemia agents. J Mol Struct. 1301, 137400(2024).
  21. Go, Y. J., Kalathingal, M., Rhee, Y. M. An ensemble docking approach for analyzing and designing aptamer heterodimers targeting VEGF165. Int J Mol Sci. 25 (7), 4066(2024).
  22. Ismail, C. M. K. H., et al. An ensemble docking-based virtual screening and molecular dynamics simulation of phytochemical compounds from Malaysian Kelulut Honey (KH) against SARS-CoV-2 target enzyme, human angiotensin-converting enzyme 2 (ACE-2). J Biomol Struct. , (2024).
  23. Roy, P., et al. Elucidating the mechanism of metabolism of cannabichromene by human cytochrome P450s. J Nat Prod. 87 (4), 639-651 (2024).
  24. Garai, S., Thomas, J., Dey, P., Das, D. LGBM-ACp: an ensemble model for anticancer peptide prediction and in silico screening with potential drug targets. Mol Divers. 28 (4), 1965-1981 (2024).
  25. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  26. Amaro, R. E., et al. Emerging methods for ensemble-based virtual screening. Curr Top Med Chem. 10 (1), 3-13 (2010).
  27. Amaro, R. E., et al. Ensemble docking in drug discovery. Biophys J. 114 (10), 2271-2278 (2018).
  28. Chlipała, P., et al. Multienzymatic biotransformation of flavokawain B by entomopathogenic filamentous fungi: structural modifications and pharmacological predictions. Microb Cell Fact. 23 (1), 65(2024).
  29. Kuo, Y. -F., et al. Flavokawain B, a novel chalcone from Alpinia pricei Hayata with potent apoptotic activity: involvement of ROS and GADD153 upstream of mitochondria-dependent apoptosis in HCT116 cells. Free Radic Biol Med. 49 (2), 214-226 (2010).
  30. Mohd Sakeh, N., et al. Melanogenic inhibition and toxicity assessment of flavokawain A and B on B16/F10 melanoma cells and zebrafish (Danio rerio). Molecules. 25, (2020).
  31. Feroz, S. R., et al. Interaction of flavokawain B with lysozyme: a photophysical and molecular simulation study. J Luminescence. 160, 101-109 (2015).
  32. Ding, F., et al. Potential toxicity and affinity of triphenylmethane dye malachite green to lysozyme. Ecotoxicol Environ Saf. 78, 41-49 (2012).
  33. Paramaguru, G., Kathiravan, A., Selvaraj, S., Venuvanalingam, P., Renganathan, R. Interaction of anthraquinone dyes with lysozyme: evidences from spectroscopic and docking studies. J Hazard Mater. 175 (1), 985-991 (2010).
  34. Ding, F., Zhao, G., Huang, J., Sun, Y., Zhang, L. Fluorescence spectroscopic investigation of the interaction between chloramphenicol and lysozyme. Eur J Med Chem. 44 (10), 4083-4089 (2009).
  35. Halgren, T. A. Merck molecular force field. II. MMFF94 van der Waals and electrostatic parameters for intermolecular interactions. J Comput Chem. 17 (5-6), 520-552 (1996).
  36. Sulimov, A. V., et al. Evaluation of the novel algorithm of flexible ligand docking with moveable target-protein atoms. Comput Struct Biotechnol J. 15, 275-285 (2017).
  37. Ehrman, J. N., et al. Improving small molecule force fields by identifying and characterizing small molecules with inconsistent parameters. J Comput Aided Mol Des. 35 (3), 271-284 (2021).
  38. Chaudhuri, D., Majumder, S., Giri, K. Repurposing of drugs targeting heparan sulphate binding site of dengue virus envelope protein: an in silico competitive binding study. Mol Divers. 29 (1), 87-101 (2024).
  39. Wu, N., et al. Elucidation of protein-ligand interactions by multiple trajectory analysis methods. Phys Chem Chem Phys. 26 (8), 6903-6915 (2024).
  40. Brooks, B. R., et al. CHARMM: a program for macromolecular energy, minimization, and dynamics calculations. J Comput Chem. 4 (2), 187-217 (1983).
  41. Li, H., Robertson, A. D., Jensen, J. H. Very fast empirical prediction and rationalization of protein pKa values. Proteins. 61 (4), 704-721 (2005).
  42. Powers, N., Jensen, J. H. Chemically accurate protein structures: validation of protein NMR structures by comparison of measured and predicted pKa values. J Biomol NMR. 35 (1), 39-51 (2006).
  43. Lemkul, J. A. From proteins to perturbed Hamiltonians: a suite of tutorials for the GROMACS-2018 molecular simulation package [Article v1.0]. Living J Comput Mol Sci. 1 (1), 5068(2018).
  44. Best, R. B., et al. Optimization of the additive CHARMM all-atom protein force field targeting improved sampling of the backbone ϕ, ψ and side-chain χ1 and χ2 dihedral angles. J Chem Theory Comput. 8 (9), 3257-3273 (2012).
  45. Huang, J., et al. CHARMM36m: an improved force field for folded and intrinsically disordered proteins. Nat Methods. 14 (1), 71-73 (2017).
  46. Bondi, A. van der Waals volumes and radii. J Phys Chem. 68 (3), 441-451 (1964).
  47. Shukla, R., Tripathi, T. Computer-aided drug design. , Springer Singapore. Singapore. (2020).
  48. Vlachakis, D., Bencurova, E., Papangelopoulos, N., Kossida, S. Advances in Protein Chemistry and Structural Biology. , Elsevier, Academic Press. Swansea. (2014).
  49. Forli, S., Olson, A. J. A force field with discrete displaceable waters and desolvation entropy for hydrated ligand docking. J Med Chem. 55 (2), 623-638 (2012).
  50. Cosconati, S., et al. Virtual screening with AutoDock: theory and practice. Expert Opin Drug Discov. 5 (6), 597-607 (2010).
  51. Morris, G. M., et al. AutoDock4 and AutoDockTools4: automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  52. Fu, Y., Zhao, J., Chen, Z. Insights into the molecular mechanisms of protein-ligand interactions by molecular docking and molecular dynamics simulation: a case of oligopeptide binding protein. Comput Math Methods Med. 2018, 3502514(2018).
  53. Ivanova, L., Karelson, M. The impact of software used and the type of target protein on molecular docking accuracy. Molecules. 27 (24), 9041(2022).
  54. Mohapatra, R. K., et al. Comparison of the binding energies of approved mpox drugs and phytochemicals through molecular docking, molecular dynamics simulation, and ADMET studies: an in silico approach. J Biosaf Biosecur. 5 (3), 118-132 (2023).
  55. Mude, L., et al. Molecular insights in repurposing selective COX-2 inhibitor celecoxib against matrix metalloproteinases in potentiating delayed wound healing: a molecular docking and MMPB/SA based analysis of molecular dynamic simulations. J Biomol Struct Dyn. 42 (5), 2437-2448 (2024).
  56. Uttarkar, A., Rao, V., Bhat, D., Niranjan, V. Disaggregation of amyloid-beta fibrils via natural metabolites using long timescale replica exchange molecular dynamics simulation studies. J Mol Model. 30 (3), 61(2024).
  57. Liang, J. J., Pitsillou, E., Hung, A., Karagiannis, T. C. A repository of COVID-19 related molecular dynamics simulations and utilisation in the context of nsp10-nsp16 antivirals. J Mol Graph Model. 126, 108666(2024).
  58. Hollingsworth, S. A., Dror, R. O. Molecular dynamics simulation for all. Neuron. 99 (6), 1129-1143 (2018).
  59. Polikar, R. Ensemble based systems in decision making. IEEE Circ Syst Mag. 6 (3), 21-45 (2006).
  60. Ballester, P. J., Mitchell, J. B. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking. Bioinformatics. 26 (9), 1169-1175 (2010).
  61. Yang, X., Huang, K., Yang, D., Zhao, W., Zhou, X. Biomedical big data technologies, applications, and challenges for precision medicine: a review. Global Chall. 8 (1), 2300163(2024).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Ensemble Based DockingProtein Structure FlexibilityMolecular Dynamics SimulationStructure Based Drug DiscoveryProtein Conformation ClusteringLigand DockingRoot Mean Square DeviationFlavokawain B BindingElectrostatic Surface MappingComputational Drug Discovery

Похожие статьи