Методическая статья

Моделирование фармакофоров для мишеней с обширными библиотеками лигандов: тематическое исследование SARS-CoV-2 Mpro

2.5K просмотров

⸱

DOI:

10.3791/68933

⸱

26 сентября 2025 г.

 ,  , 
1School of Medicine, Universidad Nacional Autónoma de México (UNAM), 2Investigadores por México, Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI), 3Research and Development in Biotherapeutics Unit (UDIBI), National School of Biological Sciences, National Polytechnic Institute, 4National Laboratory for Specialized Services of Investigation, Development and Innovation (I+D+i) for Pharma Chemicals and Biotechnological products, LANSEIDI-FarBiotec-CONAHCYT, 5Immunology Department, National School of Biological Sciences, National Polytechnic Institute

В этой статье

Краткое содержание

В данной статье представлен протокол построения консенсусной модели фармакофора путем интеграции молекулярных особенностей из нескольких лигандов. Этот метод применим для разработки лекарств, нацеленных на любую биологическую мишень с известными конформациями, связанными с лигандом, что позволяет идентифицировать ключевые особенности взаимодействия для виртуального скрининга и рационального дизайна лекарств.

Аннотация

Фармакофор определяет пространственное расположение молекулярных особенностей, необходимых для оптимального взаимодействия между соединением и его биологической мишенью. Эти модели могут быть получены путем анализа межмолекулярных взаимодействий между мишенью и набором известных лигандов в их конформациях связывания. Консенсусный фармакофор объединяет общие черты нескольких лигандов, уменьшая систематическую ошибку модели и повышая прогностическую эффективность. Тем не менее, создание надежного консенсусного фармакофора из большого и химически разнообразного набора лигандов сопряжено с техническими трудностями.

В данной работе мы представляем протокол построения консенсусных фармакофоров с использованием ConPhar, информатического инструмента с открытым исходным кодом, предназначенного для идентификации и кластеризации фармакофорных особенностей в нескольких лиганд-связанных комплексах. Протокол включает в себя генерацию, уточнение и применение модели для виртуального скрининга сверхбольших молекулярных библиотек. В качестве примера мы применили метод к основной протеазе SARS-CoV-2 (Mpro), используя сто нековалентных ингибиторов, совместно кристаллизованных с мишенью. Полученная модель фармакофора зафиксировала ключевые особенности взаимодействия в каталитической области Mpro и позволила идентифицировать новые потенциальные лиганды.

Эта стратегия широко применима к любой биологической мишени, для которой доступны конформации, связанные с лигандом. Это особенно ценно для мишеней с обширными наборами данных лигандов и способствует рациональному открытию лекарств за счет упрощения идентификации новых кандидатов с желаемыми профилями взаимодействия.

Введение

Фармакофорное моделирование является основополагающим методом в компьютерном проектировании лекарственных средств, позволяющим идентифицировать основные молекулярные особенности, ответственные за биологическую активность 1,2. Фармакофор определяет пространственное расположение признаков, таких как доноры водородных связей, акцепторы, ароматические кольца и гидрофобные области, необходимые для молекулярного взаимодействия между лигандом и биологическоймишенью. При наличии нескольких комплексов лиганд-мишень либо с помощью экспериментальной кристаллографии, либо с помощью молекулярного моделирования, общие паттерны взаимодействия могут быть интегрированы в консенсусные фармакофорные модели, повышая надежность модели и повышаяточность виртуального скрининга.

Несмотря на полезность согласованных фармакофоров, их создание остается технически сложной задачей, особенно когда лиганды структурно разнообразны. Существует несколько программных инструментов для создания фармакофоров из отдельных лигандов, но отсутствуют стандартизированные процедуры для интеграции нескольких наборов признаков в когерентную модель 6,7. Более того, лишь немногие платформы предлагают комплексные рабочие процессы, поддерживающие кластеризацию функций, фильтрацию и экспорт в форматах, совместимых с инструментами скрининга и визуализации8. Эти ограничения ограничивают широкое внедрение согласованных фармакофоров в крупномасштабных усилиях по разработке лекарств.

Чтобы восполнить этот пробел, ConPhar был разработан как новый инструмент с открытым исходным кодом, предназначенный специально для систематического извлечения, кластеризации и консенсусного моделирования фармакофорных особенностей из обширных наборов предварительно выровненных комплексов лиганд-мишень. В отличие от существующего программного обеспечения, ConPhar предлагает гибкую настройку параметров, автоматическую интеграцию функций и совместимость с несколькими форматами вывода, что облегчает создание надежных моделей консенсуса, подходящих для виртуальных конвейеров скрининга. Таким образом, этот инструмент устраняет предыдущие узкие места в работе с большими и химически разнообразными библиотеками лигандов, повышая воспроизводимость и масштабируемость в рабочих процессах моделирования фармакофоров.

Чтобы продемонстрировать этот подход, мы представляем воспроизводимый протокол построения консенсусных фармакофорных моделей из коллекций комплексов лиганд-мишень. Рабочий процесс включает в себя инструменты с открытым исходным кодом для извлечения фармакофорных признаков, кластеризации, визуализации и последующих приложений. В качестве тематического исследования мы применили протокол к основной протеазе SARS-CoV-2 (Mpro), критической терапевтической мишени с обширными структурными данными9. Мы отобрали набор данных из 100 нековалентных лигандов, сокристаллизованных с Mpro (записи PDB по состоянию на 27 мая 2025 года), исключая apo формы и избыточные комплексы. Отдельные фармакофорные признаки были выделены и объединены в модель консенсуса с помощью ConPhar, инструмента, специально разработанного для кластеризации признаков10. Этот случай иллюстрирует способность протокола выявлять консервативные шаблоны взаимодействия и поддерживать рациональный скрининг сверхбольших библиотек.

Протокол

1. Способ 1

  1. Подготовка лигандов к генерации фармакофоров на основе консенсуса
    1. Выравнивание всех белково-лигандных комплексов с помощью программного обеспечения PyMOL11.
    2. Извлеките каждый выровненный лигандный конформер и сохраните его в виде отдельного файла в формате SDF.
      ПРИМЕЧАНИЕ: Другие форматы, такие как MOL, MOL2 и PDB, также могут быть использованы для описанного здесь протокола.
  2. Создание фармакофорных JSON-файлов с помощью Pharmit12
    1. Загрузите каждый файл лиганда по отдельности в Pharmit с помощью опции «Загрузить функции » (ссылку на Pharmit см. в Таблице материалов ).
    2. Используйте опцию «Сохранить сеанс », чтобы загрузить соответствующий файл JSON фармакофора.
  3. Организация файлов JSON для использования в ConPhar
    1. Храните все загруженные файлы JSON в одной папке. Эти файлы будут загружены в среду Google Colab в следующем методе.

2. Способ 2

  1. Настройка среды Google Colab
    1. Запустите новую записную книжку Google Colab: откройте Google Colab в веб-браузере, создайте новую записную книжку и настройте параметры для использования более ранней версии, выбрав Время выполнения → Изменить время выполнения → версии 2025.07.
    2. Установите Conda и PyMOL. Код, необходимый для установки Conda и PyMOL в Google Colab, представлен здесь курсивом для справки, а полный исполняемый скрипт также доступен во вспомогательном файле 1.
      # Установить CondaColab: Включает поддержку среды Conda в Google Colab
      из IPython.utils import io
      Импорт tqdm.notebook
      Импорт ОС
      Итого = 100
      с tqdm.notebook.tqdm(total=total) в качестве pbar:
      с io.capture_output() в качестве захваченного:
      # Установите CondaColab
      !pip install -q condacolab
      Импорт Condacolab
      condacolab.install()
      pbar.update(10)
      # Обновление пути Python для поиска установленных пакетов
      Импорт системы
      sys.path.append('/usr/local/lib/python3.7/site-packages/')
      pbar.update(20)
      # Установите бандл PyMOL с помощью mamba с канала Schrodinger
      %shell mamba install -c schrodinger pymol-bundle --да
      pbar.update(90)
    3. Проверьте успешное выполнение: запустите ячейку, нажав значок воспроизведения или нажав Shift + Enter. При успешном выполнении над ячейкой появится горизонтальная зеленая полоса (см. Рисунок 1).
  2. Установите пакет ConPhar Python и импортируйте необходимые модули
    1. Установите и импортируйте ConPhar. Код, необходимый для установки пакета ConPhar и импорта необходимых модулей в Google Colab, представлен здесь курсивом для справки, а полный исполняемый скрипт также доступен во вспомогательном файле 1.
      # Установите пакет для анализа фармакофора ConPhar
      Импортный пимол
      !pip установить conphar
      Из Конфара. Импортные фармакофоры parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore
      Импорт ОС
      Импорт панд в качестве PD
      ПРИМЕЧАНИЕ: Оператор импорта от conphar. Фармакофоры разделены на несколько строк для ясности, но они должны быть введены как одна непрерывная линия. Инструмент ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) находится в активной разработке. Текущий протокол использует стабильную версию (0.1.2), которая была проверена для описанной процедуры. Пользователям рекомендуется использовать эту версию для обеспечения воспроизводимости.
    2. Подтвердите успешную установку: Запустите ячейку, нажав значок воспроизведения или нажав Shift + Enter. После успешной установки и импорта инструментов ConPhar появится сообщение с подтверждением (см. рисунок 2).
  3. Загрузка отдельных моделей фармакофора из файлов JSON
    1. Создайте папку для файлов JSON фармакофора. Код, необходимый для создания папки для хранения входных файлов фармакофора в Google Colab, представлен здесь в форме, выделенной курсивом для справки, а полный исполняемый скрипт также доступен во Вспомогательном файле 1.
      # Создание папки для хранения входных JSON-файлов
      os.makedirs("JSON_FOLDER", exist_ok=True)
      ПРИМЕЧАНИЕ: Эта команда автоматически создает папку, если она еще не существует.
    2. Загрузите файлы JSON в папку: нажмите значок папки на левой панели Colab, откройте только что созданную папку и щелкните правой кнопкой мыши, чтобы выбрать «Загрузить». Добавьте необходимые файлы JSON (см. рис. 3).
      ПРИМЕЧАНИЕ: Убедитесь, что файлы соответствуют ожидаемому формату, сгенерированному Pharmit.
  4. Анализ и обобщение фармакофорных особенностей
    1. Извлечение фармакофорных особенностей из загруженных файлов. Код, необходимый для разбора загруженных файлов JSON, извлечения фармакофорных признаков и их хранения в одном кадре данных в Google Colab, представлен здесь в форме, выделенной курсивом для справки, а полный исполняемый сценарий также доступен во вспомогательном файле 1.
      p4_table=пд. ДатаФрейм()
      Для файла в os.listdir('/content/JSON_FOLDER'):
      Если '.json' в файле:
      попытка:
      p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}")
      p4['ligand']=file.replace('.json','')
      p4_table=pd.concat([p4_table,p4],ignore_index=True)
      за исключением исключения:
      проходить
      p4_table
    2. Запустите ячейку, щелкнув значок воспроизведения или нажав Shift + Enter , чтобы сгенерировать объединенный DataFrame (см. Рисунок 4). Полученная в результате консолидированная база данных компилирует все фармакофорные признаки, извлеченные из отдельных лигандов, в единую таблицу, облегчая последующую кластеризацию и статистический анализ.
      ПРИМЕЧАНИЕ: Скрипт включает базовую обработку исключений для обхода неправильно сформированных JSON-файлов во время обработки и предотвращения прерывания рабочего процесса. Учитывая большое количество файлов, предварительная проверка каждого из них нецелесообразна; Вместо этого сценарий можно изменить таким образом, чтобы вывести имя любого файла, который не загружается, чтобы пользователь мог проверить и исправить его по отдельности.
  5. Создание и сохранение согласованного фармакофора
    1. Отобразите все фармакофорные дескрипторы. Код, необходимый для визуализации фармакофорных дескрипторов, извлеченных из входных файлов в Google Colab, представлен здесь курсивом для справки, а полный исполняемый сценарий также доступен во вспомогательном файле 1.
      show_pharmacophoric_descriptors(p4_table)
    2. Запустите ячейку, щелкнув значок воспроизведения или нажав Shift + Enter , чтобы визуализировать кластеризацию фармакофорных признаков (см. рисунок 5). Кластеризованные признаки группируют сходные фармакофорные признаки по нескольким лигандам на основе их пространственного положения, что позволяет идентифицировать консервативные паттерны взаимодействия.
    3. Сохраните модель фармакофора в формате PyMOL. Код, необходимый для создания и сохранения модели фармакофора консенсуса в PyMOL-совместимом формате в Google Colab, представлен здесь курсивом для справки, а полный исполняемый сценарий также доступен во вспомогательном файле 1.
      save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')
    4. Запустите ячейку, чтобы создать соответствующий файл .pse (см. рис. 6).
    5. Сохраните модель фармакофора в формате JSON. Код, необходимый для создания и сохранения модели согласованного фармакофора в формате, совместимом с Pharmit, в Google Colab представлен здесь в форме, выделенной курсивом для справки, а полный исполняемый сценарий также доступен во вспомогательном файле 1.
      ​save_pharmacophore_to_json(p4_table,out_file=
      «ConPhar_pharmit.json»)
    6. Запустите ячейку, чтобы создать соответствующий файл .json (см. рисунок 6).
    7. Создание кластеризованных по объектам выходных данных и древовидных диаграмм. Код, необходимый для создания консенсусных фармакофорных файлов, сгруппированных по типам функций, включая форматы, совместимые с PyMOL и Pharmit, а также визуализации дендрограмм в Google Colab представлен здесь в форме, выделенной курсивом для справки, а полный исполняемый сценарий также доступен во вспомогательном файле 1.
      concensus,links=compute_concensus_pharmacophore
      (p4_table,save_data_per_descriptor=True,out_folder='/content')
    8. Запустите ячейку, кликнув по значку воспроизведения или нажав Shift + Enter (см. Рисунок 7). Результаты отображают визуализацию дендрограммы, которая в форме дерева представляет иерархические отношения между кластерными фармакофорными признаками, помогая пользователям интерпретировать степень сходства и пространственной близости между кластерами.
      ПРИМЕЧАНИЕ: На этом шаге несколько выходных файлов и рисунков сохраняются в указанную папку.
    9. Экспортируйте результаты согласованного фармакофора в файл CSV. Код, необходимый для сохранения окончательной согласованной фармакофорной таблицы в формате CSV в Google Colab, представлен здесь в форме, выделенной курсивом для справки, а полный исполняемый сценарий также доступен во вспомогательном файле 1.
      concensus.to_csv('consensus_result.csv', index=False)
    10. Запустите ячейку, щелкнув значок воспроизведения или нажав Shift + Enter , чтобы экспортировать данные фармакофора консенсуса в файл CSV с именем consensus_result.csv для дальнейшего анализа (см. рисунок 8).
      ПРИМЕЧАНИЕ: Файл CSV облегчает работу с последующими приложениями, такими как статистический анализ или визуализация в программном обеспечении для работы с электронными таблицами.
  6. Используйте консенсусный фармакофор для виртуального скрининга
    1. Экспортируйте согласованный фармакофор в формате JSON. Убедитесь, что файл содержит пространственные координаты для всех объектов. Этот формат напрямую совместим с веб-инструментами скрининга, такими как Pharmit12. Чтобы провести виртуальный скрининг, загрузите JSON-файл фармакофора на сервер Pharmit с помощью опции «Загрузить функции ». Сервер позволяет уточнять модель путем изменения, добавления или удаления функций, а также проверки на наличие больших библиотек соединений, таких как PubChem13или ZINC14.
      ПРИМЕЧАНИЕ: Все скрипты, необходимые для воспроизведения анализов, описанных в этом исследовании, представлены в Вспомогательном файле 1, а также могут быть доступны в интерактивном режиме через https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. Читателям рекомендуется создать личную копию блокнота Colab для запуска и изменения анализов без изменения исходного сценария.

figure-protocol-1
Рисунок 1: Скриншот первого блока кода, используемого для настройки среды Google Colab путем установки CondaColab. Горизонтальный синий индикатор выполнения появляется над ячейкой во время выполнения и становится зеленым после успешного завершения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-protocol-2
Рисунок 2: Скриншот второго блока кода, используемого для установки пакета ConPhar в Google Colab. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-protocol-3
Рисунок 3: Скриншот, показывающий фармакофорные файлы JSON, успешно загруженные в указанную папку в Google Colab. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-protocol-4
Рисунок 4: Скриншот, показывающий код, используемый для извлечения фармакофорных признаков из файлов JSON и их объединения в единый кадр данных. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-protocol-5
Рисунок 5: Визуализация кластеризации фармакофорных признаков, созданной в ходе построения консенсусной фармакофорной модели. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-protocol-6
Рисунок 6: Скриншот, показывающий успешную генерацию файлов фармакофора консенсуса в форматах, совместимых с PyMOL и Pharmit. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-protocol-7
Рисунок 7: Скриншот, показывающий генерацию файлов фармакофора консенсуса, кластеризованных по типам признаков, включая выходные данные для визуализаций PyMOL, Pharmit и дендрограмм. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-protocol-8
Рисунок 8: Скриншот, показывающий успешный экспорт данных консенсусной фармакофора в файл consensus_result.csv. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Результаты

Сто комплексов Mpro, сокристаллизованных с различными нековалентными ингибиторами, были выровнены, как показано на рисунке 9А. Затем каждый лиганд извлекали в виде отдельного файла (рис. 9B) и затем загружали на сервер Pharmit. Сеанс был сохранен для создания соответствующего файла JSON (см. рис. 9C).

figure-results-1
Рисунок 9: Препарат лиганда для моделирования фармакофора на основе консенсуса. (A) Структурное выравнивание трех репрезентативных комплексов Mpro, совместно кристаллизованных с нековалентными ингибиторами. (B) Суперпозиция 100 лигандов, включенных в данное исследование. (C) Загрузите каждый лиганд на сервер Pharmit с помощью опции «Загрузить функции», а затем сгенерируйте файл JSON с помощью опции «Сохранить сессию». Оба варианта обозначены красными стрелками. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Полный набор файлов JSON был использован для создания консенсусной модели фармакофора, которая включала 1450 фармакофорных признаков, сгруппированных в 110 кластеров: 23 ароматических (Aro), 30 акцепторов водородных связей (HBA), 16 доноров водородных связей (HBD), 36 гидрофобных (Hyd) и 5 отрицательно заряженных (анионных) кластеров (рис. 10A, дополнительная таблица 1)). Мы определили более крупные кластеры для каждого признака для их включения в модель консенсуса. Среди кластеров Aro мы выбрали те, в которых более 20 элементов. Из групп HBA, HBD и Hyd мы сохранили кластеры, состоящие не менее чем из 50 элементов. Ни в одном из анионных кластеров не было более 4 членов, поэтому они были исключены из модели консенсуса (рис. 10B). Эти числовые пороговые значения (>20 членов для Aro; ≥50 для HBA, HBD и Hyd) были эмпирически определены на основе распределения размеров кластеров для определения приоритетов наиболее консервативных и густонаселенных моделей взаимодействия.

figure-results-2
Рисунок 10: Кластеризация фармакофорных признаков из 100 комплексов Mpro-лигандов. (A) Распределение 1450 фармакофорных признаков: ароматический (Aro) в фиолетовом, акцептор водородных связей (HBA) в оранжевом, донор водородных связей (HBD) в белом, гидрофобный (Hyd) в зеленом и отрицательно заряженный (Anion) в красном. (B) Кластеры, содержащие ≥10 членов, показаны для Aro, HBA, HBD и Hyd; отображаются все кластеры анионов. Самые крупные кластеры, определенные как кластеры с ≥20 членами для Aro, ≥50 членами для HBA, HBD и Hyd и ≥4 членами для Anion, выделены пунктирными сферами. Количество участников в каждом из крупнейших кластеров указывается явно. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Таким образом, наша консенсусная фармакофорная модель включала 11 признаков: 3 ароматических (Aro) признака, Aro 1, 2 и 3, полученных из кластеров с 20, 24 и 45 членами соответственно; 4 акцептора водородных связей (HBA), HBA 1, 2, 3 и 4, из кластеров с 51, 55, 77 и 81 членом соответственно; 2 донора водородных связей (HBD) из кластеров с 51 и 71 членом соответственно; и 2 гидрофобные (Hyd) особенности из кластеров с 50 и 52 членами соответственно (см. рисунок 11A).

Фармакофорная модель была использована для поиска в базе данных PubChem с использованием стратегии, о которой сообщалось ранее10, но совпадений обнаружено не было. Чтобы повысить гибкость поиска, ароматическая особенность Aro 1, полученная из самого маленького и наименее репрезентативного кластера, была удалена. Эта корректировка привела к идентификации двух попаданий, в том числе конформера соединения с PubChem CIDs 101267741 и 10285538 (см. рис. 11B). Двумерная химическая структура соединения 101267741 показана на рисунке 11C. Интересно, что это идентифицированное соединение хорошо вписывается в карман связывания Mpro. Сравнительный анализ с сокристаллизованным лигандом 38a15 (PDB ID: 9HAJ) показывает, что фармакофорно-совместимый конформер 101267741 зарыт еще глубже, чем 38a, в подкарманах S1 и S2 Mpro. Тем не менее, 38a занимает более широкую область кармана, в основном благодаря своей боковой цепи из этилкарбоксамида, которая простирается по направлению к карману S1'. Тем не менее, ключевые межмолекулярные взаимодействия 38a включают в себя другие фрагменты, а не эту боковую цепь. В отличие от него, соединение 101267741 образует 11 межмолекулярных взаимодействий, включая семь водородных связей и четыре гидрофобных контакта. По сравнению с тремя водородными связями и двумя гидрофобными взаимодействиями, образованными 38a, режим связывания соединения 101 кажется более сильным (фиг. 11D).

figure-results-3
Рисунок 11: Поиск фармакофоров в базе данных PubChem. (А) Полная согласованная фармакофорная модель содержит 11 признаков: 3 ароматических (фиолетовых), 4 акцептора водородных связей (оранжевые), 2 донора водородных связей (белые) и 2 гидрофобных (зеленых). (B) Конформер соединения PubChem 101267741 выровнен с моделью восстановленного фармакофора после удаления функции Aro 1, и (C) Двумерная химическая структура идентифицированного соединения. (D) Сравнительный анализ способов связывания соединения 38a (пурпурный; от PDB ID: 9HAJ) и соединения PubChem CID 101267741 (зеленый) к каталитическому карману SARS-CoV-2 Mpro. Соответствующие межмолекулярные взаимодействия для каждого соединения показаны справа. Водородные связи и гидрофобные взаимодействия показаны пунктирными линиями синего и серого цветов соответственно. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Вспомогательный файл 1: Сценарий рабочего процесса фармакофора. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Вспомогательная таблица 1: Сводка по кластеризации фармакофорных признаков. Количество кластеров, Стержни в кластере, Координаты центроида и Радиусы кластеров Нажмите здесь, чтобы скачать этот файл.

Обсуждение

Фармакофорное моделирование способствует рациональному открытию лекарств16. Подробно описанный здесь протокол был использован для создания консенсусного фармакофора для основной протеазы SARS-CoV-2 (Mpro), начиная с десятков нековалентных ингибиторов, но он может быть применен к любой биологической мишени с известными конформациями, связанными с лигандами, особенно с обширными наборами данных лигандов. По сравнению с индивидуальными фармакофорными или чисто лигандными моделями, такой консенсусный подход повышает надежность и снижает систематическую ошибку за счет интеграции нескольких конформаций лигандов. Модель консенсусного фармакофора, созданная этим протоколом, может быть применена к различным молекулярным библиотекам, включая общедоступные базы данных, такие как ChEMBL17и ZINC14, коммерческие коллекции и собственные библиотеки соединений. Такая универсальность позволяет исследовать обширные и разнообразные химические пространства в рамках виртуальных кампаний скрининга, тем самым повышая вероятность выявления новых биологически активных соединений. Таким образом, этот рабочий процесс поддерживает идентификацию новых биологически активных соединений с желаемыми профилями взаимодействия.

Одним из важнейших этапов этого протокола является точная подготовка и выравнивание комплексов лиганд-мишень. Точное предварительное выравнивание лигандов в их биоактивных конформациях имеет важное значение для обеспечения значимой и надежной интеграции признаков, поскольку несогласованность может ослабить предсказательную силу модели10. Для достижения оптимального выравнивания мы рекомендуем выполнять структурную суперпозицию с использованием остатков консервативных сайтов связывания белков или основных атомов. Для наборов данных с различными лигандами согласование ключевых точек взаимодействия или фармакофорных характеристик повышает согласованность по всему набору. Кроме того, рекомендуется тщательный ручной контроль и коррекция конформаций выделяющихся лигандов для предотвращения артефактов, которые могут снизить точность модели. Кроме того, открытый исходный код ConPhar облегчает интеграцию в другие вычислительные рабочие процессы, а также расширенную настройку параметров кластеризации. Опытные пользователи могут модифицировать параметры кластеризации фармакофорных признаков, чтобы получить баланс между общностью и специфичностью модели. Эти изменения могут определяться размером набора данных лигандов, химическим разнообразием или сложностью мишени. Например, при работе с сильно разнообразными лигандами пошаговая кластеризация или анализ подгрупп могут лучше охватить релевантные признаки18.

Инструмент ConPhar в настоящее время находится в активной разработке. Это обеспечивает значительную гибкость для пользователей, желающих адаптировать инструмент к конкретным исследовательским потребностям, включая интеграцию с дополнительными программными конвейерами. Однако, поскольку программное обеспечение все еще может претерпевать изменения, пользователям рекомендуется следить за официальными обновлениями и обращаться к документации по конкретным версиям. Сообщение о возникших проблемах будет способствовать его дальнейшему совершенствованию и более широкой проверке сообществом. Наш протокол позволит строить модели с комплексными шаблонами взаимодействия, что позволяет использовать их при виртуальном скрининге больших библиотек. В наших репрезентативных результатах мы использовали полученный фармакофор для идентификации двух новых потенциальных лигандов для каталитической области Mpro. В конечном счете, этот метод согласованного фармакофора упрощает идентификацию попаданий и ускоряет оптимизацию лидов.

Тем не менее, мы выявили следующие ограничения протокола: i) зависимость от высококачественных лиганд-связанных структур, поскольку данные с низким разрешением могут снизить точность модели; ii) риск упущения уникальных и важных взаимодействий, имеющих решающее значение для конкретных лигандов, поскольку в фармакофоре консенсуса акцентируются общие черты; и iii) на воспроизводимость может влиять различное определение функций в различных программных средствах19. Тем не менее, эти ограничения могут быть преодолены путем уточнения структуры системы белок-лиганд с помощью моделирования молекулярной динамики20, удержания кластера на основе знаний пользователя и последовательного использования программного обеспечения для идентификации фармакофорных особенностей.

Несмотря на то, что модель фармакофора консенсуса в этом протоколе не была проверена с использованием классических двоичных метрик, ее прогностическая способность была продемонстрирована в предыдущем исследовании. В этой работе был использован независимый тестовый набор из 78 химически разнообразных лигандов для валидации консенсусного фармакофора, созданного по той же методологии. Валидационный набор включал лиганды с сходством по Танимото ≤0,5, молекулярной массой от 200 до 700 г/моль, ≤17 вращающимися связями и, по крайней мере, тремя фармакофорными особенностями. Модель успешно идентифицировала известные активные вещества, что подтверждает ее применимость в рабочих процессах виртуального скрининга и ее устойчивость к химически разнообразным кандидатам.

Представленный здесь протокол позволяет создавать фармакофорные модели, которые фиксируют комплексные паттерны взаимодействия, характерные для мишени. Это особенно ценно для мишеней с обширными лигандными данными, такими как вирусные протеазы, киназы и ядерные рецепторы21. Сгенерированные модели пригодны для виртуального скрининга больших библиотек соединений, что облегчает идентификацию новых биоактивных кандидатов. Выделяя консервативные и функционально значимые признаки, консенсусный фармакофорный подход поддерживает как обнаружение попаданий на ранних стадиях, так и последующую оптимизацию лидов.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Настоящее исследование было частично профинансировано PAPIIT UNAM IV200121 (M.A.V-V.), SECIHTI project Cátedras CONACYT 639 (L.C-B. и M.A.V-V.), LANCAD-UNAM-DGTIC-386 (L.C-B.) и Отделом исследований и разработок в области биотерапии (UDIBI).

Авторы выражают признательность Эдуардо Ороско за его ценную поддержку и глубокий вклад в разработку этой рукописи.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Google ColabООО «Гугл»https://colab.googleВеб-платформа для запуска блокнотов на Python; используется здесь для выполнения скриптов ConPhar и PyMOL для моделирования фармакофоров на основе консенсуса.
ФармитЛаборатория Коэса в Университете Питтсбургаhttps://pharmit.csb.pitt.edu/search.htmlВеб-платформа для интерактивного виртуального скрининга фармакофоров и исследования химического пространства, позволяющая загружать файлы лигандов и генерировать фармакофорные характеристики
ПиМОЛSchrö Дингер, Инк.https://www.pymol.orgПрограммное обеспечение для молекулярной визуализации и структурного выравнивания, используемое для белков– Суперпозиция и анализ лигандных комплексов
Вспомогательный файл 1 Сценарий рабочего процесса фармакофораООО «Гугл»https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharingПолный исполняемый скрипт для установки Conda, PyMOL и запуска рабочего процесса фармакофора в Google Colab. Также предоставляется в качестве вспомогательного файла 1.

Ссылки

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

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи