Методическая статья

Воспроизводимый вычислительный рабочий процесс для открытия лекарственных средств для стандартизации сетевой фармакологии и молекулярного док-анализа

462 просмотров

⸱

DOI:

10.3791/70171

⸱

24 апреля 2026 г.

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

* These authors contributed equally

В этой статье

Краткое содержание

Этот стандартизированный протокол объединяет сетевую фармакологию и молекулярное докирование с моделированием молекулярной динамики (MD) для обнаружения лекарств. Он устанавливает количественные критерии скрининга и воспроизводимые этапы, подходящие для многоцелевого скрининга лекарств с использованием публичных наборов данных и повышает надёжность результатов.

Аннотация

Сетевая фармакология и молекулярное докирование широко применяются в поиске лекарств, однако фрагментированные рабочие процессы и непоследовательные операции часто подрывают воспроизводимость результатов. Здесь описывается стандартизированный протокол, интегрирующий эти подходы в воспроизводимую структуру для скрининга лекарств и изучения механизмов, при этом рабочий процесс организован в три последовательных этапа: подготовка данных, вычислительный анализ и валидация. На этапе подготовки библиотеки соединений из публичных баз данных фильтруются по критериям абсорбции, распределения, метаболизма, экскреции и токсичности (ADMET), включая пероральную биодоступность, подобие препарата и прогнозирование токсичности, а потенциальные терапевтические цели получаются через прогнозирование целей и интеграцию баз данных, связанных с заболеваниями, для всестороннего выявления кандидатов на взаимодействие лекарств и заболевания. На этапе вычислительного анализа перекрывающиеся мишени проходят анализ обогащения генной онтологии (GO) и Киотской энциклопедии генов и геномов (KEGG) и топологического анализа сетей взаимодействия белков для определения основных целей; молекулярное стыковывание конфигурировано с двумя стандартизированными опциональными стратегиями с явными преимуществами. Двухэтапная прогрессивная стратегия использует AutoDock Vina для высокопроизводительного предварительного скрининга библиотеки соединений, за которым следует точное повторное стыкование с помощью YASARA, что исключает ложноположительные результаты при высокопроизводительном скрининге и создаёт белко-лигандовые комплексы, нативно совместимые с последующим моделированием молекулярной динамики YASARA (MD), чтобы избежать структурных отклонений, вызванных межпрограммным преобразованием. Одноэтапная стратегия завершает весь процесс стыковки только с помощью YASARA, что упрощает рабочий процесс, повышает эффективность экспериментов и полностью применимо для конкретных целей. На этапе валидации стандартизированные MD-симуляции оценивают стабильность комплекса лиганд-белок с помощью основных метрик отклонения корня-среднего квадрата (RMSD) и флуктуации среднего квадрата (RMSF). Этот унифицированный, воспроизводимый конвейер повышает надёжность сетевой фармакологии и докинговых исследований, а также облегчает сравнения перекрёстных исследований при вычислительном открытии лекарств.

Введение

Сетевая фармакология представляет собой исследовательский подход, который расшифровывает паттерны взаимодействия между лекарствами и организмом с точки зрения целостной сети1. Построивая и анализируя сеть взаимодействия, охватывающую путь лекарственного компонента-таргета-болезнь-биологический путь, она количественно определяет ключевые молекулы, основные пути и синергетические механизмы, через которые лекарства оказывают свои эффекты. Эта аналитическая основа соответствует международному стандарту сетевой фармакологии, который делает упор на мультиомическую интеграцию данных и топологический сетевой анализ, а в конечном итоге проясняет общие терапевтические эффекты лекарств, прогнозирует потенциальные побочные эффекты или предоставляет систематические рекомендации для разработки новых лекарств. Такая стратегия успешно применяется в различных областях, включая расшифровку сигнальных путей, связанных с белками-мишени нестероидных противовоспалительных препаратов (НПВС) против COVID-19, а также изучение механизма действия таких заболеваний, как остеосаркома и сахарный диабет 2типа 2,3,4. Это преимущество способствует переходу парадигмы от открытия препаратов с одной мишени к нескольким в современной фармакологии.

Молекулярное стыкование — это вычислительный метод моделирования, использующий алгоритмическое моделирование для оценки пространственной совместимости и силы взаимодействия между маломолекулярными соединениями и биологическими макромолекулярными целями, тем самым предсказывая оптимальные конфигурациисвязывания 5,6. Моррис и др. представили AutoDock4 и AutoDockTools4, которые позволяют автоматизировать стыковку с селективной гибкостью рецепторов; эти инструменты основаны на молекулярной динамике и молекулярной геометрии и оценивают устойчивость и аффинность связывания путём вычисления энергетических разностей междумолекулами 7. Классические инструменты, такие как AutoDock, используют моделирование полугибкого лиганд-рецепторного рецептора и стали золотым стандартом для оценки аффинности связывания в таких симуляциях7.

В разработке лекарств часто применяются методы сетевого фармакологического скрининга для выявления ключевых компонентов, которые затем проверяются молекулярным докированием для оценки их связывания с целевой белкой, что в конечном итоге устанавливает связь между препаратом изаболеванием 8. Однако современные приложения часто страдают от несогласованного экспериментального дизайна, нестандартизированных операционных процедур и отсутствующих этапов валидации. Систематическая оценка исследований сетевой фармакологии, связанной с травяной медициной, задокументировала эту распространённую проблему, отмечая, что гетерогенность данных в базах данных и недостаточная экспериментальная валидация приводят к невоспроизводимымрезультатам 9. Эти ограничения не только подрывают воспроизводимость и надёжность результатов исследований, но и препятствуют переводу вычислительных прогнозов в экспериментальную валидацию. В отличие от изолированных сетевых фармакологических исследований, отсутствующих экспериментальной валидации или фрагментированных рабочих процессов стыковки с произвольными параметрами, этот протокол интегрирует оба подхода со стандартизированными порогами и пошаговыми операциями. Этот фреймворк исключает субъективный выбор параметров, обеспечивая возможность воспроизведения рабочего процесса разными операторами с единообразными результатами.

Таким образом, установление стандартизированных операционных процедур для выявления потенциальных мишеней и путей лекарств посредством сетевого фармакологического скрининга, в сочетании с молекулярным докингом для валидации активности связывания с мишенью может предоставить экспериментальные доказательства для изучения механизмов действия лекарств и скрининга кандидатов напрепараты 10. Этот протокол особенно подходит для многоцелевого скрининга компонентов лекарств и синтетических малых молекул с использованием общедоступных баз данных омиксов, химических и белковых структур; он не применим к мишеням без разрешённой кристаллической структуры или для скрининга орфанных препаратов с одной мишенью без известных сетей взаимодействия, связанных с заболеваниями.

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

Протокол

Этот протокол включает только вычислительный анализ общедоступных баз данных и не включает использование людей, позвоночных животных или биологических тканей. Все описания сводных рабочих процессов, описанных в этом разделе, иллюстрированы на рисунке 1.

figure-protocol-1
Рисунок 1: Краткое описание рабочего процесса. Зелёные прямоугольники обозначают альтернативные компоненты лекарств, красные — болезни, жёлтые эллипсы — сайты и используемое программное обеспечение, оранжевые — полученные файлы или данные, а также ключевые шаги, а фиолетовые ромбы — окончательные требуемые результаты. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

1. Приобретение компонентов и целей лекарственного средства

  1. Поиск в базе данных PubChem (https://pubchem.ncbi.nlm.nih.gov/) по химическим названиям в качестве ключевых слов, чтобы получить соответствующие строки SMILES (Simplified Molecular Input Line-Entry System).
  2. Зайдите на сайт ADMETlab 3.0 (https://admetlab3.scbdd.com/), выберите опцию ADMET Evaluation во вкладке Services, введите строки SMILES и нажмите кнопку ОТПРАВИТЬ .
  3. Отфильтруйте результаты ADMET по показателям: всасывание, распределение, метаболизм, выделение, токсичность, медицинская химия и правила токсикофоров. Сохраняйте только соединения, соответствующие всем заранее установленным пороговым критериям для каждого показателя (Таблица 1).
  4. Зайдите на сайт ProTox 3.0 (https://tox.charite.de/protox3/index.php?site=home), введите строки SMILES отфильтрованных соединений, выберите модуль TOX PREDICTION , отметьте все желаемые варианты прогноза (например, токсичность органов, канцерогенность) и выполните прогноз.
  5. Отсеять соединения с прогнозируемой токсичностью, превышающими заранее установленные пороги безопасности на основе результатов ProTox 3.0 (Таблица 2).
  6. Собрать соединения, проходящие как ADMET, так и ProTox 3.0, в структурированную базу данных компонентов лекарственных средств (например, в формате Excel или CSV) со столбцами по названию соединения, SMILES и статусу скрининга.
  7. Зайдите на сайт SwissTargetPrediction (https://swisstargetprediction.ch/), выберите Homo sapiens в выпадающем меню организма, введите строки компонентов SMILES в базу данных компонентов лекарств, нажмите кнопку «Предсказать цели » и соберите все предсказанные цели с оценкой вероятности выше 0.
  8. Зайдите на сайт SEA (Similarity Ensemble Approach) (https://sea.bkslab.org/) и введите те же строки SMILES, что используются выше для прогнозирования цели, и отфильтруйте результаты так, чтобы сохранить только записи в поле Target Key, заканчивающиеся на _Human и имеющие p-значение ниже 0.05.
  9. Объедините списки целей, полученные из SwissTargetPrediction и SEA, в единую библиотеку целей по действию лекарств. Удалите дублирующиеся мишени и стандартизуйте имена целей в официальные генные символы (например, с использованием рекомендаций HGNC) с помощью Uniprot (https://www.uniprot.org/).
    ПРИМЕЧАНИЕ: Библиотека целевых препаратов может быть сохранена в виде CSV-файла для последующего использования.

Таблица 1: Критерии порога ADMETlab 3.0 для скрининга безопасности лекарств. Таблица суммирует рекомендуемые пороговые значения и диапазоны классификации ключевых физико-химических свойств, параметров ADME, взаимодействия метаболизма, конечных точек токсичности, путей токсичности и правил токсикофоров. Прогнозы классифицируются на три уровня риска (низкий, средний и высокий) на основе вероятностных значений (< 0,3, 0,3 - 0,7, > 0,7) или количественных диапазонов, что позволяет систематически оценивать профили безопасности соединений в раннем открытии лекарств. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Критерии порога ProTox-3.0 для прогнозирования токсичности при обнаружении лекарств. Таблица суммирует ключевые конечные точки токсичности, предсказанные ProTox 3.0, с акцентом на параметры, критически важные для оценки безопасности лекарств в раннем открытии лекарств. Каждая конечная точка возвращает бинарную классификацию (Активный или неактивный) с вероятностным показателем (0-1), где Актив указывает на потенциальный риск токсичности. Приоритет следует отдавать токсичности органов (гепатотоксичность, кардиотоксичность), конечным точкам токсичности (канцерогенность, мутагенность, иммунотоксичность) и ингибированию метаболизма CYP, поскольку они являются основными причинами клинической отточения. Множественные активные попадания на конечные точки указывают на широкий токсичный потенциал и требуют снижения приоритета соединений. Острая токсичность оценивается по прогнозируемым классам LD50 и GHS, при этом классы 1–3 (< 300 мг/кг) считаются высокотоксичными. Вероятностные показатели определяют уровень уверенности для каждого прогноза. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

2. Приобретение целей для заболевания

ПРИМЕЧАНИЕ: При скрининге баз данных стандартизируйте конвенции именования целевых генов, чтобы предотвратить упущения, вызванные расхождениями в номенклатуре.

  1. Доступ к пяти базам данных, связанных с заболеваниями: OMIM (https://www.omim.org/), Disgenet (https://disgenet.com/), TTD (https://ttd.idrblab.cn/), GeneCards (https://www.genecards.org/) и PharmGkb (https://www.pharmgkb.org/). Применяйте следующие критерии скрининга, специфичные для базы данных: для GeneCards фильтруйте записи с показателем релевантности ≥ 1.0; для DisGeNET выберите записи, связанные с целевым заболеванием; для PharmGKB ограничите результаты генно-связанными записями, выбрав опцию Gene ; для TTD сохраняйте записи, где столбец Disease совпадает с целевой болезнью.
  2. Для каждой базы данных используйте официальное название целевого заболевания (например, болезнь Альцгеймера) в качестве ключевого слова для поиска всех связанных целей.
  3. Собрать списки целей из всех пяти баз данных в одну таблицу. Удалять дублирующиеся мишени, сравнивая генные символы между списками.
  4. Стандартизируйте все оставшиеся имена целей в официальные генные символы через Uniprot для устранения несоответствий в номенклатуре. Сохраняйте стандартизированный, дедупликационный список как библиотеку целевых заболеваний (в формате CSV или Excel).
    ПРИМЕЧАНИЕ: Библиотека мишеней по болезни может быть сохранена вместе с библиотекой медикаментозного действия (Шаг 1.9) для последующего использования в Шаге 3.

3. Приобретение распространённых мишеней для лекарственных заболеваний

  1. Получите доступ к веб-инструменту Venny 2.1.0 (https://bioinfogp.cnb.csic.es/tools/venny/). Импортируйте библиотеку таргетов по действию лекарств (Шаг 1.9) и библиотеку целевых заболеваний (Шаг 2.4) в два поля ввода Venny 2.1.0, чтобы создать диаграмму Венна, показывающую перекрытие двух наборов целей.
  2. Извлеките пересечения мишени из результатов диаграммы Венна. Маркируйте их как распространённые мишени лекарственного заболевания (потенциальные точки взаимодействия) и сохраните их в CSV-файле.

4. Построение сетей взаимодействия белок-белок (PPI) и анализ основных мишень

  1. Получите доступ к базе данных STRING (https://cn.string-db.org/). Выберите Homo sapiens как Организм в выпадающем меню.
  2. Импортируйте распространённые мишени лекарственного заболевания (шаг 3.2) в поле STRING. Установите минимально требуемый параметр оценки взаимодействия на высокую уверенность (0.700) и нажмите «Поиск » для генерации данных PPI. Экспортируйте данные PPI в файл TSV (значения с разделёнными вкладками).
  3. Откройте программное обеспечение Cytoscape с установленным плагином CytoNCA. Импортируйте файл PPI TSV в Cytoscape с помощью меню File > Import > Network from File .
  4. Запустите плагин CytoNCA, нажав на Apps > CytoNCA > Open. Выберите пять эталонных метрик для отбора основных целей: Betweenness, Closeness, Degree, Eigenvector и LAC.
    ПРИМЕЧАНИЕ: Пять ключевых топологических метрик, используемых — это Betweenness (центральность между целью, измеряющая частоту появления цели на всех самых коротких путях в сети), Closeness (центральность близости, отражающая среднюю длину самого короткого пути от цели до всех других целей в сети), степень (степень локального соединения, количественная оценка количества прямых взаимодействий между целью и другими целями), Eigenvector (центральность собственного вектора, взвешивающая как собственную связность цели, так и важность связанных целей) и LAC (локальная средняя связность, оценка плотности соединения между непосредственно соседними узлами цели).
  5. Запустите анализ сети, нажав Tools > меню Analyze Network, затем нажмите OK. Экспортируйте результаты анализа в CSV-таблицу.
  6. Вычислите медианное значение для всех пяти метрик и сохраняйте цели, которые достигают или превышают медиану. Повторяйте шаг 4.5 несколько раз, пока не останется от 10 до 20 целей.
  7. Ранжуйте оставшиеся цели по метрике Степени (от самой высокой к низкой) и предварительно выберите топ-10 целей как основные гены. Сохраните список основных генов в виде CSV-файла.
    1. Для снижения ложноположительных результатов и обеспечения того, чтобы состыковка проходили только структурно подходящие мишени, провести дальнейшую оценку на структурную осуществимость и приемлемость лекарств: проверьте базу данных PDB на наличие доступных кристаллических структур высокого разрешения (≤ 2,5 Å) или оцените, возможно ли построить надёжную гомологическую модель; используйте инструменты прогнозирования карманного профиля для подтверждения наличия подходящих сайтов связывания; и сопоставьте с литературой или функциональными базами данных для подтверждения задокументированной релевантности к пути заболевания.
    2. Деприоритизация целей, которые не имеют структурной доступности, лекарственных карманов или незначимости для докинговых исследований. Анализ обогащения GO и KEGG всё ещё может проводиться с использованием полного списка основных целей этого шага, так как он не требует структурной информации.
      ПРИМЕЧАНИЕ: Количество генов в шагах 4.6 и 4.7 может изменяться по мере необходимости. Обычно после шага 4.6 остаётся от 10 до 20 мишеней, и рекомендуется сохранять как минимум 10 основных генов в шаге 4.7 для обеспечения достаточного объёма данных для надёжного анализа обогащения GO и KEGG и последовательных тенденций визуализации.

5. Анализ и визуализация обогащения GO и KEGG

ПРИМЕЧАНИЕ: В этой части проясняются функции генов на уровне клеточного компонента, функционального и внутриклеточного путей.

  1. Получите доступ к веб-инструменту DAVID (https://davidbioinformatics.nih.gov/home.jsp). Выберите Gene List в качестве входного типа и импортируйте основные гены в поле входа.
  2. Установите идентификатор на OFFICIAL_GENE_SYMBOL и выберите Homo sapiens в разделе Select species. Затем нажмите Submit List , чтобы загрузить основные гены.
  3. Для анализа обогащения GO выберите категории GOTERM_BP_DIRECT, GOTERM_CC_DIRECT и GOTERM_MF_DIRECT .
  4. Для анализа обогащения KEGG выберите категорию KEGG_PATHWAY . Установите порог значимости на p < 0,05 для GO и KEGG анализов.
  5. Нажмите на Функциональную диаграмму аннотации , чтобы получить результаты обогащения. Экспортируйте результаты GO и KEGG в CSV-файлы. Используйте программное обеспечение R Studio с ggplot2 для создания столбчатых или пузырьковых диаграмм для топ-10 обогащённых терминов/путей.
    ПРИМЕЧАНИЕ: Количество отображаемых терминов/путей можно корректировать в соответствии с требованиями.

6. Молекулярная стыковка с использованием Autodock Vina

ПРИМЕЧАНИЕ: Шаг 6 и Шаг 7 оба являются этапами молекулярного стыковки. Шаг 6 использует программное обеспечение AutoDock Vina 1.1.2, а шаг 7 — YASARA 10.3.16. Использование YASARA облегчает последующее молекулярно-динамическое моделирование YASARA. Если нужны результаты стыковки AutoDock Vina, результаты стыковки в YASARA должны совпадать с результатами AutoDock Vina. Это позволяет избежать расхождений, вызванных программным переключением, а также обеспечивает надёжность результатов валидации молекулярно-динамического моделирования с помощью подробного метода: откройте результат «result.pdb» шага 6.31 с помощью LigPlot+ (версия 2.3) для создания двумерной диаграммы взаимодействия, определите ключевые остатки, взаимодействующие с лигандом, затем выберите ключевые остатки на шаге стыковки 7.18 YASARA и установите размер коробки для покрытия кармана связывания, чтобы максимизировать согласованность сайтов стыковки между Vina и YASARA. Далее, при выборе оптимальных результатов стыковки в шаге 7.19 убедитесь, что ключевые остатки между лиганом и рецептором остаются согласованными с теми, что были выявлены в результатах AutoDock Vina. Это требование согласованности направлено на сохранение основных паттернов взаимодействия, а не на точную атомарную соответствие; ожидаются незначительные вариации в конфигурациях периферийных остатков из-за различий в параметризации силового поля и гибкости боковых цепей. Пока критические взаимодействия с ключевыми остатками активного участка сохраняются, результаты стыковки можно считать согласованными для целей перекрёстной валидации. Если стыковка AutoDock Vina (Шаг 6) не требуется, Шаг 7 может быть выполнен напрямую.

  1. Получите SDF (Structure Data File) соединений препарата с названием ligand.sdf из базы данных PubChem, найдя соответствующие строки SMILES (шаг 1.1).
  2. Откройте SDF-файлы с помощью программного обеспечения Chem3D. В режиме Расчёт выберите MM2 и нажмите Минимизировать энергию , чтобы выполнить минимизацию составной структуры свободной энергии.
  3. Сохраните минимизированную структуру в виде файла ligand.mol2, выбрав File > Save As. Получите формат PDB (Protein Data Bank) белкового рецептора основного гена из базы данных RCSB PDB (https://www.rcsb.org/; поиск по PDB ID или имени гена) под названием receptor.pdb.
    1. Приоритизируйте структуры с разрешением ≤ 2,5 Å и разрешённые участки связывания, если они доступны. При выборе структуры оценивайте запись на полноту (например, наличие всех ожидаемых доменов, отсутствие больших неразрешённых петель), возможные мутации, которые могут повлиять на связывание лигандов, а также включены ли функционально важные кофакторы (например, гемы, ионы металлов) или кокристаллизованные лиганды.
    2. Для целей с известными олигомерными сборками рассмотрите, подходит ли мономерная или мультимерная форма для исследовательского вопроса; биологическая сборка может быть скачана, если релевантны димерные или более высокие взаимодействия. Выбранная структура будет дополнительно подготовлена на последующих этапах, поэтому первичный осмотр помогает избежать последующих осложнений.
  4. Откройте receptor.pdb с помощью программного обеспечения PyMOL. Введите remove organic в командной строке и нажмите Enter , чтобы удалить мелкомолекулярные лиганды из белковой структуры.
    ПРИМЕЧАНИЕ: Если использовать кокристаллизованный лиганд для определения сайта связывания, сначала запишите 3D-координаты центра лиганда, затем введите remove organic в командной строке PyMOL и нажмите Enter , чтобы удалить кокристаллизованные малые молекулы; в противном случае напрямую выполните команду remove organic для удаления сокристаллизованных малых молекул.
  5. Введите remove solvent в командной строке и нажмите Enter , чтобы удалить свободные молекулы воды из структуры белка; используйте команду select metal_cofactor, resn [имя остатка целевого кофактора], чтобы определить функционально критически важные ионы металлов или кофакторы (например, HEM,Zn 2⁺, Mg2⁺) и подтвердить их удержание в структуре.
  6. Экспортируйте очищенный рецептор из PyMOL в формате receptor_clean.pdb, нажав File > Export Molecule > Save.
  7. Откройте receptor_clean.pdb в UCSF Chimera 1.19. Отобразите последовательность, нажав Tools > Sequence > Sequence, чтобы проверить наличие недостающих петель рядом с сайтом связки (отсутствующие области отмечены красными контурными окнами). Если отсутствуют петли, восстановите их, выбрав Structure > Modeller (циклы/уточнение) в меню окна последовательности, выбрав нетерминальную отсутствующую структуру, установив соответствующее количество моделей (например, 5) и приступив к вычислению. После завершения выберите наиболее разумную модель.
  8. Оптимизируйте структуру в Chimera. Используйте инструмент Rotamers (библиотека Dunbrack) на выбранных остатках для оптимизации боковых цепей, добавляя столкновения и H-связи через меню столбцов для оценки и выбора конформаций с минимальными столкновениями (предпочтительно 0 - 1) и благоприятными водородными связями. Затем добавьте водород и назначьте заряды с помощью Dock Prep (AMBER ff14SB). Наконец, выполните минимизацию энергии с помощью инструмента Minimize Structure, фиксируя основные атомы, выбирая их (sel @ca,c,n,o), инвертируя выбор и включив фиксированные атомы. Сохраняйте обработанную структуру в формате receptor_optimized.pdb, выбрав File > Save PDB.
    ПРИМЕЧАНИЕ: Пропускайте оптимизацию боковой цепи для хорошо упорядоченных остатков. Dock Prep автоматически обрабатывает протонирование. Минимизацию следует выполнять с фиксированной магистралью.
  9. Откройте receptor_optimized.pdb в PyMOL и определите канонический сайт связывания. Если присутствует кокристаллизованный лиганд, используйте его координаты для центрирования сетки: запишите центр лиганда, затем удалите его с удалением органического. Если кокристаллизованного лиганда недоступно, определите сайт связывания на основе известных ключевых остатков из литературы (например, выберите binding_site, resi XXX-XXX) или визуально идентифицируя предполагаемый карман связывания с помощью инструментов прогнозирования кармана для проверки визуальной оценки. Запишите координаты 3D-центра (x/y/z) определённого участка для установки сетки.
    ПРИМЕЧАНИЕ: Координаты, записанные здесь, используются для центрирования сетки AutoDock Vina. Для определения на основе остатков следует рассчитывать геометрический центр выбранных остатков; для кармана, определённого визуально или с помощью инструментов прогнозирования, используется центр полости. При определении участка связывания необходимо учитывать, направлена ли стратегия стыковки на ортостерический (активный) участок или аллостерический участок. Для ортостерического таргетинга сайт связывания должен быть определен на основе кокристаллизованного лиганда или консервативных остатков активного участка, описанных в литературе. Для аллостерического таргетинга могут использоваться инструменты прогнозирования карманных участков для выявления потенциальных аллостерических участков, особенно для целей с известными аллостерическими регулированием. При отсутствии предварительной информации глобальное стыкование с последующим кластеризацией предсказанных связывающих горячих точек может помочь выявить потенциальные аллостерические участки. Эта гибкость позволяет протоколу поддерживать как ортостерические, так и аллостерические кампании по поиску лекарств.
  10. Экспортируйте финальную оптимизированную структуру из PyMOL в формате receptor.pdb, нажав File > Export Molecule > Save.
  11. Откройте receptor.pdb в AutoDock Tools 4.2.6, нажав File > Read Molecule. Определите гибкие остатки. Нажмите Редактировать > Гибкие остатки > выбрать остатки и выбрать остатки в местах связывания, ожидаемые для конформационных изменений при связывании лигандов (выберите ≤ 10 остатков).
    ПРИМЕЧАНИЕ: Этот шаг позволяет выбранным боковым цепям двигаться во время стыковки, учитывая индуцированные эффекты посадки.
  12. Сохраните рецептор с гибкими остатками как PDB-файл. Нажмите File > Save, выберите Write PDB в выпадающем меню. В окне доступных записей PDB отметьте ATOM и CONECT, нажмите ADD, затем OK. Сохраните файл как receptor.pdb.
    ПРИМЕЧАНИЕ: Этот PDB-файл содержит информацию о гибких остатках и будет использоваться для генерации PDBQT файла.
  13. Подготовьте макромолекулу к стыковке. Нажмите Сетка > Макромолекула > Выбрать, выберите файл receptor.pdb и выберите Выбрать Молекулу. Сохраните рецептор как файл PDBQT, нажав File > Save As и назвав его receptor.pdbqt.
    ПРИМЕЧАНИЕ: AutoDock Tools назначает заряды и типы атомов, сохраняя рецептор в родном формате AutoDock PDBQT, готовом к генерации сеточных коробок и расчётов стыковки.
  14. Нажмите меню Лиганды , выберите Ввод, затем нажмите Открыть. Выберите ligand.mol2 и нажмите OK. Нажмите меню Лиганды , выберите Торсионы, затем выберите Обнаружить торсии. Инструменты AutoDock автоматически определят вращающиеся связи в структуре лиганда (например, отдельные связи в алкильных цепочках, амидные связи без пептидных связей).
  15. В окне выбора кручения проверьте обнаруженные вращающиеся связи (сохраните все действительные вращающиеся связи, исключите жёсткие, такие как ароматические кольца). Нажмите «Установить », чтобы подтвердить определения кручения, затем нажмите «Закрыть».
    ПРИМЕЧАНИЕ: Сохранение действительных вращающихся связей гарантирует, что лиганд может принимать различные конформации во время стыковки (гибкий лиганд), при этом рецептор остается жёстким — это основа полугибкого стыковки в AutoDock Vina.
  16. Снова нажмите меню Лиганда , выберите Вывод, затем выберите Сохранить как PDBQT. Назовите файл ligand.pdbqt и сохраните его в той же директории, что и receptor.pdbqt.
  17. Нажмите меню «Отображение », выберите «Вторичную структуру». Нажмите «Только отображение», затем «Линии » и «Отключить » для упрощения просмотра белка.
  18. Кликните в меню Сетка , выберите Поле Сетки. Отрегулируйте значения x, y, z (центральные координаты) и Spacing(Å), чтобы расположить коробку над активным центром белка.
    ПРИМЕЧАНИЕ: Если место связывания неизвестно, используйте инструменты прогнозирования карманов (например, CASTp, DoGSite) для выявления предполагаемых связывающих карманов. Покрытие всего белка значительно увеличивает ложноположительные результаты и вычислительные затраты, и не рекомендуется.
  19. Нажмите Файл > Закрыть сохранение тока, затем выберите Grid > Output > Save GPF, чтобы сохранить настройки сетки как Grid.gpf.
  20. Откройте Grid.gpf с помощью текстового редактора и записывайте gridcentre (значения x, y, z) и npts (размеры x, y, z) из файла.
  21. Создайте новый текстовый файл с названием Config.txt и введите следующее содержимое:
    Рецептор = рецептор.pdbqt
    ligand = ligand.pdbqt
    center_x = [значение центра сетки x из Grid.gpf]
    center_y = [значение Gridcenter y из Grid.gpf]
    center_z = [значение центра сетки z из Grid.gpf]
    size_x = [npts x значение из Grid.gpf]
    size_y = [значение npts y из Grid.gpf]
    size_z = [npts z-значение из Grid.gpf]
    energy_range = 5
    num_modes = 10
    Замените текст в скобках значениями из Grid.gpf (Шаг 6.19).
    ПРИМЕЧАНИЕ: параметр energy_range должен быть установлен как максимальная допустимая разница энергии относительно оптимальной комбинированной модели, с единицами в ккал/моль. Например, установка в 5 означает, что AutoDock Vina завершит вычисления, когда разница энергии от оптимальной модели достигнет 5 ккал/моль. Кроме того, num_modes указывает количество моделей связывания для генерации, которое обычно устанавливается на 10.
  22. Поместите файлы vina_split.exe и vina.exe в одну папку, что и receptor.pdbqt, ligand.pdbqt и Config.txt.
  23. Откройте системную консоль Windows, перейдите в каталог с помощью команды cd (например, cd C:\DockingFiles).
  24. Введите следующую команду и нажмите Enter: vina.exe --config config.txt --log log.txt --out output.pdbqt
  25. Ждите завершения стыковки (длительность зависит от системы). Появятся два файла: log.txt (результаты стыковки) и output.pdbqt (структура лигандов с наименьшей энергией). Для обеспечения воспроизводимости выполняются три независимых стыковочных запуска с разными случайными семенами. RMSD < 1.0 Å среди верхних подтверждает согласованность.
    ПРИМЕЧАНИЕ: В качестве эмпирического справочника энергии связывания AutoDock Vina (ккал/моль) можно интерпретировать так: ≤ -7 (высокая аффинность, потенциально активные конформации), -7 до -5 (умеренная аффинность), ≥ -5 (низкая аффинность). Эти пороги зависят от системы и должны быть подтверждены экспериментальными данными.
    1. Для оценки точности стыковки и способности к различению для конкретной цели рекомендуется использовать два взаимодополняющих подхода к валидации. Используйте валидацию повторного стыковки с использованием кристаллографических лигандов для оценки того, может ли протокол воспроизводить экспериментально наблюдаемые режимы связывания, при этом стандартным критерием принятия служит RMSD < 2.0 Å.
    2. Используйте анализ обогащения с использованием публичных эталонных наборов данных (например, DUD-E) для оценки способности протокола отличать истинно активные соединения от приманок, соответствующих свойствам; это включает расчёт кривых ROC (предоставляющих глобальную меру эффективности классификации) и коэффициентов обогащения, таких как EF1% (количественная оценка обогащения активов в верхней доли). Вместе эти шаги валидации помогают установить соответствующие пороги аффинности и обеспечить надёжную эффективность скрининга для целевого класса.
  26. Откройте программное обеспечение PyMOL. Импортируйте output.pdbqt и receptor.pdbqt, нажав File > Open. Сохраните объединённую структуру как result.pdb, нажав File > Save As.
  27. Очистите рабочее пространство PyMOL, нажав File > New Session, затем откройте result.pdb для визуализации комплекса лиганд-белка.

7. Молекулярная стыковка с использованием YASARA

ПРИМЕЧАНИЕ: Этот этап служит точной повторной стыковкой и предварительной обработкой для последующей симуляции молекулярной динамики (MD) и является прогрессивной проверкой результатов высокопроизводительного предварительного скрининга из Шага 6. Шаг 6 использует AutoDock Vina — золотой стандарт для высокопроизводительного виртуального скрининга, чтобы быстро отбрасывать кандидаты молекул с отличной связью из библиотеки соединений. Этот этап включает YASARA для стыковки, так как его модуль полностью совместим с платформой моделирования YASARA MD, что позволяет избежать структурных отклонений, вызванных преобразованием файлов и переключением программного обеспечения, а также обеспечивает стандартизированную начальную сложную структуру для последующего MD-моделирования. Для всех кандидатов молекул, отфильтрованных AutoDock Vina на шаге 6, результаты стыковки (включая позу связывания в активном кармане и ключевые аминокислотные взаимодействия), полученные на этом этапе, должны соответствовать результатам AutoDock Vina, а относительный рейтинг связывания должен сохранять тот же тренд перед переходом к MD-симуляции. Абсолютные очки стыковки не совпадают напрямую между двумя программами из-за разных алгоритмов расчёта. Это требование к согласованности позволяет устранить ложноположительные результаты, вызванные различиями в программном обеспечении, обеспечить стабильность характеристик связывания кандидатов и гарантировать надёжность и логическую непрерывность последующего MD-симуляционного тестирования.

  1. Используйте OpenBabel, чтобы преобразовать файл ligand.sdf в файл ligand.pdb.
    ПРИМЕЧАНИЕ: OpenBabel используется здесь только для преобразования форматов. Фактическая параметризация лиганда для молекулярной динамики будет выполняться автоматически YASARA на следующих этапах.
  2. Откройте программное обеспечение YASARA. Нажмите File > Load и выберите ligand.pdb для импорта лиганда. Нажмите Edit > Clean > All , чтобы устранить структурные дефекты лиганда.
    ПРИМЕЧАНИЕ: Этот этап выполняет базовую очистку геометрии. YASARA затем автоматически назначать параметры силового поля лиганды с помощью встроенной технологии AutoSMILES, которая применяет заряды General AMBER Force Field (GAFF) и AM1-BCC для обеспечения совместимости с AMBER14 силовым полем для белка. Эта параметризация необходима для точных расчётов энергии как в стыковочном, так и в MD-симуляциях.
  3. Нажмите «Опции» > стандартном pH, выберите соответствующее pH (например, 7.4 для физиологических состояний) и нажмите OK.
  4. Нажмите Стыковка > силовое поле , чтобы установить силовое поле стыковки, обеспечивая согласованность параметров с последними моделированием MD.
    ПРИМЕЧАНИЕ: AMBER14 является рекомендуемым силовым полем для этого рабочего процесса по открытию лекарств в YASARA 10.3.16, поскольку оно обеспечивает полное покрытие параметров белков и полностью совместимо со стандартными протоколами моделирования MD. Для стандартных остатков белка параметры автоматически назначаются из встроенных шаблонов силового поля. Для малых молекулярных лигандов YASARA автоматически выполняет параметризацию с использованием встроенной технологии AutoSMILES, которая назначает типы атомов GAFF (General AMBER Force Field) и заряды AM1-BCC. Это обеспечивает совместимость между параметрами белков и лиганда, позволяя точные расчёты энергии как в стыковочном, так и в MD-симуляциях. Более подходящее силовое поле может быть выбрано в зависимости от используемой версии YASARA и специфических характеристик системы.
  5. Нажмите Симулятор > Определить симуляционную ячейку > вокруг всех атомов для установления рабочей границы. Нажмите Симулятор > границы ячеек > Периодически, чтобы включить периодические граничные условия.
  6. Нажмите Опции > Выберите эксперимент > Минимизацию энергии, затем нажмите Запустить, чтобы минимизировать энергию лиганда.
  7. Нажмите File > Save as, назовите файл ligand.pdb и нажмите OK, чтобы перезаписать исходный PDB-файл лиганда. Нажмите File > New, чтобы очистить рабочее пространство, затем выберите File > Load и выберите файл receptor.pdb.
  8. Повторите шаги с 7.2 по 7.7 для белкового рецептора, сохраняя обработанный файл как новый receptor.pdb.
  9. Нажмите «Файл > новый», затем выберите «Файл > загрузить» и выберите как ligand.pdb, так и receptor.pdb. Повторите шаги с 7.3 по 7.5, чтобы установить pH, определить ячейку симуляции и включить периодические границы для комплекса.
  10. Нажмите Процессоры > Установить процессор и выбрать количество ядер ЦПУ для использования. Нажмите Процессоры > Установить GPU и выбрать устройство GPU для ускорения вычислений.
  11. Нажмите File > Save as > YASARA Scene, назовите файл sce\nesult.sce (создайте папку sce, если её нет) и нажмите OK.
  12. Нажмите Options > Macro & Movie > Set target, выберите sce\nesult.sce и нажмите OK. Нажмите Options > Macro & Movie > Воспроизвести макрос, выберите макрофайл dock_run.mcr и нажмите OK.
  13. Нажмите Симулятор > Определить ячейку симуляции > вокруг выбранных атомов и повторить 7.5, затем нажмите Продолжить , чтобы начать стыковку.
  14. Дождитесь завершения стыковки. Будут сгенерированы файлы с суффиксом йоб; name.log содержит энергию связи и остатки контактных рецепторов.
    ПРИМЕЧАНИЕ: Чтобы убедиться в рациональности валидации симуляции молекулярной динамики, выберите результат стыковки в YASARA, который соответствует результату стыковки AutoDock Vina.

8. Симуляция молекулярной динамики

  1. Нажмите File > New, чтобы очистить рабочее пространство. Затем выберите File > Load > объект YASARA и выберите result.yob.
  2. В панели SCENE CONTENT (справа) разверните все записи Mol. Нажмите Edit > Split > Object, выберите все содержимое Mol в панели Sequence и нажмите OK.
  3. Нажмите Редактировать > Соединить > объект, выберите все содержимое Mol , кроме первых и последних записей (лиганд), и нажмите OK. Выберите первую запись Mol и снова нажмите OK , чтобы снова присоединиться к белку.
  4. Продолжите перенумеровать компоненты. Выберите «Перенумерировать » в разделе «Редактировать» и нажмите «Объекты». Это генерирует две части: первая часть — белок-рецепторный комплекс, вторая — малый молекулярный лиганд.
  5. Нажмите «Редактировать» > «Перенос», затем выберите опцию «Объект» из выпадающего списка. В панели «Последовательность» сначала выберите содержимое лиганда малых молекул, кликнув по соответствующей записи. Затем выберите содержимое рецептора белка, кликнув по его записи, и нажмите OK, чтобы подтвердить пару выбора.
  6. В следующем всплывающем окне отметьте опцию, начинающую с «Исправить атомы на экране» во время переноса, и нажмите OK.
  7. Повторите шаги 7.2–7.5, затем нажмите Симулятор > температуру и выберите 298K. Нажмите File > Save as > YASARA Scene, назовите файл sce\nesultrun.sce и нажмите OK.
  8. Нажмите File > New, чтобы очистить рабочее пространство. Затем выберите Options > Macro & Movie > Set target, выберите sce\nesultrun.sce и нажмите OK.
  9. Убедитесь, что силовое поле, выбранное в шаге 7.4, также используется для симуляции MD; макрос md_run.mcr обычно наследует текущие настройки силового поля. Нажмите Options > макро и фильм > воспроизвести макрос, выберите макрофайл md_run.mcr и нажмите OK , чтобы начать симуляцию молекулярной динамики.
  10. Выполните три независимых MD-симуляции (3 x 100 нс) с разными начальными скоростями для белкового лиганда-комплекса и проведите статистический анализ трёх траекторий для обеспечения надёжности результатов. Во время работы будут генерироваться файлы в формате симулятора. Например, если траектория сохраняется каждые 100 ps, симуляция на 100 нс сгенерирует 1000 файлов с суффиксом sim.
  11. После завершения шага 8.10 нажмите Options > Macro & Movie > Set target, выберите файл sce\nesultrun.sce и нажмите OK.
  12. Нажмите Options > Macro & Movie > Воспроизвести макрос, выберите md_analyze.mcr, md_analyzebindenergy.mcr и md_analyzeres.mcr и нажмите OK.
  13. После завершения всех трёх анализов будут сгенерированы соответствующие файлы данных result_run_analysis.tab, result_run_bindenergy.tab и result_run_analysisres.tab.
  14. Сначала проанализируйте result_run_analysis.tab, который содержит 10 основных параметров: Энергия (общая энергия системы), Связь (энергия связи), Угол (энергия угла связи), Диэдр (энергия диэдрального угла), Планарность (энергия планарности), Кулон (электростатическая энергия), VdW (энергия Ван дер Ваальса), CA (Cα RMSD белка RMSD), Магистраль (белковый магистраль RMSD) и HeavyAtoms (RMSD тяжёлого атома).
  15. Извлекать столбец Time (ns) и соответствующие столбцы параметров, чтобы оценить, достигнет ли система энергетического равновесия. Подтвердить стабильность системы стабилизацией потенциальной энергии в узком диапазоне флуктуаций после начальных 10–20 нс. Оценить конформационную стабильность путём мониторинга отклонения по среднеквадратичному корню (RMSD) атомов Cα, белкового хребта и тяжёлых атомов. Симуляция была признана структурно стабильной после достижения этих значений RMSD плато.
  16. В качестве эмпирических ориентиров для белок-лиганд комплексов типичного размера, значения Cα и основной RMSD, стабилизирующиеся ниже 2,5 Å, вместе с тяжелоатомным RMSD ниже 3,5 Å, могут считаться поддерживающими показателями конформационной стабильности. Критически важно использовать первичный и обязательный критерий и наличие чёткой фазы плато в траектории RMSD, а не строго соблюдения только этих числовых значений.
    ПРИМЕЧАНИЕ: Эти пороговые значения являются эмпирическими и должны интерпретироваться в контексте конкретного размера и гибкости белка. Решающим индикатором сходимости является устойчивое плато, указывающее на стабилизацию структуры вокруг единообразного конформационного ансамбля.
  17. Далее проанализируйте result_run_bindenergy.tab, который показывает энергию связи между лиганды и целевой целью по траектории моделирования. Вычислите среднюю энергию связи за весь период моделирования. В реализации MM-PBSA YASARA более положительные значения указывают на более сильное связывание. Умеренно сильное и стабильное взаимодействие обычно обозначается средней энергией связывания, которая является положительной и достаточно большой (удельное числовое значение зависит от системы, но может быть откалибровано по известным связующим элементам или экспериментальным данным), а также стандартным отклонением, небольшим относительно среднего (например, коэффициент вариации < 50–60%), отражающем ограниченные флуктуации во время моделирования.
    ПРИМЕЧАНИЕ: Энергия связывания, указанная на этом этапе, рассчитывается с помощью строгого метода MM-PBSA, в отличие от стандартного макро энергии связывания YASARA, который использует более быструю аппроксимацию (BoundaryFast). Стандартное приближение подходит для быстрого скрининга или относительных сравнений, а метод MM-PBSA рекомендуется для получения более точных абсолютных свободных энергии связывания. Как явно указано автором в макрозаголовке YASARA: Больше положительных энергий указывает на лучшее связывание, отрицательные энергии НЕ означают отсутствие связывания. Поэтому пользователи должны интерпретировать положительные значения как признаки более сильного связывания, при этом числовая величина зависит от конкретной системы белков-лиганда.
  18. Наконец, проанализируйте файл result_run_analysisres.tab, который содержит данные по остаткам, включая Residue ID, RMSD, Backbone RMSD, HeavyAtoms RMSD и RMSF. Сосредоточьте анализ на стабильной фазе производства, которая была определена. Сначала определите остатки внутри активного участка цели (например, те, что находятся в пределах 5 Å от лиганда). Затем используйте данные для оценки конформационной устойчивости отдельных остатков активного участка во время моделирования.
    ПРИМЕЧАНИЕ: В качестве эмпирических ориентиров для стабильных остатков активного участка в белко-лигандных комплексах значения RMSF ниже 1,0 Å и флуктуации RMSD в пределах 1 - 1,5 Å в стабильной фазе обычно считаются признаками хорошо поддерживаемой локальной конформации. Остатки с RMSF свыше 2,0 Å могут указывать на большую гибкость; такие остатки следует отображивать на трёхмерную структуру, чтобы определить, соответствуют ли они функционально релевантным гибким областям (например, петлям или поверхностным площадям) или указывают на потенциальную нестабильность внутри кармана связывания. Эти числовые ориентиры не являются абсолютными правилами; основным критерием является отсутствие большого конформационного дрейфа, который следует оценивать совместно с установленной общей сходимостью системы.
  19. После организации файлов данных импортируйте их в Prism для генерации соответствующих графиков.

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

Результаты

После сетевого фармакологического анализа лоратадина при аллергическом рините (AR) было выбрано взаимодействие между лоратадином и PTGS2 в качестве репрезентативного кейса для иллюстрации пошагового применения протокола молекулярного стыковки и MD-симуляции. Этот пример предназначен для демонстрации выполнения рабочих процессов и интерпретации данных, а не для биологической валидации конкретного взаимодействия. Для количественной оценки по экспериментальным данным пользователям рекоменду...

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

Обсуждение

Значение и важные шаги
Этот протокол сочетает в себе сетевую фармакологию, молекулярное докирование и молекулярную динамику, что даёт явные преимущества по сравнению с автономными методами или рабочими процессами с двойным сочетанием и может помочь устранить ключевые недостатки и пробелы в надёжности в текущих исследованиях лекарств. Весь процесс опирается на три критически важных этапа, обеспечивающих его надёжность, каждый из которых решает ключевую задачу вычислите...

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

Раскрытие информации

Все авторы заявляют, что у них нет конфликта интересов.

Благодарности

Национальная ключевая программа исследований и разработок Китая (2024YFC3506300, 2024YFC3506301), ключевая дисциплина высокого уровня Национального управления традиционной китайской медициной — традиционная китайская конституционная медицина (No zyyzdxk-2023251), общая программа Национального фонда естественных наук Китая (82204948), прорывной план фундаментальных и междисциплинарных дисциплин Министерства образования Китая (JYB2025XDXM612), крупные специальные научно-технические проекты в провинции Хубэй (2023BCA005), исследовательский проект главного научного сотрудника лаборатории Хубэй Шичжэнь (HSL2024SX0002)

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

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
ADMETlab 3.0Шанхайский институт материи медики (SIMM), Китайская академия наукН/ДОнлайн-платформа для прогнозирования свойств ADMET (Absorption, Distribution, Metabolism, Excretion, Toxicity); используется для оценки фармакокинетических и токсикологических профилей лигандов (URL:  https://admetlab3.scbdd.com/)
Инструменты AutoDock (AutoDock 4)Исследовательский институт СкриппсаAutoDock 4.2.6Программный комплекс для моделирования молекулярного стыковки; включает AutoDock 4 для стыковки и AutoDockTools (ADT) для подготовки входных файлов белков и лигандов (добавление водорода, назначение зарядов, установка вращающихся связей), определения стыковочных сеток и анализа результатов стыковки.
AutoDock VinaИсследовательский институт СкриппсаAutoDock Vina 1.1.2Открытое программное обеспечение для молекулярного стыковки; Используется для прогнозирования аффинностей связывания и поз между лигандами малых молекул и белковыми рецепторами
Chem3DPerkinElmer InformaticsChem3D 2024программное обеспечение для молекулярного моделирования; используется для построения, оптимизации и визуализации трёхмерных структур малых молекулярных лигандов
ЦитоскейпКонсорциум Cytoscape (Институт системной биологии)Cytoscape 3.10.3Программное обеспечение с открытым исходным кодом для визуализации и анализа биологических сетей; Используется для построения и редактирования сетей взаимодействия ген/белок
DAVID (База данных для аннотирования, визуализации и интегрированного обнаружения)Национальный институт аллергии и инфекционных заболеваний (NIAID), СШАН/ДОнлайн-инструмент для функциональных аннотаций и анализа обогащения; используется для проведения анализа путей обогащения целевых генов (GO (онтология генов) и KEGG (Киотская энциклопедия генов и геномов) (URL:  https://david.ncifcrf.gov/)
База данных DisGeNETБарселонский суперкомпьютерный центр (BSC)Н/ДБаза данных ассоциаций генов и заболеваний; используется для выявления генов, связанных с конкретными заболеваниями (URL:  https://disgenet.com/)
База данных GeneCardsИнститут науки ВейцманаН/ДИнтегративная база данных человеческих генов; используется для получения полной информации о генах (например, экспрессия, функция, ассоциации заболеваний) (URL:  https://www.genecards.org/)
LigPlusЕвропейская лаборатория молекулярной биологии — Европейский институт биоинформатики (EMBL-EBI)LigPlus 2.3Программное обеспечение для автоматической генерации 2D-диаграмм взаимодействия белка и лиганда из 3D-координатных файлов  . Он схемически изображает водородные связи, гидрофобные контакты и остатки места связывания. Доступно при регистрации с академической электронной почтой at  https://www.ebi.ac.uk/thornton-srv/software/LigPlus/ .
База данных OMIMМедицинская школа Университета Джонса Хопкинса (в сотрудничестве с NCBI)Н/ДОнлайн-менделевское наследие в человеке; используется для получения информации о генетических заболеваниях и связанных с ними генах (URL:  https://www.omim.org/)
OpenBabelКоманда разработчиков OpenBabelН/ДОткрытый химический набор инструментов; используется для преобразования молекулярных файлов (например, из .mol2 в .pdb) между различными программными платформами
База данных PharmGKBСтэнфордский университетН/ДБазу знаний по фармакогеномике; используется для получения информации о взаимодействиях ген-лекарственных средств и фармакогеномных вариантах (URL:  https://www.pharmgkb.org/)
ПризмаПрограммное обеспечение GraphPadПризма 9Используется для научного построения графиков, анализа данных (например, построения кривых распределения энергии связывания, анализа полос ошибок) и получения данных качества публикации.
ProTox 3.0Благотворительная и острая; - Universitä цмедизин Берлин, ГерманияН/Донлайн-инструмент для прогнозирования токсикологических конечных точек малых молекул; используется для оценки потенциальной токсичности кандидатных лигандов (URL:  https://tox.charite.de/protox3/index.php?site=home)
База данных PubChemНациональный центр биотехнологической информации (NCBI), СШАН/ДПубличная база данных химической информации; используется для извлечения 2D/3D структур и физико-химических свойств малых молекулярных лигандов (URL:  https://pubchem.ncbi.nlm.nih.gov/)
PyMOLSchrö Dinger, LLCPyMOL 2.6.1Программное обеспечение для молекулярной визуализации; используется для просмотра, редактирования и создания высококачественных изображений белок-лигандынных комплексов
R StudioPosit, PBCRstudio 2025.09.1+401Интегрированная среда разработки (IDE) для R-программирования; используется для статистического анализа биологических данных и создания графиков GO/KEGG
База данных RCSB PDBИсследовательская колаборатория по структурной биоинформатике (RCSB)Н/ДБаза данных белковых структур; используется для извлечения 3D-структур белковых рецепторов в формате PDB (URL:  https://www.rcsb.org/)
SEA (Подход ансамбля сходства)Исследовательский институт СкриппсаН/ДОнлайн-инструмент для прогнозирования целей на основе химического сходства; используется для дополнения SwissTargetPrediction для подтверждения лигандных целей (URL:  https://sea.bkslab.org/)
СТРУНАКонсорциум STRING (EBI, SIB и др.)Н/ДБаза данных известных и предсказанных взаимодействий белков и белков; используется для построения сетей взаимодействия ген/белок (URL:  https://string-db.org/)
SwissTargetPredictionШвейцарский институт биоинформатики (SIB)Н/ДОнлайн-сервер для прогнозирования потенциальных белковых мишень малых молекул; используется для идентификации кандидатных рецепторов для лигандов (URL:  http://swisstargetprediction.ch/)
База данных TTDИнститут открытия и разработки лекарств (IDRBL), Университет Сунь ЯтсенаН/ДБаза данных терапевтических целей; используется для получения информации о валидированных и потенциальных целевых средствах (URL:  https://db.idrblab.net/ttd/)
UCSF ХимераРесурс по биокомпьютерам, визуализации и информатике (RBVI), Калифорнийский университет, Сан-ФранцискоUCSF Химера 1.19Программное обеспечение для молекулярной визуализации и анализа; используется для подготовки структуры белка, включая реконструкцию отсутствующей петли (через интерфейс Modeller), оптимизацию боковых цепей (библиотека ротамера Dunbrack), корректировку состояния протонации и минимизацию энергии с помощью силового поля AMBER ff14SB. Версия 1.19 (выпущена в марте 2025 года) исправляет возможности выбора PDB структуры . Доступно бесплатно для некоммерческого использования at  https://www.cgl.ucsf.edu/chimera/ .
База данных UniProtКонсорциум UniProt (EBI, SIB, PIR)Н/ДКомплексная база данных белковых последовательностей и функций; используется для получения белковых последовательностей, структур и функциональных аннотаций (URL:  https://www.uniprot.org/)
Венни 2.1.0Centro Nacional de Biotecnolog&iaciacy; a (CNB-CSIC), ИспанияН/ДОнлайн-инструмент для генерации диаграмм Венна; используется для визуализации пересечений между наборами генов (например, целевые гены из разных баз данных) (URL:  https://bioinfogp.cnb.csic.es/tools/venny/)
ЯСАРАYASARA BiosciencesЯСАРА 10.3.16программное обеспечение для молекулярного моделирования и моделирования; используется для молекулярного стыковки (шаг 3.7) и последующих молекулярно-динамических моделей для проверки результатов стыковки

Ссылки

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

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

ADMETKEGG

Похожие статьи