Учет гибкости и динамики структуры белка-мишени в вычислительном поиске лекарств с использованием анализа докинга на основе ансамбля
20 июня 2025 г.
Вычислительные методы обещают ускорить разработку лекарств, но они часто упускают из виду динамическую природу белковых структур. В этой статье мы обсуждаем анализ докинга на основе ансамбля, чтобы косвенно включить гибкость белка, потенциально повышая точность и надежность усилий по разработке лекарств.
Наши исследования сосредоточены на применении вычислительных методов для разработки более эффективных лекарств, направленных на ускорение разработки лекарств и, в конечном итоге, улучшение результатов лечения и качества жизни пациентов.
Современные системы автоматизированного проектирования лекарств часто упускают из виду гибкость белка-мишени. Обсуждаемый протокол устраняет этот пробел путем включения множественной конформации белков, полученной в результате молекулярно-динамического моделирования. Разработка лекарств на основе ансамбля повышает точность за счет учета гибкости белка. Мы стремимся интегрировать искусственный интеллект для более быстрого, персонализированного и эффективного поиска лекарств в будущем.
[Ведущий] Для начала запустите программное обеспечение Avogadro на компьютерной системе. Для кластерного анализа введите команду, указанную на экране. При появлении запроса введите 1 для группы белков, чтобы вычислить аппроксимацию методом наименьших квадратов и среднеквадратичное отклонение, или RMSD. Затем снова введите 1 для системного вывода. Откройте файл cluster-size.xvg. Если число кластеров невелико, увеличьте значение RMSD. В качестве альтернативы, если число велико, уменьшите пороговое значение. Выполняйте grace-анализ с помощью команд, отображаемых на экране, используя различные значения RMSD cutoff по мере необходимости. Теперь откройте программу Chimera и найдите cluster.pdb. Нажмите на Подарки и Публикация 1, силуэт, закругленная лента. для визуального представления. Последовательно нажмите «Выбрать», «Цепочка», «Без идентификатора», затем «cluster.pdb», #10, затем выберите и инвертируйте выбранные модели. Перейдите в раздел «Действия», затем нажмите «Атомы/Связи» и нажмите «Удалить», чтобы изолировать цепочку. Теперь выберите «Файл». Нажмите «Сохранить PDB». Назовите файл cluster1.pdb и нажмите кнопку Сохранить, чтобы сохранить файл. Для стыковки на основе ансамбля запустите программу Autodock, чтобы открыть ее. Поместите файлы cluster1.pdb и ligand.pdb в новую папку. Теперь нажмите на «Файл», «Настройки» и «Установить». Во всплывающем окне вставьте адрес папки в поле директории запуска и нажмите «Установить». Щелкните синий значок папки, выберите cluster1.pdb и нажмите Открыть. Перейдите в Редактировать, затем нажмите Заряды, Добавить заряды Коллмана и нажмите OK. Нажмите Сетка, Макромолекулы, Выбрать. Выберите кластер 1 в поле «Выбрать макромолекулы», затем нажмите «Выбрать молекулы». Нажмите OK, чтобы создать файл измененной макромолекулы AutoDock4. Сохраните его как cluster1.pdbqt. Затем очистите рабочую область, нажав «Редактировать», затем нажмите «Delete», и удалите все молекулы перед нажатием «Продолжить», затем нажмите «Лиганд», «Ввод», «Открыть». Когда появится файл Ligand для папки Autodock4, выберите ligand.pdb и нажмите кнопку Открыть, а затем OK. Теперь выберите «Лиганд», «Дерево кручения» и «Обнаружить корень», чтобы определить гибкость лиганда при кручении. Перейдите в Ligand, Output, Save as PDBQT и сохраните папку Formatted Autotors Molecules как ligand.pdbqt. После очистки рабочей области откройте файл cluster1.pdbqt, щелкнув «Сетка», «Макромолекулы» и «Открыть», затем нажмите «Да» и «ОК». Выберите и откройте файл ligand.pdbqt. Теперь перейдите к опции Grid Box в разделе Grid. В окне Параметры сетки установите количество точек в измерениях X, Y и Z равным 120 и интервалом 0,375 ангстрема. Оставьте настройки центра по умолчанию. Затем нажмите «Файл» и закройте «Сохранение текущего». Перейдите в Сетка, Вывод и нажмите Сохранить GPF. Когда появится выходной файл параметров сетки, введите grid.gpf в качестве имени файла и нажмите кнопку Сохранить. Далее нажмите на Run и Run AutoGrid. На вкладке «Имя файла параметра» нажмите «Обзор». Откройте файл grid.gpf. Теперь просмотрите путь к программе. Найдите autogrid4.exe и нажмите «Открыть и запустить». Последовательно нажмите «Стыковка», затем «Макромолекулы» и «Установить жесткие имена файлов». Когда появится файл макромолекул PDBQT, выберите cluster1.pdbqt и нажмите кнопку Открыть. Выберите лиганд в меню «Стыковка». Когда появится окно «Выбрать лиганды», выберите «Лиганд» и нажмите «Выбрать лиганд», затем нажмите «Принять». Теперь перейдите к Генетический алгоритм из Docking. Когда появится окно Параметры генетического алгоритма, установите GA Runs на 100 и нажмите Принять. Нажмите на Docking, Output, Lamarckian GA 4.2. Когда появится файл вывода параметров стыковки Autodock4.2 GALS, назовите его docking.dpf и нажмите кнопку «Сохранить». Теперь нажмите Run и Run Autodoc. Появится окно «Запустить автодок». В поле «Имя файла параметров» нажмите «Обзор». Когда появится файл параметров autodock4, выберите docking.dpf и нажмите кнопку Открыть. В поле Путь к программе нажмите кнопку Обзор. Появится файл autodock4. Найдите autodock4.exe и нажмите «Открыть», а затем «Запустить». Удалите все молекулы, как показано ранее, и повторите процесс для всех файлов кластера. Получена химическая структура и трехмерное структурное представление флавокавейна В и лизоцима в начальном состоянии до молекулярно-динамического моделирования. Общая энергия структуры белка была стабильной во время моделирования, а среднеквадратичное отклонение стабилизировалось через 20 наносекунд. Среднеквадратичная флуктуация показала высокую гибкость в областях между остатками от 40 до 50, от 60 до 80 и от 100 до конца. В общей сложности 15 структурных кластеров были получены в результате кластеризации на основе среднеквадратичного отклонения 10 001 кадра траектории, при этом самый большой кластер содержал 5 818 членов. Наложенные друг на друга конформации всех кластеров показали видимые структурные вариации между траекториями. Молекулярный докинг флавокавейна B с репрезентативными структурами четырех верхних кластеров показал последовательное связывание в одном и том же месте во всех конформациях, при этом кластер 2 показал самую низкую энергию связывания -29,37 кДж/моль. Электростатическое картирование поверхности подтвердило идентичные сайты связывания во всех кластерных конформациях с флавокавейном B, вложенным в одну и ту же область кармана. Детальный анализ взаимодействия показал, что связывание флавокаваина B стабилизировалось несколькими окружающими остатками, включая аланин 31, глутамин 35, лейцин 56, гамма-карбоксиглутаминовую кислоту 57, изолейцин 58, аланин 95, изолейцин 98, триптофан 108, валин 109, аланин 110, триптофан 111 и аргинин 114.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Это исследование сосредоточено на продвижении открытия лекарств с помощью вычислительных методов, особенно путем включения гибкости белков с использованием анализа докирования на основе ансамблей. Подход показывает потенциал в повышении точности и эффективности разработки лекарств, что является важным для улучшения результатов лечения.
Ключевые компоненты исследования
Область исследования
- Вычислительное открытие лекарств
- Гибкость белков в разработке лекарств
- Интеграция искусственного интеллекта
Бакграунд
- Проблемы в текущих методах разработки лекарств часто не учитывают динамические структуры белков.
- Понимание гибкости белков важно для точных предсказаний связывания лекарств.
- Достижения в моделировании молекулярной динамики приводят к лучшему моделированию конформаций белков.
Используемые методы
- Анализ докирования на основе ансамблей
- Моделирование динамических свойств белков с использованием программного обеспечения, такого как Autodock и Chimera
- Кластерный анализ и расчёты квадратичного среднеквадратичного отклонения (RMSD)
Основные результаты
- Идентифицировано несколько стабильных конформаций белков, которые влияют на связывающую способность.
- Flavokawain B продемонстрировал устойчивое связывание с различными структурами белков.
- Наименьшая энергия связывания, наблюдаемая в определенных конформациях белков, подтверждает гипотезу о том, что динамическая гибкость влияет на взаимодействия с лекарствами.
Выводы
- Это исследование демонстрирует важность включения гибкости белков в разработку лекарств.
- Результаты актуальны не только для улучшения процессов открытия лекарств, но и для подходов персонализированной медицины в будущем.
Часто задаваемые вопросы
Executive Industry Relevance
Incorporating target protein flexibility and dynamics into computational drug discovery addresses a critical gap in predictive accuracy for ligand binding. Ensemble-based docking analysis enables more reliable identification of promising compounds by capturing a broader range of biologically relevant conformations. This approach enhances decision-making at key inflection points in the discovery pipeline, supporting risk-adjusted portfolio advancement.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of therapeutic hypotheses by modeling dynamic protein-ligand interactions.
- Improves biological de-risking through functional validation of target conformational states.
- Supports predictive confidence in target engagement and compound prioritization.
Screening & Assay Development
- Facilitates preparation of validated protein conformations for downstream virtual screening workflows.
- Enhances assay reproducibility by accounting for structural variability in docking simulations.
- Enables quantitative comparison of ligand binding across multiple protein states.
Translational & Preclinical Research
- Aligns computational predictions with disease-relevant protein dynamics when supported by structural data.
- Provides continuity from in silico discovery to preclinical validation by modeling physiologically relevant conformations.
- Reduces mechanistic ambiguity in compound selection for further development.
Pipeline & Workflow Integration
Ensemble-based docking integrates into the discovery continuum from early target validation through lead identification and preclinical assessment.
- Discovery Biology: Supports hypothesis testing by modeling the impact of protein flexibility on ligand binding.
- Screening: Delivers reproducible, quantitative docking outputs across diverse conformational ensembles.
- Analytics: Provides binding energy measurements and structural clustering to compare compound performance.
- Translational Research: Bridges computational predictions with experimental validation of dynamic binding sites.
- Enterprise Reuse: Establishes a scalable, reusable workflow for diverse protein targets in portfolio pipelines.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic uncertainty in target validation.
- Operational Value: Standardizes computational workflows and improves reproducibility across R&D teams.
- Strategic Value: Enables more informed go/no-go decisions and optimizes resource allocation.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidate compounds.
Implementation Considerations
- Requires expertise in molecular dynamics, docking software, and structural bioinformatics.
- Demands computational infrastructure for simulation, clustering, and docking analyses.
- Necessitates cross-team standardization of input parameters and output interpretation.
- May require adaptation of protocols for different protein targets or ligand classes.
- Dependent on quality and diversity of available protein structural data.
