Количественная взаимосвязь «структура-активность», прогнозирование активности и молекулярная динамика ненуклеотидных ингибиторов обратной транскриптазы
9 мая 2025 г.
В этом исследовании использовались стратегии in silico для определения перечисленного этравирина в качестве перспективного терапевтического агента для лечения ВИЧ. Наши результаты в области молекулярных взаимодействий и динамики поддерживают рациональный дизайн новых ННИОТ в качестве возможных альтернатив лечению ВИЧ.
Исследования сосредоточены на компьютерном проектировании лекарств для разработки новых инновационных лекарств или перепрофилирования существующих лекарств от заболеваний, связанных с Африкой. Итак, в нашей области в настоящее время у нас есть много приложений для машинного обучения, которые люди разрабатывают, и это то, что мы также хотим включить в нашу группу для разработки бета-лекарств. В настоящее время мы используем то, что известно как высокопроизводительные вычисления, и это в основном то, что ускоряет наши исследования, используя технологии как CPU, так и GPU, чтобы быстрее получать результаты при использовании экспериментов.
На данный момент вычислительная техника все еще является очень новой областью в исследованиях, и студенты часто не справляются с тем, что нужно делать, поэтому им требуется немного больше времени, чтобы освоить дисциплину. В последнее время у нас есть ряд натуральных продуктов, которые нам удалось выделить, и они важны для Африки, и в настоящее время они используются для лечения SARS-CoV-2, на что мы и рассчитываем. Для начала перейдите к иконке окна на экране монитора и нажмите на нее.
Выберите все приложения и прокрутите вниз, чтобы найти папку Schrodinger. Откройте папку и нажмите на значок Maestro. Выберите «Открыть», чтобы запустить программное обеспечение.
Чтобы получить структуру белка, перейдите на вкладку «Файл» и выберите «Получить PDB» во всплывающем меню. Введите выбранный код PDB в текстовое поле и нажмите кнопку Загрузить. Выбранный PDB-файл появится в окне проекта.
Кроме того, вы можете загрузить белок из банка данных о белках, введя идентификатор PDB в поле поиска и нажав кнопку «Скачать». В Maestro перейдите на вкладку «Файл» и выберите «Импорт структур». В интерфейсе импорта найдите загруженный PDB-файл и нажмите кнопку Импорт.
Теперь выберите структуру белка и щелкните по ней правой кнопкой мыши. Выберите приготовленный белок, щелкните правой кнопкой мыши, выберите опцию «Разделить» и разделите на лиганды, воду и другие. Откройте базу данных PubChem и введите название соединения в строку поиска, чтобы загрузить химическое соединение.
Просмотрите доступные структуры, нажмите кнопку Загрузить и выберите 3D-Conformer для сохранения координат структуры в виде файла структурированных данных или SDF. Перейдите на вкладку «Файл» в Schrodinger и выберите «Импортировать структуры». Перейдите к месту, где сохранен SDF, и загрузите соединение.
Нажмите на «Задача» в Schrodinger, введите LigPrep в строке поиска и выберите ее. Нажмите кнопку «Использовать структуры из», чтобы выбрать файлы из рабочей области или таблицы проекта. Выберите предпочтительные параметры в окне LigPrep и нажмите кнопку Выполнить, чтобы отправить задание на подготовку лиганда.
Визуализируйте подготовленные лиганды в окне программы. Откройте программу для оптимизации геометрии конструкций. Перейдите на вкладку «Файл» и нажмите «Открыть», чтобы выбрать загруженный SDF из PubChem.
Перейдите на вкладку «Рассчитать» и выберите «Настройка расчета по Гауссу». На вкладке Тип задания выберите Оптимизация или Оптимизация плюс Частота. Теперь перейдите на вкладку «Метод» и выберите метод «Квантовая химия».
Выберите в раскрывающихся меню «Конус Фиктивный глобальный гибридный обмен Плотность корреляции», «Базисный набор», «Заряд» и «Вращение». Перейдите на вкладку «Название» и введите имя исследуемого соединения. Перейдите на вкладку Link Zero и укажите ограничение памяти и общие процессоры.
Снимите галочки с окошек «Полный контур». Нажмите кнопку Редактировать внизу, чтобы сохранить входной файл Гаусса в нужном месте с выбранным именем файла: Gaussian Job File или GJF. Перейдите в раздел «Задачи» и выберите «Генерация рецепторной решетки», чтобы обнаружить активный центр белка, связанный с лигандом кристалла ядра.
Нажмите кнопку Выбрать, чтобы определить лиганд, а затем выберите сокристаллизованный лиганд. Нажмите кнопку Выполнить, чтобы отправить сетку для создания. Для молекулярного докинга перейдите в раздел Задачи, выберите Ligand Docking, а затем выберите Ligand Docking Glide Docking.
Затем загрузите файл сетки и выберите лиганды из рабочей области с помощью опции Use Ligand From. Установите флажок Display Receptor вверху, добавьте подходящее имя задания и отправьте задание, нажав кнопку Run. На вкладке «Настройки» выберите предпочтительный метод точности закрепления.
Настройте ограничения, такие как водородные связи. Проверив все настройки, нажмите «Выполнить», чтобы начать процесс стыковки. Просмотрите результаты докинга и сравните баллы докинга до и после оптимизации лигандов.
Выберите пару докированного белка и лигандного комплекса в навигаторе рабочего пространства. Перейдите в раздел Задачи, перейдите в Ligand Designer и нажмите Analyze Workspace в окне Ligand Designer. Чтобы генерировать и оценивать новые лиганды, выберите изостерное сканирование из списка рабочих процессов, что подразумевает метод выращивания, который продлевает лиганд за счет добавления фрагментов к существующим молекулярным структурам.
Проанализируйте результаты стыковки перечисленных соединений и определите соединение с более отрицательным значением, чем сокристаллизованное соединение минус 9,242. Затем нажмите на кнопку «Задача» и выберите Desmond System Builder. На панели «Сборщик систем» выберите вкладку «Решение».
Выберите предопределенную модель растворителя, которая подходит для комплекса белковых лигандов. Затем выберите форму коробки и метод расчета размера коробки. Затем выберите вкладку «Ионы» и нажмите «Пересчитать», чтобы нейтрализовать систему, добавив встречные ионы и установив желаемую концентрацию раствора.
После подготовки системы просмотрите проект в рабочей области. Выберите комплекс белковых лигандов в навигаторе рабочего пространства. Перейдите в раздел «Задача» и выберите «Молекулярная динамика Десмонда».
Загрузите белковый комплекс лиганда из рабочей области на панели «Молекулярная динамика». Выберите нужную временную шкалу моделирования на вкладке Моделирование. Выберите NPT в качестве класса ансамбля.
Назовите задание соответствующим образом на панели «Молекулярная динамика». Запишите задание и нажмите «Закрыть», чтобы выйти из окна «Молекулярная динамика». Отправьте написанное задание на подготовку молекулярной динамики через локальный терминал.
По завершении откройте завершенное задание и продолжите время моделирования с первоначально заданного временного шкалы до желаемого времени моделирования. Например, 100 наносекунд или 200 наносекунд. Откройте файл Траектория и воспроизведите траекторию.
Визуализируйте место уравновешивания комплекса белковых лигандов и обратите внимание на количество кадров. Отправьте задание через Терминал. Просмотрите содержимое выходного файла, чтобы проанализировать сгенерированные результаты, и загрузите файл CSV.
Откройте файл CSV и обратите внимание на энергию связывания. Наконец, используйте показанное уравнение и рассчитайте энергию свободной связи комплекса путем усреднения значений энергии связи, определенных для каждого снимка в рамках MD-моделирования. Точечная диаграмма показывает наблюдаемую активность в сравнении с прогнозируемой активностью для первого класса модели QSAR.
На графике показано соответствие между первым классом в качестве обучающего набора и ненуклеотидными ингибиторами обратной транскриптазы в качестве тестового набора для получения значения прогностической активности. Обучающая выборка хорошо совпала с линией регрессии, в то время как тестовая выборка имела незначительные отклонения. Силы взаимодействий между белками в разных лигандах выявили водородные связи с лизином 101 во всех лигандах.
Молекулярно-динамическое моделирование свободного белка стабилизировалось примерно через 60 наносекунд при среднеквадратичном значении около 3,5 ангстрем, что подтвердило надежность протокола. Перечислил этравирин, который стабилизировался на уровне 3,5. Ангстремы продемонстрировали более сильное и стабильное связывание в активном центре ВИЧ с одной обратной транскриптазой по сравнению с этравирином, который стабилизировался на уровне 4,5 ангстрем.
Временная шкала контакта перечисленного этравирина также указывает на более сильные и стабильные взаимодействия с течением времени.
Обзор
Это исследование направлено на компьютерно-ориентированное проектирование лекарств для выявления Enumerated Etravirine как потенциального терапевтического агента для лечения ВИЧ. В исследовании используется высокопроизводительное вычисление и молекулярная динамика для поддержки рационального проектирования новых ННО-обратных транскриптаз.
Ключевые компоненты исследования
Область науки
- Компьютерно-ориентированное проектирование лекарств
- Альтернативы лечения ВИЧ
- Молекулярные динамические симуляции
Фон
- Применения машинного обучения в проектировании лекарств
- Высокопроизводительное вычисление для более бызлого исследования
- Природные продукты для лечения болезней, связанных с Африкой
- Текущий фокус на лечении SARS-CoV-2
Цель исследования
- Разработать инновационные лекарства или перепрофилировать существующие
- Исследовать потенциал Enumerated Etravirine для лечения ВИЧ
- Улучшить методологии проектирования лекарств с использованием вычислительных инструментов
Использованные методы
- Высокопроизводительное вычисление с технологией ЦП и ГП
- Подготовка лигандов и молекулярное докирование
- Молекулярные динамические симуляции для комплексов белок-лиганд
- Использование программного обеспечения Schrodinger для анализа структуры
Основные результаты
- Идентификация многообещающих соединений для лечения ВИЧ
- Успешные результаты молекулярного докирования с оптимизированными лигандами
- Разъяснение молекулярных взаимодействий и динамики
- Поддержка рационального проектирования новых ННО-обратных транскриптаз
Выводы
- Enumerated Etravirine показывает потенциал в качестве терапевтического агента
- Вычислительные методы могут ускорять открытие новых лекарств
- Необходимы дополнительные исследования для проверки результатов
Часто задаваемые вопросы
Executive Industry Relevance
Computational structure-activity modeling and molecular dynamics are increasingly critical for de-risking antiviral drug discovery, especially in the context of emerging resistance to NNRTIs in HIV. This workflow enables predictive assessment of ligand binding, stability, and activity, supporting early triage and prioritization of candidate molecules. Integrating QSAR, docking, and simulation data enhances predictive confidence at the target validation and lead identification stages.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of NNRTI binding and activity against HIV-1 reverse transcriptase.
- Supports mechanistic de-risking by correlating molecular features with biological activity via QSAR modeling.
- Facilitates rapid triage of candidate derivatives based on predicted binding affinity and stability.
Screening & Assay Development
- Prepares validated ligand-protein complexes for downstream experimental screening workflows.
- Standardizes computational assessment of binding energies and RMSD for reproducible comparison.
- Generates quantitative outputs (docking scores, free energy, RMSD) to inform compound selection.
Translational & Preclinical Research
- Aligns computational predictions with disease-relevant protein targets for translational continuity.
- Provides a framework for prioritizing compounds with improved stability and binding for preclinical validation.
- Reduces risk of late-stage attrition by flagging unstable or weakly binding candidates early.
Pipeline & Workflow Integration
This integrated computational workflow spans early discovery through lead identification, providing a bridge from in silico hypothesis testing to experimental validation.
- Discovery Biology: Supports target validation by quantifying ligand-protein interactions and stability.
- Screening: Delivers reproducible, quantitative metrics for compound ranking and selection.
- Analytics: Outputs include docking scores, RMSD, and free binding energy for robust comparative analysis.
- Translational Research: Connects computational predictions to preclinical candidate prioritization when supported by stability and binding data.
- Enterprise Reuse: Establishes a scalable, reusable computational platform for future antiviral or resistance-focused projects.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target engagement and activity for NNRTI candidates.
- Operational Value: Standardizes computational workflows for reproducibility and scalability across teams.
- Strategic Value: Enables data-driven go/no-go decisions and reduces late-stage biological risk.
- Portfolio Impact: Supports risk-adjusted prioritization of antiviral candidates for advancement.
Implementation Considerations
- Requires expertise in computational chemistry, molecular modeling, and data analysis.
- Depends on access to high-performance computing infrastructure and specialized software (e.g., Schrodinger suite).
- Demands cross-team standardization of input data, parameter settings, and output interpretation.
- Adaptation may be needed for different protein targets or compound classes.
- Limitations include reliance on in silico predictions, which require experimental validation for translational progression.
Biopharma FAQs
Chapters in this video
0:00
Introduction
1:10
Retrieving and Importing Protein Structures
2:30
Ligand Preparation
3:30
Geometry and Optimization of Ligands
4:46
Receptor Grid Generation and Molecular Docking
5:57
Enumeration, Molecular Dynamics, and Molecular Mechanics with Generalized Born and Surface Area (MM-GBSA)
9:02
Results
