Двуязычный вычислительный рабочий процесс для выявления потенциальных ингибиторов PLK1 в американском жестовом языке и английском
3 апреля 2026 г.
Этот двуязычный протокол обеспечивает вычислительный рабочий процесс по поиску лекарств, оценивающий взаимодействия белок-лиганд между полоподобными киназ 1–3 (PLK1–3) и свойствами абсорбции, распределения, метаболизма, экскреции, токсичности и стабильности (ADMET-S) природных молекул из базы данных.
Двуязычный вычислительный рабочий процесс. Введение. Исследования показывают, что PLK1 переэкспрессируется при различных видах рака. Ингибирование PLK1 через его домен polo-box, PBD, было показано как индукция апоптоза.
Цель данного исследования — выявить селективные ингибиторы PLK1-PBD с желательными лекарственными и фармакокинетическими свойствами. Гомологи PLK2 и PLK3 подвергались тем же протоколам для оценки селективности. Протокол. Таргетная подготовка белка.
Здесь мы используем CHARMM-GUI для оптимизации PLK1, 4HCO из Protein Data Bank, PDB. Это гарантирует, что белок не содержит отсутствующих остатков или водородов. Давайте приступим к инструменту.
В разделе Input Generator выберите PDB Reader Manipulator. Прокрутите вниз до входного поля. Убедитесь, что опция PDB выбрана перед вводом 4HCO для PLK1.
На следующей странице снимите белковую цепь B, чтобы использовать только процессную цепочку A. Продолжите. Прокрутите вниз по PDB Info и продолжите. Из четырёх выходов выбираем PDB-файл и сохраняем его.
Наконец, откройте PDB-файл с помощью текстового редактора. Найдите и замените состояние протонации гистидина из HSD в HIS. Скрининг базы данных натуральных продуктов.
Подход к получению образца малых молекул для нацеления на PLK1 использует базу данных натуральных продуктов и состоит из трёх частей. Базы данных натуральных продуктов обширны, поэтому начальные соединения берутся из выбора заболеваемости и предела доверия. В этом примере используется SuperNatural 3.0.
SuperNatural 3.0 используется для получения молекул путём отбора заболеваний. Один из способов отправки запросов — через человеческие пути. Здесь выбирают рак молочной железы.
Идентификатор KEGG для этого пути находится здесь. Затем мы вводим ID KEGG в путь SuperNatural 3.0. В качестве альтернативы мы можем нажать «Болезнь», выбрать рак молочной железы и сохранить полный файл результатов.
В часто задаваемых вопросах можно скачать всю библиотеку базы данных. Продолжайте. Затем распакуйте архивированные файлы, получите CSV и удалите zip-файл. Open R Studio или IDE на ваш выбор.
После импорта данных в R Studio первоначальные полные результаты имеют 73 046 молекул. После применения пределов доверия выделяется 1 193 молекулы. Кластерный выбор.
После применения правила пяти Липиньски с RDkit. Химический пакет, у нас осталось 999 молекул. Здесь очевидно, что у нас 999 молекул.
Далее применяем кластеризацию K-средних для получения 50 представительных молекул. Кластеризация основана на сходстве Танимото. Расчёт состыковки между белками и лиганды и аффинности связывания.
Цель этого метода — пристыковать PLK1 к каждому лиганду для аффинности связывания. Переходите к открытию CB-Dock2. Перейдите к вкладке Dock.
Здесь мы загружаем 4hco. PDB — целевой белок для стыковки. Загрузите лиганд.
Здесь мы начинаем с лиганда один. В качестве альтернативы вы можете ввести или вставить эту строку SMILES. Для удобства сбора данных напишите в своём почте.
После этого нажмите «Автоматическое слепое стыковка». Результаты присылаются по электронной почте. Сохраните zip-файл результатов стыковки.
После сохранения архив распаковывается, и внутри него размещаются различные файлы. Удалить все файлы, кроме комплекса. PDB-файлы.
Должен быть стандартный комплекс пяти. PDB-файлы. Очистите каталог, удалив нераспакованные zip-файлы.
После завершения белок-лигандного соединения с CB-Dock2, который ранжировал позы по баллам Вины, следующим шагом является расчёт связывающей аффинности с PRODIGY. Связывание с PRODIGY обеспечивает конкурентную оценку селективности белков. Выгодно, чтобы лиганды были селективны по отношению к PLK1, а не к структурным гомологам.
Переходите на веб-сервер PRODIGY. Выберите вкладку PRODIGY-LIGAND. Скажите о комплексе.
PDB для определения идентификаторов цепочки белков и лигандов. Комплекс. PDB-файл открывается с помощью текстового редактора.
Идентификатор цепи белка — P.That вставляется в веб-сервер. Цепочка лигандов обычно начинается с HETATM. Ищите это.
Идентификатор цепи лиганда — A:UNL. Это вставляется в веб-сервер. Пять комплексов, предоставленных для каждой комбинации белковых лигандов, будут загружены одновременно.
Разработанный скрипт управления файлами используется в R для этой задачи. Скрипт архивирует pdb-файл для всех комбинаций стыковки. После архивирования файлы вручную загружаются в PRODIGY.
Переходите к отправке лигандов PRODIGY. В загруженной комбинации есть список аффинностей связывания для каждой пяти поз. Дельта-Гноелек — это показатель аффинности связывания, исключающий электростатические расчёты.
Продолжайте сохранять результаты, которые зафиксированы. При открытии zip-файла появляется папка вывода с оценками аффинитета. Оценка ADMET-S.
Оценка ADMET, без стабильности, включает три разных инструмента. ADMET оценивает лекарственность и биодоступность с использованием более чем 120 свойств. ORCA применяет Теорию функционала плотности (DFT) для анализа свойств лекарств.
Давайте продолжим. Создайте каталог для стабильности. Достать нитку SMILES из небольшой молекулы.
Открыть Avogadro, или редактор молекул на ваш выбор. Используйте струну SMILES, чтобы построить свою маленькую молекулу. Сохраняйте молекулу после её построения.
Убедитесь, что он находится в подкаталоге стабильности. Переходите к оптимизации геометрии. Далее формируется входный файл ORCA.
Скопируйте и вставьте желаемый уровень теории, как видно в четвёртой строке примерного документа. Перейти к замене стандартного уровня теории. Переходите к созданию файла.
Сохраняйте в этой папке со стабильностью. Добавьте sh-файл или bash-файл заданий. Переходите к настройке параметров файла заданий.
Например, письмо, которое нужно уведомить, можно настроить. Репрезентативные результаты. Во-первых, у нас есть PCA для редукции многомерности.
На рисунке показаны различные пронумерованные скопления, сгруппированные в серые эллипсы. Далее — результаты выборки лиганда 1 и PLK1-PBD. В левом верхнем углу изображена лиганд 1 зелёного цвета с нежелательными остатками — красным и оранжевым.
Справа — представительная модель после очистки и подготовки с помощью CHARMM-GUI. Ниже пристыкован комплекс с PLK1, PBD и лиганды 1. Кроме того, CB-Dock2 демонстрирует пять лучших стыковочных кариесов и их сходства в виде результатов Вина.
Прогнозируемые аффинности связывания PRODIGY можно визуализировать с помощью тепловых карт. Тепловая карта показывает роли гомологов PLK1, 2 и 3. Красный символизирует слабую, нежелательную аффинность, а зелёный — противоположное.
Оценка ADMET-S может быть представлена различными цифрами. Первое — варёное яйцо. Тепловая карта, определяющая статус ингибитора и несубстрата с зелёным и красным лигандами по различным метаболическим показателям.
Для клиренса используется линейный график, показывающий идеальные пороги времени для распределения препарата до экспрессии. Различные метрики также могут быть собраны в полезную радарную диаграмму. Количество токсикофоров в каждом лиганде можно отобразить с помощью столбцовой таблицы.
Toxtree предлагает как классификацию токсичности лекарств, так и качественное рассуждение на основе дерева решений по правилам Крамера. Стабильность или молекулярная реактивность можно отобразить с помощью линейного графика с адекватными порогами разрыва между HOMO-LUMO. Заключение. В итоге, этот протокол использует различные инструменты виртуального скрининга на наркотики, связывающий аффинитет и ADMET-S на уровне старшей школы или бакалавриата.
Полученные результаты этого протокола имеют потенциал увеличить доходность благоприятного открытия лекарств.
Обзор
Этот протокол демонстрирует двуязычный вычислительный рабочий процесс для идентификации потенциальных ингибиторов PLK1. Он подчеркивает важность оценки взаимодействий белок-лиганд и свойств ADMET-S в открытии лекарств.
Ключевые компоненты исследования
Область науки
- Химия
- Компьютерная биология
- Фармакология
Бэкграунд
- PLK1 переэкспрессирован в различных видах рака.
- Ингибирование PLK1 может индуцировать апоптоз.
- Целью исследования является идентификация селективных ингибиторов PLK1-PBD.
- Для скрининга потенциальных ингибиторов используются базы данных натуральных продуктов.
Цель исследования
- Разработать рабочий процесс для идентификации ингибиторов PLK1.
- Оценить лекарственные и фармакокинетические свойства кандидатов.
- Использовать вычислительные инструменты для открытия лекарств.
Использованные методы
- Подготовка белков с помощью CHARMM-GUI.
- Скрининг базы данных натуральных продуктов с использованием SuperNatural 3.0.
- Докинг белок-лиганд и расчёты связывающей способности.
- Оценка ADMET-S для определения лекарственности и биодоступности.
Основные результаты
- Идентификация 999 кандидатских молекул после скрининга.
- Рассчитанные связывающие способности с использованием PRODIGY.
- Оценка ADMET-S предоставляет представление о свойствах лекарств.
- Визуализация результатов через различные графические представления.
Выводы
- Протокол предлагает всеобъемлющий подход к виртуальному скринингу лекарств.
- Он имеет потенциальные применения в улучшении усилий по открытию лекарств.
- Рабочий процесс подходит для образовательных целей на уровне средней или высшей школы.
Часто задаваемые вопросы
Executive Industry Relevance
Selective inhibition of PLK1's polo-box domain (PBD) is a promising strategy for oncology drug discovery, but high homology with PLK2 and PLK3 demands rigorous selectivity assessment to avoid off-target effects. This bilingual computational workflow integrates virtual screening, clustering, docking, binding affinity prediction, and ADMET-S profiling to prioritize natural-product-derived candidates for further validation. The approach supports early-stage triage and hypothesis generation, enabling more informed advancement decisions in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of PLK1-PBD as a therapeutic target while benchmarking selectivity against PLK2 and PLK3.
- Supports biological de-risking by computationally filtering out candidates with undesirable off-target profiles.
- Facilitates predictive confidence in target engagement through quantitative docking and binding affinity outputs.
Screening & Assay Development
- Prepares a chemically diverse, drug-like compound set for downstream biochemical or cellular screening.
- Standardizes virtual screening and clustering to ensure reproducibility and chemical diversity in candidate selection.
- Generates quantitative binding affinity and ADMET-S data to inform assay prioritization and design.
Translational & Preclinical Research
- Aligns computational predictions with disease relevance by filtering for breast cancer pathway association.
- Provides a focused set of candidates for experimental validation, supporting translational continuity from in silico to in vitro studies.
- Enables risk-adjusted advancement by integrating ADMET-S and quantum mechanical stability predictions.
Pipeline & Workflow Integration
This workflow bridges early discovery and lead identification by integrating virtual screening, selectivity assessment, and drug-likeness profiling for PLK1-PBD inhibitors.
- Discovery Biology: Supports hypothesis testing and mechanistic de-risking by comparing ligand binding across PLK1, PLK2, and PLK3.
- Screening: Delivers a reproducible, clustered compound set with quantitative docking and ADMET-S outputs for assay readiness.
- Analytics: Provides binding affinity heatmaps, ADMET-S radar charts, and toxicity classifications to enable data-driven triage.
- Translational Research: Connects computational predictions to experimental prioritization for breast cancer-relevant candidates.
- Enterprise Reuse: Establishes a modular, bilingual workflow adaptable to other kinase targets or disease pathways.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in early-stage oncology target validation.
- Operational Value: Standardizes computational workflows for reproducibility, scalability, and cross-team adoption.
- Strategic Value: Enables more efficient go/no-go decisions and capital allocation by prioritizing candidates with favorable selectivity and ADMET-S profiles.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidates with translational potential.
Implementation Considerations
- Requires expertise in cheminformatics, molecular docking, and ADMET-S analysis.
- Depends on access to computational infrastructure and specialized software (e.g., CHARMM-GUI, CB-Dock2, PRODIGY, ORCA).
- Demands standardized data management and cross-team workflow documentation for reproducibility.
- May require adaptation of clustering and filtering parameters for different target families or disease contexts.
- Virtual predictions must be experimentally validated to confirm selectivity and mechanism of action.
