Моделирование фармакофоров для мишеней с обширными библиотеками лигандов: тематическое исследование SARS-CoV-2 Mpro
26 сентября 2025 г.
В данной статье представлен протокол построения консенсусной модели фармакофора путем интеграции молекулярных особенностей из нескольких лигандов. Этот метод применим для разработки лекарств, нацеленных на любую биологическую мишень с известными конформациями, связанными с лигандом, что позволяет идентифицировать ключевые особенности взаимодействия для виртуального скрининга и рационального дизайна лекарств.
В наших исследованиях изучается моделирование фармакофоров с помощью больших библиотек лигандов. В этом исследовании мы сосредоточимся на SARS-CoV-2 Mpro, чтобы определить структурные закономерности, которые руководят разработкой лекарств. Последние достижения в области моделирования фармакофоров используют более крупные и разнообразные наборы данных, которые повышают точность определения ключевых молекулярных дозаторов для разработки лекарств.
Молекулярно-динамическое моделирование и машинное обучение в настоящее время используются для совершенствования фармакофорного моделирования и улучшения результатов разработки лекарств. Ключевой проблемой является управление большими и разнообразными наборами данных лигандов при одновременном повышении точности извлечения в будущем и снижении вычислительных затрат. Мы показали, что дорогостоящие библиотеки лигандов повышают точность фармакофоров в будущем, позволяя делать более надежные прогнозы и лучше идентифицировать потенциальных кандидатов в лекарственные препараты.
Для начала запустите программное обеспечение PyMOL. Выровняйте все комплексы белковых лигандов в программном обеспечении. Для каждого выровненного комплекса извлеките конформер лиганда и сохраните его в виде отдельного файла в формате SDF.
Загрузите каждый файл лиганда по отдельности, чтобы фармить его, используя опцию «Загрузить функции». После загрузки используйте опцию «Сохранить сессию», чтобы загрузить файл фармакофора в формате JSON. Храните все загруженные файлы JSON фармакофора в одной папке для последующего использования в среде Google Colab.
Запустите Google Colab в веб-браузере и создайте новую записную книжку. Установите Conda и PyMOL, затем запустите ячейку, щелкнув значок воспроизведения или нажав Shift и Enter, чтобы подтвердить успешное выполнение. Зеленая полоса появится над ячейкой, если она заполнена правильно.
Теперь установите пакет CANFAR Python и импортируйте необходимые модули. Запустите ячейку, нажав на значок воспроизведения, чтобы подтвердить успешную установку. После успешного выполнения появится сообщение с подтверждением.
Далее создайте новую папку для хранения фармакофорных JSON-файлов. Откройте папку, щелкните правой кнопкой мыши внутри нее и выберите «Отправить», чтобы загрузить файлы JSON. Чтобы проанализировать и объединить фармакофорные признаки, извлеките их из всех загруженных файлов.
Нажмите на значок воспроизведения, чтобы запустить ячейку и сгенерировать объединенный кадр данных, содержащий признаки каждого отдельного лиганда. Отобразите все дескрипторы фармакофора, затем запустите ячейку для отображения шаблонов кластеризации. Теперь сохраните модель фармакофора в формате PyMOL.
Запустите ячейку для создания файла pse, затем сохраните модель в виде файла JSON, запустив соответствующую ячейку кода. Генерируйте кластеризованные выходные данные и дендограммы с помощью предоставленного кода. Нажмите кнопку воспроизведения и экспортируйте данные согласованной фармакофорной системы в файл CSV, выполнив команду экспорта.
Используйте сгенерированную консенсусную фармакофорную модель для виртуального скрининга. 100 основных комплексов протеазы или Mpro, сокристаллизованных с различными нековалентными ингибиторами, были выровнены для визуализации разнообразия лигандов в связывающем кармане. Каждый лиганд был индивидуально выделен из выровненных комплексов для создания отдельных файлов для виртуального скрининга.
Извлеченные лиганды были загружены на сервер pharmit и использованы для генерации структурированных JSON-файлов для моделирования фармакофора. Файлы JSON дали 1 450 фармакофорных признаков, сгруппированных в 110 кластеров, включая 23 ароматических, 30 акцепторов водородных связей, 16 доноров водородных связей, 36 гидрофобных и пять анионных кластеров. Для построения модели консенсуса были сохранены только наиболее густонаселенные кластеры, в то время как анионные кластеры были исключены из-за недостаточного количества членов.
Окончательная согласованная модель фармакофора состояла из 11 признаков, включающих три ароматических для акцепторов водородных связей, два донора водородных связей и два гидрофобных признака. После удаления наименее репрезентативного ароматического признака, около одного, были идентифицированы два соединения-кандидата. Двумерная химическая структура соединения 101 267 741 была визуализирована для подтверждения его совместимости с фармакофорной моделью.
Соединение 101267741 глубоко проникает в карман связывания Mpro, занимая субкарманы S1 и S2 более эффективно, чем референсный лиганд 38a, который распространяется по направлению к карману S1. Соединение 101267741 образует 11 межмолекулярных взаимодействий, семь водородных связей и четыре гидрофобных контакта.
Обзор
В данной статье представлен протокол построения консенсусной фармакофорной модели путем интеграции молекулярных признаков нескольких лигандов, с особым вниманием к Mpro вируса SARS-CoV-2. Этот метод расширяет возможности поиска лекарственных средств за счет выявления ключевых характеристик взаимодействия для виртуального скрининга и рационального дизайна лекарств.
Основные компоненты исследования
Область науки
- Фармакофорное моделирование
- Поиск новых лекарственных средств
- Структурная биология
Теоретические сведения
- Фармакофорное моделирование использует обширные библиотеки лигандов для выявления структурных закономерностей.
- Достижения в области моделирования повышают точность идентификации ключевых молекулярных особенностей.
- К числу проблем относятся управление разнообразными наборами данных и снижение вычислительных затрат.
- Недавние исследования показывают, что более крупные библиотеки лигандов повышают надежность прогнозирования.
Цель исследования
- Разработать консенсусную фармакофорную модель для Mpro SARS-CoV-2.
- Улучшить результаты поиска лекарственных средств за счет применения усовершенствованных методов моделирования.
- Оптимизировать процесс извлечения и анализа фармакофорных признаков.
Используемые методы
- Использовали PyMOL для выравнивания комплексов белок-лиганд.
- Извлекли конформеры лигандов и сохранили их в формате SDF.
- Загрузили файлы лигандов для генерации JSON-файлов фармакофоров.
- Использовали Google Colab для обработки данных и извлечения признаков.
Основные результаты
- Сгенерировано 1 450 фармакофорных признаков, сгруппированных в 110 кластеров.
- Итоговая консенсусная модель состояла из 11 признаков, включая ароматические взаимодействия и водородные связи.
- Соединение 101267741 идентифицировано как потенциальный препарат-кандидат.
- Визуализированы взаимодействия соединения внутри связывающего кармана Mpro.
Выводы
- Консенсусная фармакофорная модель эффективно направляет виртуальный скрининг.
- Повышение точности фармакофорного моделирования способствует более эффективной идентификации потенциальных лекарственных соединений.
- Будущие исследования могут быть сосредоточены на совершенствовании методов экстракции и повышении вычислительной эффективности.
Часто задаваемые вопросы
Значимость для отрасли
Консенсусное фармакофорное моделирование с использованием обширных библиотек лигандов обеспечивает более высокую прогностическую достоверность на ранних этапах поиска лекарственных средств, особенно для таких мишеней, как Mpro SARS-CoV-2. Интеграция различных конформаций лигандов в связанном состоянии снижает систематическую ошибку модели и обеспечивает надежный виртуальный скрининг, что напрямую влияет на идентификацию соединений-лидеров и сортировку портфеля препаратов. Этот подход оптимизирует рациональный отбор кандидатов для мишеней с богатыми структурными данными, повышая эффективность научно-исследовательских разработок предприятия.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранние этапы поиска и валидация мишени
- Позволяет проверять терапевтические гипотезы за счет фиксации консервативных признаков взаимодействия для различных лигандов.
- Обеспечивает функциональную валидацию мишеней путем идентификации ключевых молекулярных детерминант связывания в каталитической области.
- Повышает достоверность прогнозов при отборе кандидатов для портфеля за счет снижения систематической ошибки модели путем интеграции консенсусных признаков.
Скрининг и разработка анализа
- Позволяет подготавливать валидированные фармакофорные модели для масштабируемого виртуального скрининга сверхбольших библиотек соединений.
- Способствует стандартизации анализа путем определения количественных признаков взаимодействия для последующей оценки.
- Обеспечивает воспроизводимые и платформонезависимые рабочие процессы скрининга с помощью информатических инструментов с открытым исходным кодом.
Трансляционные и доклинические исследования
- Обеспечивает согласованность отбора кандидатов с характеристиками сайта связывания, релевантными для данного заболевания, поддерживая трансляционную непрерывность.
- Снижает механистические риски за счет картирования взаимодействий лигандов со структурными субкарманами мишени.
- Поддерживает принятие решений о дальнейшем продвижении с учетом рисков, отдавая приоритет соединениям с оптимальным соответствием фармакофору.
Интеграция конвейера и рабочего процесса
Данный протокол консенсусного фармакофорного моделирования подходит для этапов от раннего поиска до идентификации ведущих соединений, используя методы структурной биологии и информатики для проведения виртуального скрининга и приоритизации кандидатов.
- Биология открытий: объединяет конформации с связанным лигандом для выяснения путей связывания и снижения рисков при взаимодействии с мишенью.
- Скрининг: предоставляет количественные, воспроизводимые фармакофорные модели для высокопроизводительного виртуального скрининга.
- Аналитика: обеспечивает вывод кластеризованных признаков и статистических дескрипторов для сравнения взаимодействий лигандов.
- Трансляционные исследования: обеспечивают соответствие кандидатов характеристикам мишеней, релевантным заболеванию, для перехода к доклиническим исследованиям.
- Корпоративное повторное использование: предлагает масштабируемый рабочий процесс с открытым исходным кодом, адаптируемый к любой мишени при наличии достаточного объема данных о лигандах.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую точность и снижает механистическую неопределенность при анализе взаимодействий мишени и лиганда.
- Операционная ценность: Стандартизирует фармакофорное моделирование и обеспечивает воспроизводимый, масштабируемый скрининг.
- Стратегическая ценность: Обеспечивает обоснованность принятия решений о продолжении или прекращении разработки (go/no-go) и эффективное с точки зрения затрат распределение приоритетов при поиске ведущих соединений.
- Влияние на портфель: Способствует продвижению проектов с учетом рисков и повторному использованию моделей в различных проектах.
Особенности реализации
- Требуются экспертные знания в области структурной биологии, хемоинформатики и фармакофорного моделирования.
- Зависит от доступа к инструментам молекулярной визуализации (например, PyMOL) и вычислительной инфраструктуре (например, Google Colab).
- Необходимы стандартизированные протоколы подготовки лигандов и извлечения признаков для всех команд.
- Метод применим к различным мишеням с имеющимися структурами в комплексе с лигандом, однако ограничен качеством и разнообразием набора данных.
- Вычислительные затраты и пороги кластеризации признаков должны быть оптимизированы для сверхбольших библиотек лигандов.
