Method Article

Topluluk Tabanlı Yerleştirme Analizi Kullanarak Hesaplamalı İlaç Keşfinde Hedef Protein Yapısı, Esnekliği ve Dinamiklerinin Dahil Edilmesi

DOI:

10.3791/67174

⸱

June 20th, 2025

 , 
1Bioinformatics Programme, Institute of Biological Sciences, Faculty of Science, Universiti Malaya, 2Centre of Research in Systems Biology, Structural Bioinformatics and Human Digital Imaging (CRYSTAL), Universiti Malaya

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hesaplamalı yöntemler, ilaç keşfini hızlandırmak için vaatlerde bulunur, ancak protein yapılarının dinamik doğasını sıklıkla gözden kaçırırlar. Burada, protein esnekliğini dolaylı olarak dahil etmek ve potansiyel olarak ilaç keşif çabalarının doğruluğunu ve güvenilirliğini artırmak için topluluk tabanlı yerleştirme analizini tartışıyoruz.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

İlaç keşif süreci titiz, zaman alıcı ve pahalı bir işlemdir. İlaç keşfindeki hesaplamalı yaklaşım, araştırmacıların daha ileri testler için en umut verici bileşiklere öncelik vermelerine olanak tanır, bu da gerekli kaynakları büyük ölçüde azaltacak ve ilaç keşif boru hatlarında genel verimliliğin artmasına yol açacaktır. Yapıya dayalı ilaç keşfi, hedef proteinin yapısal bilgisini üç boyutlu bir formatta gerektiren yaygın bir yaklaşımdır. Bununla birlikte, çoğu bilgisayar destekli ilaç keşif stratejisinin mevcut sınırlaması, ligand-protein yerleştirme simülasyonu sırasında hedef protein yapısının esnekliğini ve dinamiklerini tanıtamamalarıdır. Hem indüklenmiş uyum yerleştirme hem de topluluk tabanlı yerleştirme, yerleştirme prosedüründe protein esnekliğini ele almayı amaçlarken, ikincisi, simülasyon boyunca birden fazla konformasyonu dahil ederek dinamik protein davranışının daha kapsamlı bir görünümünü sağlayabilir. Bu raporda, moleküler yerleştirme sürecinde hedef protein yapısının esnekliğini ve dinamiklerini dolaylı olarak tanıtan topluluk tabanlı yerleştirme analizi adı verilen bir tekniğin uygulamasını gösteriyor ve tartışıyoruz. Topluluk bazlı yerleştirme çalışmaları için seçilen protein ve ligand, sırasıyla lizozim ve Flovokawain B (FB) idi. FB'nin daha önce lizozim ile bağlanma aktivitesine sahip olduğu bildirilmiştir. Su varlığında lizozim üzerinde bir moleküler dinamik (MD) simülasyonu gerçekleştirildi ve toplam enerji, kök-ortalama-kare sapması (RMSD) ve kök-ortalama-kare dalgalanması (RMSF) incelendi. Konformasyon kümelemesi, çeşitli kümeleme kesme değerlerine dayalı olarak oluşturuldu ve FB ile ek yerleştirme analizi için seçildi. 2 nolu küme -29.37 kJ/mol ile en düşük bağlanma enerjisini vermektedir. Bağlanma kuvvetlerinin varlığını tahmin etmek için moleküler yerleştirme görüntüleri oluşturuldu. Proteinin yapısal dinamiklerini birleştirerek, topluluk tabanlı yerleştirme yaklaşımı, olası bağlanma senaryolarının aralığını daha iyi yakalayabilir ve bu da bağlanma sonuçlarının daha güvenilir tahminlerine yol açar.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hesaplamalı ilaç keşfinde (CDD), bilgisayar bilimi, kimya, biyoloji ve fizikten teknikler, geniş kimyasal alanı keşfetmek, ilaç-hedef etkileşimlerini tahmin etmek ve ilaç adaylarını yalnızca geleneksel deneysel yöntemlere kıyasla daha yüksek verimlilik ve daha düşük maliyetlerle optimize etmek için entegre edilmiştir. Yeni terapötik bileşiklerinkeşfini ve optimizasyonunu hızlandırmak için hesaplama yöntemlerinden ve algoritmalardan yararlanan güçlü bir yaklaşımdır 1,2,3. CDD, ilaç keşfinde devrim yarattı. Bununla birlikte, hesaplama tahminlerinin doğruluğunu ve güvenilirliğini etkileyebilecek protein üç boyutlu (3D) yapı dinamikleri ile ilişkili sınırlamalar vardır4. Protein 3D yapıları, hedef protein-ilaç etkileşimlerine dayalı olarak ilaç adaylarının tasarımı veya optimizasyonu için CDD'de şablon görevi görür. Protein yapılarının X-ışını kristalografi modelleri, protein hakkında değerli yapısal bilgiler sağlarken, protein yapılarının dinamik doğasını ve statik modellerinsınırlamalarını tanımak esastır 5,6,7. Ek olarak, kriyo-elektron mikroskobu (cryo-EM) ve AlphaFold gibi hesaplamalı tahminlerdeki son gelişmeler, protein esnekliği ve dinamiklerinin tam spektrumunu yakalamada yapısal verilerin kullanılabilirliğini de büyük ölçüde genişletmiştir 8,9,10,11,12.

Moleküler dinamik (MD) simülasyonları, atomların ve moleküllerin zaman içindeki hareketini ve etkileşimlerini simüle ederek, protein 3D yapısının dinamik davranışı ve esnekliği hakkında içgörüler sağlar 13,14. MD simülasyonları, topluluk tabanlı yerleştirme analizi için girdi görevi gören çeşitli konformasyonel durumları temsil eden proteinin 3D yapılarını oluşturmak için kullanılır. Çeşitli protein konformasyonlarının örneklenmesi yoluyla, topluluk tabanlı yerleştirme analizi, biyolojik hedeflerin doğal esnekliğini ve dinamiklerini hesaba katarak, ligand bağlanma modlarının ve etkileşimlerinin daha kapsamlı bir şekilde araştırılmasına olanak tanır3.

Protein esnekliğini anlamak, ilaçların biyolojik etkilerini nasıl uyguladığını etkilediği, bağlanma bölgelerinin yerini ve yönünü belirlediği ve bağlanma kinetiğini, metabolizmasını ve taşınmasını etkilediği için önemlidir15,16. Bu dinamik doğayı yakalamak, yerleştirme tahminlerinin doğruluğunu ve güvenilirliğini önemli ölçüde artırabilir. 1994 yılında, Kearsley ve ark. hem ligandların hem de proteinlerin esnekliğini modelleyen bir çerçeve olan esnek bir yerleştirme tekniği tanıttı. Bu yaklaşım, proteinin konformasyonunun kenetlenme sırasında ayarlanmasına izin vererek, yapısal esnekliği hesaba katarak ligand-reseptör etkileşimlerinin tahminlerini iyileştirir17. Benzer şekilde, 1999'da Carlson ve ark. HIV-1 integrazın hem statik hem de dinamik modellerine esnek farmakofor modellemesi uygulayan topluluk yerleştirme hakkında rapor verdi ve yerleştirme çalışmalarında protein dinamiklerini hesaba katmanın önemini daha da vurguladı18. Ayrıca, Cavasotto ve ark. normal mod analizi19 kullanılarak yerleştirme işlemine reseptör esnekliğini dahil ederek ligand yerleştirme doğruluğunun iyileştirildiğini de bildirmiştir. Daha yakın zamanlarda, topluluk tabanlı teknikler 20,21,22,23,24,25,26,27, potansiyel yeni ligand bağlanma bölgelerini belirleyerek ve serbest ligand-reseptör bağlanma enerjisinin daha doğru tahminlerini sağlayarak ilaç keşfini genişletti. Bu gelişmeler, dörtlü-dubleks DNA20, vasküler endotelyal büyüme faktörü 165 (VEGF-165)21, SARS-CoV-2 hedef enzimi22, insan karaciğeri sitokrom P450 enzimleri23 ve antikanser proteinleri24 gibi hedeflere uygulanmıştır.

Bir flavonoid olarak sınıflandırılan Flavokawain B'nin (FB) çeşitli farmakolojik özellikler sergilediği belgelenmiştir 28,29,30. Deneysel ve hesaplamalı analize dayanarak, FB'nin, antimikrobiyal aktivitesi ile yaygın olarak tanınan ve aynı zamanda bir ligand taşıyıcısı 32,33,34 olarak tanımlanan bir protein olan lizozim (LYZ)31 ile stabil bir kompleks oluşturduğu bildirilmiştir. Bu raporda, FB-LYZ kompleks oluşumunda protein esnekliğinin etkisini dahil etmek için topluluk tabanlı yerleştirme analizi kullanarak FB'nin LYZ ile etkileşiminin doğasını daha fazla analiz ediyoruz. Bu yöntemin amacı, araştırmacılara topluluk tabanlı yerleştirme analizi için adım adım, tekrarlanabilir bir süreç sağlamaktır. Ek olarak, araştırmacıların araştırma için hedef organizmadan protein yapılarını seçmeleri tavsiye edilir.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Flavokawain B ligand yapısının hazırlanması

  1. PubChem web sitesini açın. Flavokawain B'yi arayın. İndir'i seçin ve SDF 2D yapısı için Structure2D_COMPOUND_CID_5356121.MDL SDF olarak kaydet'i seçin.
  2. Avogadro yazılımını açın. SDF dosyasını yazılımın boş alanına taşıyın. Evet'e tıklayın.
    NOT: Avogadro yazılımı otomatik olarak üç boyutlu (3D) bir geometri oluşturacaktır.
  3. Sekmede, Şekil 1'de gösterildiği gibi simgeye tıklayın. Sol menü sekmesinde, kuvvet alanını MMFF9435,36 olarak değiştirin. Güncelleme başına adım sayısını 15 olarak ayarlayın. Algoritmayı En Dik İniş olarak ayarlayın ve Başlat'a tıklayın.
    NOT: Döndürme devam ederken hiçbir atomu hareket ettirmeyin. İşiniz bittiğinde Durdur'u tıklayın. MMFF94, çok çeşitli küçük moleküllü ligandlar (hem nötr hem de yüklü dahil) için uygundur ve enerji minimizasyonu ve moleküler modelleme için yaygın olarak kullanılır37. En Dik İniş yöntemi, ilk enerji minimizasyonu için seçilir, çünkü basit, hesaplama açısından verimli ve büyük yapısal gerilmeleri gidermek ve temel bir minimizasyon durumu 38,39,40 elde etmek için etkilidir.
  4. Menü sekmesinde Dosya'ya gidin ve Farklı Kaydet'e tıklayın. Bir Molekülü Farklı Kaydet klasörü göründüğünde, dosya adını ligand.pdb olarak yazın ve Kaydet'e tıklayın.

2. Lizozim protein yapısı hazırlığı

  1. RCSB protein veri bankası web sitesini açın. Lizozim arayın, kod: 1LYZ. Dosyaları İndir'e tıklayın ve PDB Formatı'nı seçin. 1lyz.pdb olarak kaydedin.
  2. Chimera yazılımını açın. Sekmede, Dosya ve Aç'ı tıklatın. Klasörde 1lyz.pdb dosyasını seçin.
    NOT: Yazılım kullanılarak lizozimin 3 boyutlu bir yapısı oluşturulacaktır.
  3. Sekmede, Select > Residue > HOH'a tıklayın. Ardından Eylemler > Atom/Tahviller > Sil'i tıklayın. Seç ve Seçimi Temizle'yi tıklayın.
    NOT: Bu, proteinden herhangi bir suyu uzaklaştıracaktır.
  4. Sekmede, A > > Zinciri Seç'e tıklayın. Ardından Araçlar > Yapı Düzenleme > AddH'yi tıklayın. Bir parametre kutusu çıkacak ve varsayılan olarak bırakacaktır. Tamam'a tıklayın. Seç ve Seçimi Temizle'ye tıklayın (Şekil 2).
    NOT: Bu, proteine hidrojen ekleyecektir. Histidin kalıntısı da nötr bir sistem oluşturmak için protonlanır. Yazılım, PROPKA 41,42'yi entegre ederek pKa hesaplamaları yapabilir.
  5. Sekmede, ardından Araçlar, Yapı Düzenleme ve Ücret Ekle'yi tıklayın. Bir parametre kutusu çıkacaktır; Gasteiger'ı seçin. Tamam'a tıklayın. NOT: Bu, proteine kısmi yükler ekleyecektir.
  6. Dosyayı kaydetmek için, sekmede Dosya > PDB'yi Kaydet'e tıklayın. Protein.pdb olarak kaydedin.
    NOT: Bu çalışmada, lizozimin yapısı daha önce bildirilen sonuç31 ile karşılaştırmak için seçilmiştir. Okuyuculara, ilgilendikleri hedef organizmadan protein yapılarını dikkatlice seçmeleri tavsiye edilir.

3. Sudaki lizozimin MD simülasyonu

NOT: Bu çalışmada kullanılan moleküler dinamik (MD) simülasyonu için özel olarak oluşturulmuş bilgisayarlar, CPU için Intel CORE i7 11. nesil, GPU için NVIDIA Geforce RTX 2060 ve DDR4 128 GB bellektir. İşletim sistemi Ubuntu 22.04.4 LTS'dir. MD simülasyonu GROMACS yazılımını kullanıyor. GPU desteği CUDA'dır.

  1. Gerekli tüm belgeleri bu bağlantıdan indirin: http://www.mdtutorials.com/gmx/lysozyme/01_pdb2gmx.html (GROMACS Eğitimi, Sudaki Lizozim)43.
    NOT: Gerekli belgeler em.mdp, ions.mdp, md.mdp. npt.mdp, nvt.mdp, charmm36 ff ve protein.pdb'dir (adım 2.5'ten itibaren). Sistem kurulumu için, em.mdp enerji minimizasyonu içindir ve ions.mdp , iyonları eklemek ve sistemi nötralize etmek içindir. Dengeleme için, nvt.mdp sıcaklık dengelemesi içindir, npt.mdp ise basınç dengelemesi içindir. Üretim için, md.mdp simülasyon içindir. Charmm36 ff topoloji içindir.
  2. Klasördeki boş alana (çalışma dizini) sağ tıklayın ve Terminali Aç'a tıklayın. GROMACS yazılımını açmak için gmx yazın. NOT: GROMACS'ın grafiksel bir kullanıcı arayüzü yoktur; Hepsi terminalde yazılan komuttan.
  3. Protein topolojisinin oluşturulması için gmx pdb2gmx -f protein.pdb -o protein.gro –ignh yazın. Kuvvet alanlarının bir listesi verilmiştir ve CHARMM tüm atom kuvvet alanı44 için tip 1, ardından su modeli için TIP1P için tip 3 gelir.
    NOT: Güncellenmiş sürüm olan CHARMM36 de mevcuttur ve http://mackerell.umaryland.edu/charmm_ff.shtml45'ten indirilebilir.
  4. Tüm protein yapısını kaplamak için kübik bir kutu tanımlayın. gmx editconf -f complex.gro -o newbox.gro -c -d 1.0 -bt cubic yazın. NOT: Protein, kutu kenarından en az 1 nm uzağa yerleştirilir. Su kutusu boyutunun protein, çözücü ve iyonlar için yeterince büyük olduğundan emin olun. Ek olarak, su kutusu, proteinin periyodik görüntüleri arasındaki etkileşimleri önlemek için yeterli olmalıdır. Protein ve kutu kenarı arasında önerilen minimum mesafe en az 1.0-1.5 nm'dir.
  5. Çözücü konfigürasyonu46 için gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro yazın.
  6. Sodyum ve/veya klorür gibi iyonları gmx solvate -cp newbox.gro -cs spc216.gro -p topol.top -o solv.gro yazarak ekleyin.
    NOT: Sodyum ve/veya klorür iyonları sistemi nötralize etmek için kullanılır.
  7. gmx genion -s ions.tpr -o solv_ions.gro -p topol.top -pname NA -nname CL -neutral yazarak sistemi nötralize edin. SOL grubu için 13'ü seçin.
    NOT: Lizozim için 8 çözünen molekül klorür iyonları ile değiştirilmiştir (Şekil 3).
  8. CHARMM 36 dosyasında ions.itp klasörünü arayın. Klorür iyonunun kısaltması CLA'dır.
  9. topol.top dosyasını açın, Şekil 4'te gösterildiği gibi CLA ve 8 numarayı ekleyin.
  10. solv_ions.gro dosyasını açın ve tüm CL'leri CLA'ya dönüştürün.
    NOT: solv_ions.gro ve topol.top dosyalarının ilgili iyonların aynı kısaltmasına sahip olduğundan emin olun, aksi takdirde bir uyarı çıkacaktır. İyon adının yeniden adlandırılması, CHARMM 36 ff dosya sürümüne uygundur. Klorürün kısaltması zaten CL olduğundan, eski sürümdeki iyonları yeniden adlandırmaya gerek yoktur. Bununla birlikte, her zaman iyonların kısaltmasını kontrol edin.
  11. Maksimum 50.000 adım ile en dik iniş enerji minimizasyonu ile protein yapısını gevşetin. Bunun için gmx grompp -f em.mdp -c solv_ions.gro -p topol.top -o em.tpr yazın ve ardından gmx mdrun -v -deffnm em yazın.
    NOT: Çözücü ve iyonlar proteinin etrafında iki fazda dengelenir: (i) parçacık sayısı (N), sistem hacmi (V) ve sıcaklık (T) sabittir (NVT) ve (ii) parçacık sayısı (N), sistem basıncı (P) ve sıcaklık (T) sabittir (NPT). Sıcaklık bağlantısı (NVT fazı), modifiye edilmiş bir Berendsen termostatına göre 300 K'ye ayarlanırken, basınç kuplajı (NPT fazı) Parrinello-Rahman'a göre 1 bar'a ayarlanmıştır. Uzun menzilli elektrostatik etkileşimler ve en yakın komşu araması, sırasıyla parçacık ağı Ewald (PME) yöntemi ve Verlet algoritması kullanılarak otomatik olarak hesaplanır.
  12. NVT'nin dengesi için, gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -n index.ndx -o nvt.tpr ve ardından gmx mdrun -v -deffnm nvt yazın.
    NOT: Sıcaklık dengelemesi için geçen süre, CPU ve GPU'ya bağlı olarak yaklaşık 5 dakikadır. Sistem dengesi için simülasyon süresi 100 ps'dir.
  13. NPT dengesi için, gmx grompp -f npt.mdp -c nvt.gro -r nvt.gro -t nvt.cpt -p topol.top -o npt.tpr ve ardından gmx mdrun -v -deffnm npt yazın.
    NOT: Basınç dengelemesi için geçen süre, CPU ve GPU'ya bağlı olarak yaklaşık 5 dakikadır. Sistem dengesi için simülasyon süresi 100 ps'dir.
  14. Sistemin 1 ns boyunca dengeleme çalışmalarından geçmesini ve ardından 100 ns'lik bir süre ile mdrun fonksiyonunu kullanarak üretim çalıştırmasından geçmesini sağlayın. md.mdp dosyasını açın. N adımda, 50000000 olarak değiştirin; 2 ' 50000000 = 100000 ps (100 ns).
  15. Moleküler dinamiğin üretimi için, gmx grompp -f md.mdp -c npt.gro -t npt.cpt -p topol.top -o md.tpr ve ardından gmx mdrun -v -deffnm md yazın.
    NOT: Bunun için süre ~2 gün civarındadır. MD simülasyonundan oluşturulan yörünge çerçeveleri 10 ps aralıklarla yakalanır ve kök ortalama kare sapması (RMSD) tabanlı kümeleme analizi için kullanılır.

4. RMSD tabanlı kümeleme analizi

  1. MD simülasyonundan sonra komut analizine devam edin. Protein birim hücre boyunca yayılır ve kutunun diğer tarafına "kırılmış" veya "atlayıcı" görünebilir. gmx trjconv -s md.tpr -f md.xtc -o md_center.xtc -center -pbc mol -your compact yazın. Proteini merkezlemek için 1 ve sistemin çıktısı için 0 yazın. Proteini görselleştirmek için vmd em.gro yazın.
  2. Toplam enerji analizi için gmx energy -f md.edr -o totalenergy.xvg yazın ve toplam enerji için 14 yazmaya devam edin.
    NOT: MD simülasyonlarının güvenilirliğini ve doğruluğunu sağlamak için toplam enerjinin izlenmesiesastır 47,48.
  3. RMSD çözümlemesi için gmx rms -s md.tpr -f md_center.xtc -o rmsd.xvg -tu ns yazın. RMSD hesaplamasının en küçük kareler sığdırıcısının C-alfa'sı için 3 ve C-alfa'sı için 3 yazmaya devam edin (Şekil 5).
  4. RMSF çözümlemesi için gmx rmsf -s md.tpr -f md_center.xtc -o rmsf.xvg –res yazın. Protein için tip 1'e devam edin.
  5. Grace kullanmak için bu komutu xmgrace totalenergy.xvg yazın. Grafik kutusu satırına çift tıklayarak eksenleri ayarlayın. Bir Grace: Axes kutusu görünecektir. Kabul Et'i tıklayın.
  6. Sekme menüsünde Dosya'yı tıklatın ve Print_setup. A Grace: Cihaz kurulumu görünecektir. Cihazı PostScript'ten JPEG'e değiştirin. Kabul Et'i tıklayın. Şimdi dosya menüsünde Yazdır'a tıklayın. totalenergy.jpg olarak kaydedin.
  7. xmgrace rmsd.xvg ve xmgrace rmsfxvg için 4.5 ve 4.6 adımlarını yineleyin.
  8. Küme analizi için gmx cluster –s md.tpr –f md_center.xtc –g cluster.log –sz cluster-size.xvg –clid clus-id.xvg –cl cluster.pdb –cutoff 1.0 yazın. En küçük kareler uyumunu hesaplamak için tip 1'e (protein grubu) ve sistem çıktısı için RMSD'ye ve tip 1'e (protein grubu) devam edin.
    NOT: Kesme değerini kümeleme sonucuna göre ayarlayın. Komut -cl , her küme için ortalama çıktılarını temsil eder.
  9. cluster-size.xvg dosyasını açın.
    1. Sağlanan bilgilere bağlı olarak, küme sayısı düşükse RMSD kesme değerini artırın veya küme sayısı yüksekse RMSD kesme değerini azaltın.
  10. Adım 4.8'i farklı kesme değerleriyle tekrarlayın.
    NOT: Aşağıdaki ölçütlere göre en uygun RMSD kesme değeri belirlenene kadar farklı kesme değerleriyle kümeleme işlemi gerçekleştirilmiştir: (1) Toplam küme sayısı 30'dan az olacak şekilde sınırlandırılmalıdır. (2) Sadece bir üyeli kümelerin varlığının en aza indirilmesi tercih edilir. (3) Yörüngenin %90'ından fazlasının 10'dan az kümede temsil edilmesi arzu edilir.
  11. Chimera yazılımını açın ve cluster.pdb dosyasını arayın.
    Not: cluster.pdb her küme grubu için bir ortalama içerir.
  12. Sunulanlar ve Yayın 1'i (siluet, yuvarlak şerit) tıklatın.
  13. Ardından, Dosya > Resmi Kaydet'e gidin > Kaydet'e gidin.
  14. Seç > Zinciri > (kimlik yok) > cluster.pdb (# 3) seçeneğine tıklayın. Seç > Ters Çevir (tüm modeller) öğesine tıklayın. Silmek > Atomlar/Bağlar > Eylemler'e tıklayın.
    NOT: Bu işlem, küme 1 dışındaki tüm grup kümelerini kaldırır.
  15. Ardından, kaydedin > kaydetmek için Dosya'ya > PDB'ye gidin. cluster1.pdb olarak kaydedin.
  16. Farklı kümeler için 4.11–4.15 arasındaki adımları tekrarlayın. cluster2.pdb, cluster3.pdb ve cluster4.pdb olarak kaydedin.
    NOT: En üstteki 4 kümenin toplam sayısı, toplam yörüngelerin %90'ından fazla olduğu için, en üstteki 4 kümenin her bir temsilcisi çıkarılır ve Chimera kullanılarak moleküler kenetlenme analizine tabi tutulur (Bkz. Şekil 6).

5. Topluluk tabanlı yerleştirme

  1. Autodock Tools yazılımına çift tıklayın.
    NOT: Yerleştirme için bu çalışmada AutoDock ve AutoDock araçları yazılımı 13,49,50,51 kullanılmıştır.
  2. cluster1.pdb ve ligand.pdb dosyalarını yeni bir klasöre yerleştirin.
  3. Menüde, Dosya > Tercihler > Ayarla'yı tıklatın. Kullanıcı Tercihlerini Ayarla kutusu açılacaktır. "Yeni klasörün" adresini metin olarak kopyalayın. Adresi, Kullanıcı Tercihlerini Ayarla kutusundaki Başlangıç Dizini'ne yapıştırın. Ayarla'ya tıklayın.
    NOT: Windows işletim sistemi kullanılıyorsa bu önemli bir adımdır.
  4. Mavi klasör resmine tıklayın. Bir okuma molekülü klasörü çıkacaktır. cluster1.pdb'yi seçin.
    NOT: Otomatik yerleştirme araçları protein moleküler yapısını okuyacaktır.
  5. Düzenle > Ücretleri'ne tıklayın > Kollman Ücretleri Ekle'ye tıklayın. Ardından Tamam'ı tıklayın. Hydrogens > Düzenle'yi > Polar Olmayanları Birleştir'i tıklayın.
    NOT: Kollman yükleri proteine eklenir.
  6. Seçmek > Makromoleküller > Izgara'ya tıklayın. Bir Makromolekülleri Seç kutusu açılacaktır. cluster1'i seçin ve Select Molecules'e tıklayın. Tamam'a tıklayın. Değiştirilmiş bir AutoDock4 Macromolecule dosyası görünecektir. cluster1.pdbqt olarak kaydedin.
  7. Düzenle > Sil'e tıklayarak > Tüm Molekülleri Sil'e tıklayarak çalışma alanını boşaltın. Devam'ı tıklayın.
  8. Ligand'ı tıklayın > Aç'> girin.  Autodock4 klasörü için bir Ligand dosyası görünecektir. Tüm Dosyalar'ı seçin, ligand.pdb'yi seçin ve Aç'a tıklayın. Tamam'a tıklayın.
    NOT: Kurulum ligandı, Gasteiger yüklerinin dahil edilmesini ve polar olmayan hidrojenin birleştirilmesini içerecektir.
  9. Kök algıla > Ligand > Burulma Ağacı'na tıklayın.
  10. Çıktı > Ligand > PDBQT Olarak Kaydet'e tıklayın. Biçimlendirilmiş bir Autotors Molecules klasörü görünecektir. ligand.pdbqt olarak kaydedin.
  11. Düzenle > Sil'e tıklayarak > Tüm Molekülleri Sil'e tıklayarak çalışma alanını boşaltın. Devam'ı tıklayın.
    NOT: Adım 5.6'da açıklanan prosedürün aynısını izleyin.
  12. Izgara > Makromoleküller'> Aç'a tıklayın. cluster1.pdbqt öğesini seçin ve Aç'a tıklayın. Evet'e tıklayın. Tamam'a tıklayın.
  13. Harita türlerini ayarlamak > Ligand'ı açmak > Izgara'ya tıklayın.ligand.pdbqt öğesini seçin ve Aç'a tıklayın.
    NOT: Çalışma alanında proteinler ve ligandlar bulunmaktadır.
  14. Izgara ve Izgara Kutusu'nu tıklatın. Bir Izgara Seçenekleri kutusu görünecektir. X boyutundaki nokta sayısı'nda, parametreyi 120 olarak ayarlayın ve y boyutundaki nokta sayısı'nı 120 olarak ayarlayın, Z boyutundaki nokta sayısı'nı 120 olarak ayarlayın. Aralığı (angstrom) 0,375 olarak ayarlayın. Center Grid Box parametrelerini varsayılan olarak bırakın. Dosya'ya tıklayın ve Geçerli Tasarruf'u kapatın.
    NOT: Izgara kutusu tüm proteini kaplıyor, bu da kör bir yerleştirme olduğu anlamına geliyor.
  15. GPF'yi kaydetmek > Çıktı > ızgara'ya tıklayın. Bir Izgara Parametresi Çıktı dosyası görünecektir. Dosya adına grid.gpf yazın ve Kaydet'i tıklatın.
  16. Çalıştır'a tıklayın ve AutoGrid'i çalıştırın. AutoGrid'i Çalıştır kutusu görünecektir. Parameter Filename (Parametre Dosya Adı) sekmesinde Browse (Gözat) seçeneğini tıklatın. Bir Autogrid Parametre dosyası görünecektir. grid.gpf dosyasını seçin.Aç'a tıklayın. Program Yol Adı'nda > Gözat'a dokunun. Bir autogrid4 dosyası görünecektir. autogrid4.exe arayın ve Aç > Başlat'ı tıklayın.
    NOT: Klasör adının boşluk içermediğinden emin olun, çünkü bu, çalışma sırasında bir hataya neden olabilir. Klasör autogrid4.exe https://autodock.scripps.edu/download-autodock4/'dan yüklenebilir.
  17. Docking > Macromolecules > Rigid Dosya Adlarını Ayarla'yı tıklatın. Bir PDBQT Makromoleküller dosyası görünecektir. cluster1.pdbqt öğesini seçin ve Aç'a tıklayın.
  18. Ligand > Yerleştirme'ye tıklayın > seçin. Ligandları Seç kutusu görünür. Ligandı seçin ve Ligand Seç'e tıklayın. Bir AutoDpf4 Ligand Parametre kutusu görünecektir. Kabul Et'i tıklayın.
  19. Yerleştirme > Genetik algoritma > parametre ara'ya tıklayın. Bir Genetik Algoritma Parametreleri kutusu görünecektir. GA Çalıştırmalarının sayısını 100 olarak değiştirin.Kalan parametreleri varsayılan olarak bırakın. Kabul Et'i tıklayın.
  20. Lamarckian GA(4.2) > Docking > Output'a tıklayın. Bir Autodock4.2 GALS Yerleştirme Parametresi Çıktı dosyası görünecektir. Dosya adı için docking.dpf yazın ve Kaydet'i tıklatın.
  21. Çalıştır'ı tıklatın > AutoDock'u Çalıştırın. Bir Autodock'u Çalıştır kutusu görünecektir. Parametre Dosya Adı'nda Gözat'a tıklayın. Bir autodock4 Parametre dosyası görüntülenir. docking.dpf dosyasını seçin.Aç'a tıklayın. Program Yol Adı'nda Gözat'ı tıklatın. Bir autodock4 dosyası görünecektir. autodock4.exe arayın ve Aç'ı tıklayın. Başlat'a tıklayın.
    NOT: Klasör adının boşluk içermediğinden emin olun, aksi takdirde çalıştırma sırasında hata oluşabilir. Alınan süre ~ 30 dakikadır. Klasör autodock4.exe aşağıdaki bağlantı kullanılarak kurulabilir: https://autodock.scripps.edu/download-autodock4/.
  22. Adım 5.7'de açıklandığı gibi tüm molekülleri silin.
  23. cluster2.pdb, cluster3.pdb ve cluster4.pdb için 5.1–5.22 arasındaki adımları yineleyin.
    NOT: Analiz için 4 yerleştirme grubunun tümü kullanılacaktır.

6. Topluluk tabanlı yerleştirme analizi

  1. Analize devam etmek için AutoDock Tools yazılımını kullanın. Analiz Et > Yerleştirme > Aç'a tıklayın. Bir yerleştirme günlüğü dosyası görünecektir. docking.dlg'yi seçin ve Aç'a tıklayın. Ardından, Tamam'ı tıklatın.
  2. Makromolekülleri Analiz Et > Aç'> tıklayın.
  3. Enerjiye göre sıralanmış > Konfigürasyonları Analiz Et > Oyna'ya tıklayın. Bir ligand kutusu görünecektir.
  4. Yeni klasörde, bir not defteri kullanarak docking.dlg klasörünü açın. Konformasyonun küme analizini arayın. Verilen bilgilerden, en düşük bağlanma enerjisine sahip olan konformasyon çalışmasını (Run olarak belirtilir) araştırın.
    NOT: 100 konformasyon çalıştırıldığından, sadece biri ligand ve protein arasında en güçlü bağlanma afinitesine sahiptir. En düşük bağlanma enerjisi terimi, daha güçlü bir bağlanma afinitesine sahip olmak olarak tanımlanır 52,53,54.
  5. Adım 6.3'ten (ligand kutusu), konformasyon çalışmasını girin (adım 6.4'ten itibaren) ve Enter'a basın.
    NOT: Ligand, proteinin içinde uygun şekilde kendini konumlandıracaktır.
  6. Ligand kutusunda, oynatma seçeneğini değiştirmek için paneli aç düğmesine tıklayın. Oynatma Seçeneğini Ayarlakutusu görünecektir. Karmaşık Yaz'a tıklayın. Bir alıcı klasörü yazma kompleksi görünecektir. Complex.pdb olarak kaydedin.
    NOT: 4 küme grubu olduğundan, complex.pdb dosyası, küme grubu 1 için complex1.pdb gibi uygun şekilde adlandırılabilir.
  7. Chimera yazılımını açın ve complex.pdb'yi arayın (adım 6.6'da olduğu gibi).
  8. Hazır Ayarlar > Etkileşimli 1 (şeritler) > Yayın 1'i (siluet, yuvarlak şerit) tıklatın.
  9. Ardından Dosya'ya gidin ve Resmi Kaydet'i tıklayın.
    NOT: Kaydedilen görüntü, FB-LYZ kompleksinin şerit yapısıdır.
  10. Hazır Ayarlar > Etkileşimli 3 (hidrofobiklik yüzeyi) > Yayın 1 (siluet, yuvarlak şerit) öğesine tıklayın.
    NOT: Kaydedilen görüntü, FB-LYZ kompleksinin balon yapısıdır.
  11. Discovery Studio yazılımını açın.
  12. Complex.pdb dosyasını yazılımın boş alanına sürükleyin.
  13. Araçlar sekmesine tıklayın ve 2B Diyagramı Göster'i seçin.
    NOT: Yazılım, kompleksin 2B yapısını otomatik olarak oluşturacaktır (Şekil 7).
  14. Dosya ve Farklı kaydet'e tıklayın. Dosya adını yazın ve Kaydet'e tıklayın.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Optimizasyondan sonra FB'nin kimyasal yapısı ve 3 boyutlu yapısal temsili Şekil 8A'da gösterilmiştir. Şekil 8B, MD simülasyonundan önceki başlangıç durumunda pdb kodu 1LYZ ile lizozimin 3D yapısını göstermektedir. Lizozim 3D yapısının dinamiklerini ve esnekliğini incelemek için 100 ns için bir MD simülasyonu yapılmıştır. Protein yapısının toplam enerjisi, Şekil 9A'da gösterildiği gibi simülasyon sıra...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hesaplamalı ilaç keşfinde topluluk tabanlı uygulama, kristal yapılardan, nükleer manyetik rezonans (NMR) çalışmalarından veya moleküler dinamik simülasyonlarından türetilen çok sayıda konformasyonel topluluğun kullanılmasını içerir26. Çoklu hesaplama konformasyonlarının kullanılması, analizin bir protein yapısının dinamiklerini ve esnekliğini birleştirmesine izin verecek ve potansiyel ilaç adaylarının belirlenmesinde doğruluk ve güvenilirliğin artmasına yol açacak...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu yazıda rapor edilen çalışmayı etkilemiş gibi görünebilecek bilinen hiçbir rakip mali çıkarları veya kişisel ilişkileri olmadığını beyan ederler.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Universiti Malaya'dan Universiti Malaya RMF Hibesi, Proje Numarası RMF1392-2021 tarafından desteklenmiştir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AutoDockScripps Araştırma Enstitüsü, ABDSürüm 4.2.6
AutoDock AraçlarıScripps Araştırma Enstitüsü, ABDSürüm 1.5.6
AvogadroGeoffrey R Hutchison, Kimya Bölümü, Pittsburgh Üniversitesi, Pittsburgh, ABDSürüm 1.95
Discovery StudioDassault Systè mes, Massachusetts, ABDVersiyonu 2021
GROMACsGroningen Üniversitesi
Kraliyet Teknoloji Enstitüsü
Uppsala Üniversitesi, İsveç		Versiyon 2023
UCSF ChimeraBiyohesaplama, Görselleştirme ve Bilişim için Kaynak
California Üniversitesi		Sürüm 1.16

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Niazi, S. K., Mariam, Z. Computer-aided drug design and drug discovery: a prospective analysis. Pharmaceuticals (Basel). 17 (1), 22(2023).
  2. Sadybekov, A. V., Katritch, V. Computational approaches streamlining drug discovery. Nature. 616 (7958), 673-685 (2023).
  3. Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E. W. Jr Computational methods in drug discovery. Pharmacol Rev. 66 (1), 334-395 (2014).
  4. Adelusi, T. I., et al. Molecular modeling in drug discovery. Informatics Med Unlocked. 29, 100880(2022).
  5. Durrant, J. D., McCammon, J. A. Computer-aided drug-discovery techniques that account for receptor flexibility. Curr Opin Pharmacol. 10 (6), 770-774 (2010).
  6. Korb, O., et al. Potential and limitations of ensemble docking. J Chem Inf Model. 52 (5), 1262-1274 (2012).
  7. Strecker, C., Meyer, B. Plasticity of the binding site of renin: optimized selection of protein structures for ensemble docking. J Chem Inf Model. 58 (5), 1121-1131 (2018).
  8. Pak, M. A., et al. Using AlphaFold to predict the impact of single mutations on protein stability and function. PLoS One. 18 (3), e0282689(2023).
  9. Jumper, J. M., et al. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  10. Bai, X. C., McMullan, G., Scheres, S. H. How cryo-EM is revolutionizing structural biology. Trends Biochem Sci. 40 (1), 49-57 (2015).
  11. Nakane, T., Kimanius, D., Lindahl, E., Scheres, S. H. Characterisation of molecular motions in cryo-EM single-particle data by multi-body refinement in RELION. eLife. 8, e36861(2018).
  12. Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47 (2), 124-135 (2022).
  13. Zhao, H., Caflisch, A. Molecular dynamics in drug design. Eur J Med Chem. 91, 4-14 (2015).
  14. Meng, X. Y., Zhang, H. X., Mezei, M., Cui, M. Molecular docking: a powerful approach for structure-based drug discovery. Curr Comput Aided Drug Des. 7 (2), 146-157 (2011).
  15. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  16. Teague, S. J. Implications of protein flexibility for drug discovery. Nat Rev Drug Discov. 2 (7), 527-541 (2003).
  17. Kearsley, S. K., Underwood, D. J., Sheridan, R. P., Miller, M. D. Flexibases: a way to enhance the use of molecular docking methods. J Comput Aided Mol Des. 8 (5), 565-582 (1994).
  18. Carlson, H. A., Masukawa, K. M., McCammon, J. A. Method for including the dynamic fluctuations of a protein in computer-aided drug design. J Phys Chem A. 103 (49), 10213-10219 (1999).
  19. Cavasotto, C. N., Kovacs, J. A., Abagyan, R. A. Representing receptor flexibility in ligand docking through relevant normal modes. J Am Chem Soc. 127 (26), 9632-9640 (2005).
  20. Akbari, Z., et al. HOMO-LUMO analysis and ensemble docking studies of Zn(II) complexes of bidentate and tetradentate Schiff base ligands as antileukemia agents. J Mol Struct. 1301, 137400(2024).
  21. Go, Y. J., Kalathingal, M., Rhee, Y. M. An ensemble docking approach for analyzing and designing aptamer heterodimers targeting VEGF165. Int J Mol Sci. 25 (7), 4066(2024).
  22. Ismail, C. M. K. H., et al. An ensemble docking-based virtual screening and molecular dynamics simulation of phytochemical compounds from Malaysian Kelulut Honey (KH) against SARS-CoV-2 target enzyme, human angiotensin-converting enzyme 2 (ACE-2). J Biomol Struct. , (2024).
  23. Roy, P., et al. Elucidating the mechanism of metabolism of cannabichromene by human cytochrome P450s. J Nat Prod. 87 (4), 639-651 (2024).
  24. Garai, S., Thomas, J., Dey, P., Das, D. LGBM-ACp: an ensemble model for anticancer peptide prediction and in silico screening with potential drug targets. Mol Divers. 28 (4), 1965-1981 (2024).
  25. Broughton, H. B. A method for including protein flexibility in protein-ligand docking: improving tools for database mining and virtual screening. J Mol Graph Model. 18 (3), 247-257 (2000).
  26. Amaro, R. E., et al. Emerging methods for ensemble-based virtual screening. Curr Top Med Chem. 10 (1), 3-13 (2010).
  27. Amaro, R. E., et al. Ensemble docking in drug discovery. Biophys J. 114 (10), 2271-2278 (2018).
  28. Chlipała, P., et al. Multienzymatic biotransformation of flavokawain B by entomopathogenic filamentous fungi: structural modifications and pharmacological predictions. Microb Cell Fact. 23 (1), 65(2024).
  29. Kuo, Y. -F., et al. Flavokawain B, a novel chalcone from Alpinia pricei Hayata with potent apoptotic activity: involvement of ROS and GADD153 upstream of mitochondria-dependent apoptosis in HCT116 cells. Free Radic Biol Med. 49 (2), 214-226 (2010).
  30. Mohd Sakeh, N., et al. Melanogenic inhibition and toxicity assessment of flavokawain A and B on B16/F10 melanoma cells and zebrafish (Danio rerio). Molecules. 25, (2020).
  31. Feroz, S. R., et al. Interaction of flavokawain B with lysozyme: a photophysical and molecular simulation study. J Luminescence. 160, 101-109 (2015).
  32. Ding, F., et al. Potential toxicity and affinity of triphenylmethane dye malachite green to lysozyme. Ecotoxicol Environ Saf. 78, 41-49 (2012).
  33. Paramaguru, G., Kathiravan, A., Selvaraj, S., Venuvanalingam, P., Renganathan, R. Interaction of anthraquinone dyes with lysozyme: evidences from spectroscopic and docking studies. J Hazard Mater. 175 (1), 985-991 (2010).
  34. Ding, F., Zhao, G., Huang, J., Sun, Y., Zhang, L. Fluorescence spectroscopic investigation of the interaction between chloramphenicol and lysozyme. Eur J Med Chem. 44 (10), 4083-4089 (2009).
  35. Halgren, T. A. Merck molecular force field. II. MMFF94 van der Waals and electrostatic parameters for intermolecular interactions. J Comput Chem. 17 (5-6), 520-552 (1996).
  36. Sulimov, A. V., et al. Evaluation of the novel algorithm of flexible ligand docking with moveable target-protein atoms. Comput Struct Biotechnol J. 15, 275-285 (2017).
  37. Ehrman, J. N., et al. Improving small molecule force fields by identifying and characterizing small molecules with inconsistent parameters. J Comput Aided Mol Des. 35 (3), 271-284 (2021).
  38. Chaudhuri, D., Majumder, S., Giri, K. Repurposing of drugs targeting heparan sulphate binding site of dengue virus envelope protein: an in silico competitive binding study. Mol Divers. 29 (1), 87-101 (2024).
  39. Wu, N., et al. Elucidation of protein-ligand interactions by multiple trajectory analysis methods. Phys Chem Chem Phys. 26 (8), 6903-6915 (2024).
  40. Brooks, B. R., et al. CHARMM: a program for macromolecular energy, minimization, and dynamics calculations. J Comput Chem. 4 (2), 187-217 (1983).
  41. Li, H., Robertson, A. D., Jensen, J. H. Very fast empirical prediction and rationalization of protein pKa values. Proteins. 61 (4), 704-721 (2005).
  42. Powers, N., Jensen, J. H. Chemically accurate protein structures: validation of protein NMR structures by comparison of measured and predicted pKa values. J Biomol NMR. 35 (1), 39-51 (2006).
  43. Lemkul, J. A. From proteins to perturbed Hamiltonians: a suite of tutorials for the GROMACS-2018 molecular simulation package [Article v1.0]. Living J Comput Mol Sci. 1 (1), 5068(2018).
  44. Best, R. B., et al. Optimization of the additive CHARMM all-atom protein force field targeting improved sampling of the backbone ϕ, ψ and side-chain χ1 and χ2 dihedral angles. J Chem Theory Comput. 8 (9), 3257-3273 (2012).
  45. Huang, J., et al. CHARMM36m: an improved force field for folded and intrinsically disordered proteins. Nat Methods. 14 (1), 71-73 (2017).
  46. Bondi, A. van der Waals volumes and radii. J Phys Chem. 68 (3), 441-451 (1964).
  47. Shukla, R., Tripathi, T. Computer-aided drug design. , Springer Singapore. Singapore. (2020).
  48. Vlachakis, D., Bencurova, E., Papangelopoulos, N., Kossida, S. Advances in Protein Chemistry and Structural Biology. , Elsevier, Academic Press. Swansea. (2014).
  49. Forli, S., Olson, A. J. A force field with discrete displaceable waters and desolvation entropy for hydrated ligand docking. J Med Chem. 55 (2), 623-638 (2012).
  50. Cosconati, S., et al. Virtual screening with AutoDock: theory and practice. Expert Opin Drug Discov. 5 (6), 597-607 (2010).
  51. Morris, G. M., et al. AutoDock4 and AutoDockTools4: automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  52. Fu, Y., Zhao, J., Chen, Z. Insights into the molecular mechanisms of protein-ligand interactions by molecular docking and molecular dynamics simulation: a case of oligopeptide binding protein. Comput Math Methods Med. 2018, 3502514(2018).
  53. Ivanova, L., Karelson, M. The impact of software used and the type of target protein on molecular docking accuracy. Molecules. 27 (24), 9041(2022).
  54. Mohapatra, R. K., et al. Comparison of the binding energies of approved mpox drugs and phytochemicals through molecular docking, molecular dynamics simulation, and ADMET studies: an in silico approach. J Biosaf Biosecur. 5 (3), 118-132 (2023).
  55. Mude, L., et al. Molecular insights in repurposing selective COX-2 inhibitor celecoxib against matrix metalloproteinases in potentiating delayed wound healing: a molecular docking and MMPB/SA based analysis of molecular dynamic simulations. J Biomol Struct Dyn. 42 (5), 2437-2448 (2024).
  56. Uttarkar, A., Rao, V., Bhat, D., Niranjan, V. Disaggregation of amyloid-beta fibrils via natural metabolites using long timescale replica exchange molecular dynamics simulation studies. J Mol Model. 30 (3), 61(2024).
  57. Liang, J. J., Pitsillou, E., Hung, A., Karagiannis, T. C. A repository of COVID-19 related molecular dynamics simulations and utilisation in the context of nsp10-nsp16 antivirals. J Mol Graph Model. 126, 108666(2024).
  58. Hollingsworth, S. A., Dror, R. O. Molecular dynamics simulation for all. Neuron. 99 (6), 1129-1143 (2018).
  59. Polikar, R. Ensemble based systems in decision making. IEEE Circ Syst Mag. 6 (3), 21-45 (2006).
  60. Ballester, P. J., Mitchell, J. B. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking. Bioinformatics. 26 (9), 1169-1175 (2010).
  61. Yang, X., Huang, K., Yang, D., Zhao, W., Zhou, X. Biomedical big data technologies, applications, and challenges for precision medicine: a review. Global Chall. 8 (1), 2300163(2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Ensemble Based DockingProtein Structure FlexibilityMolecular Dynamics SimulationStructure Based Drug DiscoveryProtein Conformation ClusteringLigand DockingRoot Mean Square DeviationFlavokawain B BindingElectrostatic Surface MappingComputational Drug Discovery

Related Articles