Nükleotid Olmayan Ters Transkriptaz İnhibitörlerinin Kantitatif Yapı-Aktivite İlişkisi, Aktivite Tahmini ve Moleküler Dinamiği
9 Mayıs 2025
Bu çalışma, Numaralandırılmış Etravirin'i HIV için umut verici bir terapötik ajan olarak tanımlamak için in silico stratejiler kullanmıştır. Moleküler etkileşimler ve dinamikler hakkındaki bulgularımız, olası HIV tedavi alternatifleri olarak yeni NNRTI'lerin rasyonel tasarımını desteklemektedir.
Araştırma, yeni yenilikçi ilaçlar geliştirmek veya Afrika ile ilgili hastalıklar için mevcut ilaçları yeniden kullanmak için bilgisayar destekli ilaç tasarımına odaklanmaktadır. Tamam, şu anda bizim alanımızda insanların geliştirmekte olduğu birçok makine öğrenimi uygulamamız var ve bu, beta ilaçlarını tasarlamak için grubumuza dahil etmek istediğimiz bir şey. Şu anda yüksek performanslı bilgi işlem olarak bilinen şeyi kullanıyoruz ve bu, kullanımları denediğimizde daha hızlı sonuç almak için hem CPU hem de GPU teknolojisini kullanarak araştırmamızı hızlandıran şeydir.
Şu anda, hesaplamalı araştırma alanında hala çok yeni bir alandır ve öğrenciler genellikle yapılması gerekenlerle başa çıkamazlar, bu nedenle onları disipline almaları biraz daha uzun sürer. Son zamanlarda, Afrika için öne çıkan ve şu anda SARS-CoV-2 tedavisi için kullanılan ve izole etmeyi başardığımız bir dizi doğal ürünümüz var. Başlamak için, monitör ekranındaki pencere simgesine gidin ve üzerine tıklayın.
Tüm uygulamaları seçin ve Schrödinger klasörünü bulmak için aşağı kaydırın. Klasörü açın ve Maestro simgesine tıklayın. Yazılımı başlatmak için aç'ı seçin.
Protein yapısını almak için dosya sekmesine tıklayın ve açılır menüden PDB Al'ı seçin. Metin kutusuna tercih ettiğiniz PDB kodunu girin ve İndir düğmesine tıklayın. Seçilen PDB dosyası proje penceresinde görünecektir.
Alternatif olarak, arama kutusuna PDB kimliğini girerek ve İndir'e tıklayarak proteini protein veri bankasından indirin. Maestro'da, Dosya sekmesine gidin ve Yapıları İçe Aktar'ı seçin. İçe aktarma arayüzünde, indirilen PDB dosyasını bulun ve İçe Aktar'a tıklayın.
Şimdi, protein yapısını seçin ve üzerine sağ tıklayın. Hazırlanan proteini seçin, fare düğmesine sağ tıklayın, Böl seçeneğini seçin ve ligandlara, suya ve diğerlerine bölün. PubChem veritabanını açın ve kimyasal bileşiği indirmek için arama çubuğuna bileşik adını yazın.
Mevcut yapıları gözden geçirin, İndir'e tıklayın ve yapı koordinatlarını yapılandırılmış bir veri dosyası veya SDF olarak kaydetmek için 3D-Conformer'ı seçin. Schrödinger'deki Dosya sekmesine tıklayın ve Yapıları İçe Aktar'ı seçin. SDF'nin kaydedildiği konuma gidin ve bileşiği yükleyin.
Schrödinger'de Görev'e tıklayın, arama çubuğuna LigPrep yazın ve seçin. Çalışma alanından veya proje tablosundan dosya seçmek için Yapıları Kullan'ı tıklatın. LigPrep penceresinde tercih edilen seçenekleri belirleyin ve ligand hazırlığı için işi göndermek üzere Çalıştır'a tıklayın.
Hazırlanan ligandları yazılım penceresinde görselleştirin. Yapıların geometri optimizasyonu için yazılımı açın. Dosya sekmesine gidin ve PubChem'den indirilen SDF'yi seçmek için Aç'ı seçin.
Hesapla sekmesine gidin ve Gauss Hesaplama Kurulumu'nu seçin. İş türü sekmesinde Optimizasyon veya Optimizasyon artı Sıklık'ı seçin. Şimdi Yöntem sekmesine gidin ve Kuantum Kimyası yöntemini seçin.
Açılır menülerden Cone Sham Global Hybrid Exchange Correlation Density Functional, Basis Set, Charge ve Spin of Choice'u seçin. Başlık sekmesine gidin ve incelenen bileşik için bir ad girin. Link Zero sekmesine gidin ve bellek sınırını ve paylaşılan işlemcileri belirtin.
Tam Yol kutularının işaretini kaldırın. Gauss giriş dosyasını Gauss İş Dosyası veya GJF olarak tercih edilen bir dosya adıyla tercih edilen konuma kaydetmek için alttaki Düzenle düğmesine tıklayın. Görevler'e gidin ve proteinin çekirdek kristal ligandına bağlı aktif bölgesini tespit etmek için Reseptör Izgarası Oluşturma'yı seçin.
Ligandı tanımlamak için Seç'e tıklayın ve ardından birlikte kristalize edilmiş ligandı seçin. Kılavuzu oluşturulmak üzere göndermek için Çalıştır'a tıklayın. Moleküler yerleştirme için Görevler'e gidin, Ligand Yerleştirme'yi seçin ve ardından Ligand Yerleştirme Kayma Yerleştirme'yi seçin.
Ardından, ızgara dosyasını yükleyin ve Ligand'ı Kullan seçeneğini kullanarak çalışma alanından ligandları seçin. Üst kısımdaki Görüntü Alıcısı kutusunu işaretleyin, uygun bir iş adı ekleyin ve Çalıştır'a tıklayarak işi gönderin. Ayarlar sekmesinden, tercih edilen yerleştirme hassasiyeti yöntemini seçin.
Hidrojen bağları gibi kısıtlamaları yapılandırın. Tüm ayarları gözden geçirdikten sonra, yerleştirme işlemini başlatmak için Çalıştır'a tıklayın. Yerleştirme sonuçlarını gözden geçirin ve ligandları optimize etmeden önce ve sonra yerleştirme puanlarını karşılaştırın.
Çalışma alanı gezgininden bir çift kenetlenmiş protein ve ligand kompleksi seçin. Görevler'e gidin, Ligand Designer'a gidin ve Ligand Designer penceresinde Çalışma Alanını Analiz Et'e tıklayın. Yeni ligandlar oluşturmak ve değerlendirmek için, mevcut moleküler yapılara fragmanlar ekleyerek ligandı genişleten yetiştirme yöntemini ifade eden iş akışı listesinden İzoser Tarama'yı seçin.
Numaralandırılan bileşiklerin yerleştirme sonuçlarını analiz edin ve birlikte kristalize bileşik eksi 9.242'den daha negatif bir değere sahip bir bileşik belirleyin. Ardından, Görev düğmesine tıklayın ve Desmond System Builder'ı seçin. Sistem Oluşturucu panelinde, Çözme sekmesini seçin.
Protein ligand kompleksine uygun önceden tanımlanmış çözücü modelini seçin. Ardından kutu şeklini ve kutu boyutu hesaplama yöntemini seçin. Ardından, İyonlar sekmesini seçin ve karşı iyonlar ekleyerek ve istenen çözme konsantrasyonunu ayarlayarak sistemi nötralize etmek için yeniden hesapla'ya tıklayın.
Sistem hazırlığından sonra, projeyi çalışma alanında görüntüleyin. Çalışma alanı gezgininden protein ligand kompleksini seçin. Görev'e gidin ve Moleküler Dinamik Desmond'u seçin.
Moleküler Dinamikler panelindeki çalışma alanından ligand protein kompleksini yükleyin. Simülasyon sekmesinden istediğiniz simülasyon zaman çizelgesini seçin. Topluluk sınıfı olarak NPT'yi seçin.
Moleküler Dinamikler panelinde işi uygun bir şekilde adlandırın. İşi yazın ve Moleküler Dinamikler penceresinden çıkmak için Kapat'a tıklayın. Moleküler dinamik hazırlığı için yazılan işi yerel bir terminal aracılığıyla gönderin.
Tamamlandıktan sonra, tamamlanan işi açın ve simülasyon süresine ilk ayarlanan zaman çizelgesinden istenen simülasyon zamanına kadar devam edin. Örneğin, 100 nanosaniye veya 200 nanosaniye. Yörünge dosyasını açın ve yörüngeyi oynatın.
Protein ligand kompleksinin nerede dengelendiğini görselleştirin ve çerçeve sayısını not edin. İşi Terminal aracılığıyla gönderin. Oluşturulan sonuçları analiz etmek için çıktı dosyası içeriğini görüntüleyin ve CSV dosyasını indirin.
CSV dosyasını açın ve bağlama enerjisini not edin. Son olarak, gösterilen denklemi kullanın ve MD simülasyonu içindeki her bir anlık görüntü için belirlenen bağlanma enerjisi değerlerinin ortalamasını alarak kompleksin serbest bağlanma enerjisini hesaplayın. Bir dağılım grafiği, QSAR modelinin birinci sınıfı için tahmin edilen aktiviteye karşı gözlemlenen aktiviteyi gösterir.
Grafik, prediktif bir aktivite değeri vermek için eğitim seti olarak birinci sınıf ile test seti olarak nükleotid olmayan ters transkriptaz inhibitörleri arasındaki uyumu temsil eder. Eğitim seti regresyon çizgisi ile iyi bir şekilde hizalanırken, test setinde küçük sapmalar vardı. Farklı ligandlardaki protein arasındaki etkileşim kuvvetleri, tüm ligandlarda lizin 101 ile hidrojen bağları ortaya çıkardı.
Serbest proteinin moleküler dinamik simülasyonları, yaklaşık 3.5 Angstrom'luk bir RMSD'de yaklaşık 60 nanosaniye sonra stabilize edildi ve protokol güvenilirliğini doğruladı. 3.5'te stabilize olan numaralandırılmış etravirin. Angstromlar, 4.5 Angstrom'da stabilize olan etravirine kıyasla HIV'in aktif bölgesinde bir ters transkriptaz daha güçlü ve daha stabil bağlanma sergiledi.
Numaralandırılan etravirinin temas zaman çizelgesi ayrıca zaman içinde daha güçlü ve daha kararlı etkileşimlere işaret etti.
Genel Bakış
Bu çalışma, Enumerated Etravirine'i HIV için potansiyel bir terapötik ajan olarak tanımlamak amacıyla bilgisayar destekli ilaç tasarımına odaklanmaktadır. Araştırma, yeni NNRTI'lerin rasyonel tasarımını desteklemek için yüksek performanslı hesaplama ve moleküler dinamikler kullanmaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Bilgisayar destekli ilaç tasarımı
- HIV tedavi alternatifleri
- Moleküler dinamik simülasyonlar
Arka Plan
- İlaç tasarımında makine öğrenimi uygulamaları
- Daha hızlı araştırma için yüksek performanslı hesaplama
- Afrika ile ilgili hastalıklar için doğal ürünler
- SARS-CoV-2 tedavisine yönelik mevcut odak
Çalışmanın Amacı
- Yenilikçi ilaçlar geliştirmek veya mevcut olanları yeniden amaçlamak
- HIV için Enumerated Etravirine'in potansiyelini keşfetmek
- Hesaplamalı araçlar kullanarak ilaç tasarımı metodolojilerini geliştirmek
Kullanılan Yöntemler
- CPU ve GPU teknolojisi ile yüksek performanslı hesaplama
- Ligand hazırlığı ve moleküler yerleştirme
- Protein-ligat kompleksleri için moleküler dinamik simülasyonlar
- Yapı analizi için Schrodinger yazılımının kullanımı
Ana Sonuçlar
- HIV tedavisi için umut verici bileşiklerin tanımlanması
- Optimize edilmiş liganlar ile başarılı moleküler yerleştirme sonuçları
- Moleküler etkileşimler ve dinamikler hakkında bilgiler
- Yeni NNRTI'lerin rasyonel tasarımı için destek
Sonuçlar
- Enumerated Etravirine, terapötik bir ajan olarak potansiyel gösteriyor
- Hesaplamalı yöntemler, ilaç keşfini hızlandırabilir
- Bulguların doğrulanması için daha fazla araştırmaya ihtiyaç var
Sıkça Sorulan Sorular
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
