Amerikan İşaret Dili ve İngilizce'de Potansiyel PLK1 Inhibitörlerini Tanımlamak İçin İki Dilli Hesaplamalı İş Akışı
April 3rd, 2026
Bu iki dilli protokol, Polo benzeri Kinazlar 1'den 3'e (PLK1–3) ve veritabanı kaynaklı doğal moleküllerin Emilim, Dağılım, Metabolizma, Salgılama, Toksisite ve Stabilite (ADMET-S) özelliklerini değerlendiren hesaplamalı ilaç keşif iş akışı sağlar.
İki dilli bir hesaplamalı iş akışı. Giriş. Araştırmalar, PLK1'in çeşitli kanserlerde aşırı ekspresyona uğradığını göstermektedir. PLK1'in polo-box alanı olan PBD üzerinden inhibisyonunun apoptozu indükettiği gösterilmiştir.
Bu çalışmanın amacı, istenen tıbbi ve farmakokinetik özelliklere sahip seçici PLK1-PBD inhibitörlerini belirlemektir. Homologlar PLK2 ve PLK3 selektivite değerlendirmek için aynı protokollere tabi tutuldu. Protokol. Protein hazırlamayı hedefleyin.
Burada, Protein Veri Bankası PDB'den PLK1, 4HCO'yu optimize etmek için CHARMM-GUI kullanıyoruz. Bu, proteinin eksik kalıntı veya hidrojen içermemesini sağlar. Aracı kullanmaya devam edelim.
Input Generator altında, PDB Reader Manipulator seçeneğini seçin. Giriş kutusuna aşağıya kaydır. PLK1 için 4HCO girmeden önce PDB seçeneğinin seçildiğinden emin olun.
Sonraki sayfada, protein zinciri B'yi sadece işlem zinciri A'yı seçmekten çıkar. Devam et. PDB Bilgileri'ni aşağıya kaydırın ve devam edin. Dört çıkıştan PDB dosyasını seçip kaydediyoruz.
Son olarak, PDB dosyasını bir metin düzenleyiciyle açın. HSD'den HIS'e histidin protonasyon durumunu bulun ve değiştirin. Doğal ürün veritabanı taraması.
PLK1'i hedeflemek için küçük moleküllerden örnek alınma yaklaşımı, doğal ürünler veritabanı kullanır ve üç bölümden oluşur. Doğal ürün veri tabanları oldukça geniştir, bu yüzden başlangıç bileşikleri hastalık ve güven sınırı seçiminden elde edilir. Bu örnekte SuperNatural 3.0 kullanılmıştır.
SuperNatural 3.0, hastalık seçimi yoluyla molekül elde etmek için kullanılır. Sorgulama yapmanın bir yolu insan yolları aracılığıyla. Burada meme kanseri seçilir.
Bu yol için KEGG kimliği burada. Sonra KEGG ID'sini SuperNatural 3.0 yoluna yazarız. Alternatif olarak, Hastalık'a tıklayabilir, meme kanserini seçebilir ve tüm sonuç dosyasını kaydedebiliriz.
Sık sorulan sorularda, veritabanının tüm kütüphanesi indirilebilir. Devam edin. Sıkıştırılmış dosyaları açmaya devam edin, CSV'yi edinin ve zip dosyasını kaldırın. Open R Studio ya da seçtiğiniz bir IDE.
R Studio'ya veri aktarıldıktan sonra, ilk tam sonuçlar 73.046 molekül içerir. Güven sınırları uygulandıktan sonra 1.193 molekül vardır. Küme örnekleme.
Lipinski'nin beş kuralını RDkit ile uyguladıktan sonra. Kimya paketi ile 999 molekül kaldı. Burada 999 moleküle sahip olduğumuz açıkça görülüyor.
Sonra, 50 temsilci molekül türetmek için K-means kümeleme uygularız. Kümelenme, Tanimoto benzerliğine dayanır. Protein-ligand kenetlenme ve bağlanma afinitesi hesaplaması.
Bu yöntemin amacı, PLK1'i her liganda bağlanma afinitesi için kenetlemektir. CB-Dock2'yi açmaya devam edin. Dock sekmesine geç.
Burada 4hco'yu yüklüyoruz. PDB, kenetlenme için hedef protein olarak kullanıldı. Bir ligand yükle.
Burada ligand biriyle başlıyoruz. Alternatif olarak, bu SMILES dizisini yazabilir veya yapıştırabilirsiniz. Veri toplama kolaylığı için e-postanızı yazmaya devam edin.
Sonrasında Otomatik Kör Yanaşma tuşuna tıklayın. Sonuçlar e-postada gönderiliyor. Docking sonuçlarının zip dosyasını kaydet.
Kaydedildikten sonra zip dosyası çıkarılır ve içinde çeşitli dosyalar bulunur. Kompleks hariç tüm dosyaları kaldırın. PDB dosyaları.
Varsayılan beş kompleks olmalı. PDB dosyaları. Dizini temizlemek için açılmamış zip dosyalarını kaldırın.
CB-Dock2 ile protein-ligand kenetlenmesi tamamlandıktan sonra, pozlar Vina puanlarına göre sıralanmıştır. Bir sonraki adım PRODIGY ile bağlanma afinitesinin hesaplanmasıdır. PRODIGY ile bağlanma afinitesi, protein seçiciliğinin rekabetçi değerlendirilmesini sağlar. Ligandların PLK1'i seçici olması ve yapısal homologları seçmemesi avantajlıdır.
PRODIGY web sunucusuna geçin. PRODIGY-LIGAND sekmesini seçin. Bir komplekse atıfta bulun.
PDB dosyası protein ve ligand zinciri tanımlayıcılarını belirlemek için kullanılır. Kompleks. PDB dosyası metin düzenleyici ile açılır.
Proteinin zincir tanımlayıcısı P.That web sunucusuna eklenir. Ligand zinciri genellikle HETATM'de başlar. Bunu ara.
Ligand için zincir tanımlayıcısı A:UNL'dir. Bu web sunucusuna ekleniyor. Her protein ligand kombinasyonu için sağlanan beş kompleks aynı anda yüklenecektir.
Bu görev için R'de geliştirilmiş bir dosya yönetim betiği kullanılır. Script, tüm kenetlenme kombinasyonları için pdb dosyasını zip eder. Sıkıştırdıktan sonra dosyalar PRODIGY'ye manuel olarak yükleniyor.
PRODIGY ligandını göndermeye devam edin. Yüklenen kombinasyonda her beş poz için bağlayıcı affinitelerin bir listesi var. Delta-Gnoelec, elektrostatik hesaplamalar hariç bağlanma afinite puanıdır.
Sonuçları kaydetmeye devam edin, onlar fermuarlıdır. Zip dosyasını açtığınızda, affinity puanlarının olduğu bir çıkış klasörü var. ADMET-S değerlendirmesi.
ADMET değerlendirmesi, istikrarsız, üç farklı aracı içerir. ADMET, 120'den fazla özellik kullanarak ilaçlanabilirlik ve biyoyararlanılmayı değerlendirir. ORCA, ilaç özelliklerini analiz etmek için Yoğunluk Fonksiyonel Teorisi'ni (DFT) uygular.
Devam edelim. Stabilite için bir dizin oluşturun. Küçük bir molekülün SMILES ipini geri alın.
Avogadro'yu veya seçtiğiniz molekül düzenleyiciyi açın. SMILES ipini kullanarak küçük molekülünüzü oluşturun. Molekülü inşa ettikten sonra kurtarın.
Bir kararlılık alt dizininde bulunduğundan emin olun. Geometriyi optimize etmeye devam edin. Sonrasında bir ORCA giriş dosyası oluşturulur.
İstediğiniz teori seviyesini kopyalayıp yapıştırın, örneğin örnek belgenin dördüncü satırında görüldüğü gibi. Varsayılan teori seviyesini değiştirmeye devam edin. Dosyayı oluşturmaya devam edin.
Bu stabilite klasörüne kaydedin. sh dosyasını veya bash job dosyasını ekle. İş dosyasının parametrelerini özelleştirmeye devam edin.
Örneğin, bildirilecek e-posta özelleştirilebilir. Temsil eden sonuçlar. İlk olarak, çoklu boyutluluk indirgemesi için PCA var.
Bu şekil, gri elipslerde gruplanmış farklı numaralı kümeleri gösterir. Sonra, örnek ligand 1 ve PLK1-PBD sonuçları. Sol üstte yeşil renkte ligand 1'in tasviri var, istenmeyen kalıntılarla, kırmızı ve turuncu renklerde.
Sağda, CHARMM-GUI ile temizlik ve hazırlık sonrası temsilci bir model var. Aşağıda PLK1, PBD ve ligand 1 ile bağlı kenetlenmiş kompleks yer almaktadır. Ayrıca, CB-Dock2 en iyi beş kenetlenme boşluğunu ve bunların Vina puanları şeklinde eğilimlerini gösterir.
PRODIGY'den öngörülen bağlanma eğilimleri ısı haritalarıyla görselleştirilebilir. Isı haritası, PLK1, 2 ve 3 homologlarının rollerini gösterir. Kırmızı zayıf, istenmeyen bir yakınlığı temsil ederken, yeşil tam tersi.
ADMET-S değerlendirmesi çeşitli şekillerle temsil edilebilir. İlk olarak haşlanmış yumurta. Isı haritası, ligandların yeşil ve kırmızı ile inhibitör ve substrat dışı durumunu farklı metabolik göstergelere karşı tanımlar.
Temizleniş için, ilacın ifadeden önce dağıtılması için ideal zaman eşiklerini gösteren bir çizgi grafik. Çeşitli metrikler de faydalı bir radar tablosu oluşturarak derlenebilir. Her liganddaki toksikofor sayısı bir sütun grafikle gösterilebilir.
Toxtree, Cramer'ın kural karar ağacına dayalı hem ilaç toksisitesi sınıflandırması hem de niteliksel akıl yürütme üretir. Kararlılık veya moleküler reaktivite, yeterli HOMO-LUMO boşluk eşiklerinin bir çizgi grafiğiyle gösterilebilir. Sonuç. Özetle, bu protokol lise veya lisans düzeyinde çeşitli sanal ilaç taraması, bağlanma eğilimi ve ADMET-S araçlarını kullanır.
Bu protokolden elde edilen sonuçlar, olumlu ilaç keşfi verimini artırma potansiyeline sahiptir.
Genel Bakış
Bu protokol, potansiyel PLK1 inhibitörlerini tanımlamak için iki dilli bir hesaplamalı iş akışını göstermektedir. Protein-ligand etkileşimlerini ve ADMET-S özelliklerini değerlendirmenin ilaç keşfindeki önemini vurgulamaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Kimya
- Hesaplamalı Biyoloji
- Farmakoloji
Arka Plan
- PLK1 çeşitli kanserlerde aşırı eksprese edilmektedir.
- PLK1 inhibisyonu apoptozu indükleyebilir.
- Çalışma, seçici PLK1-PBD inhibitörlerini tanımlamayı amaçlamaktadır.
- Potansiyel inhibitörlerin taranmasında doğal ürün veritabanları kullanılmaktadır.
Çalışmanın Amacı
- PLK1 inhibitörlerini tanımlamak için bir iş akışı geliştirmek.
- Adayların tıbbi ve farmakokinetik özelliklerini değerlendirmek.
- İlaç keşfi için hesaplamalı araçlar kullanmak.
Kullanılan Yöntemler
- CHARMM-GUI kullanılarak protein hazırlanması.
- SuperNatural 3.0 ile doğal ürün veritabanı taraması.
- Protein-ligand doklama ve bağlanma afinitesi hesaplamaları.
- İlaç uygunluğu ve biyoyararlanım için ADMET-S değerlendirmesi.
Ana Sonuçlar
- Tarama sonrası 999 aday molekül tanımlanması.
- PRODIGY kullanılarak bağlanma afinitelerinin hesaplanması.
- ADMET-S değerlendirmesi ilaç özellikleri hakkında bilgiler sağlar.
- Sonuçların çeşitli grafiksel temsillerle görselleştirilmesi.
Sonuçlar
- Protokol, sanal ilaç taraması için kapsamlı bir yaklaşım sunmaktadır.
- İlaç keşif çabalarını geliştirmede potansiyel uygulamaları vardır.
- İş akışı, lise veya lisans düzeyinde eğitim amaçları için uygundur.
Sıkça Sorulan Sorular
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.
