Geniş Ligand Kütüphanelerine Sahip Hedefler için Farmakofor Modellemesi: SARS-CoV-2 Mpro Üzerine Bir Vaka Çalışması
26 Eylül 2025
Bu makale, çoklu ligandlardan moleküler özellikleri entegre ederek bir konsensüs farmakofor modeli oluşturmak için bir protokol sunmaktadır. Bu yöntem, bilinen liganda bağlı konformasyonlara sahip herhangi bir biyolojik hedefi hedef alan ilaç keşif çabalarına uygulanabilir ve sanal tarama ve rasyonel ilaç tasarımı için temel etkileşim özelliklerinin tanımlanmasını sağlar.
Araştırmamız, geniş ligand kütüphaneleri ile farmakofor modellemeyi araştırıyor. Bu çalışmada, ilaç keşfine rehberlik eden yapısal kalıpları belirlemek için SARS-CoV-2 Mpro'ya odaklanıyoruz. Farmakofor modellemedeki son gelişmeler, ilaç keşfi için temel moleküler besleyicilerin belirlenmesinde doğruluğu artıran daha büyük ve daha çeşitli veri kümeleri kullanır.
Moleküler dinamik simülasyonlar ve makine öğrenimi şu anda farmakofor modellemeyi ilerletmek ve ilaç keşif sonuçlarını iyileştirmek için kullanılmaktadır. Önemli bir zorluk, büyük ve çeşitli ligand veri kümelerini yönetirken, gelecekteki ekstraksiyon doğruluğunu artırmak ve hesaplama maliyetlerini azaltmaktır. Pahalı ligand kütüphanelerinin farmakoforun gelecekteki doğruluğunu artırdığını, daha güvenilir tahminlere ve potansiyel ilaç adaylarının daha iyi tanımlanmasına olanak sağladığını gösterdik.
Başlamak için PyMOL yazılımını başlatın. Yazılımdaki tüm protein ligand komplekslerini hizalayın. Hizalanmış her kompleks için ligand konformerini çıkarın ve SDF formatında ayrı bir dosya olarak kaydedin.
Özellikleri Yükle seçeneğini kullanarak çiftleştirmek için her ligand dosyasını ayrı ayrı yükleyin. Yüklemeden sonra, farmakofor dosyasını JSON formatında indirmek için Oturumu Kaydet seçeneğini kullanın. İndirilen tüm farmakofor JSON dosyalarını daha sonra Google Colab ortamında kullanmak üzere tek bir klasörde birlikte saklayın.
Google Colab'i bir web tarayıcısında başlatın ve yeni bir not defteri oluşturun. Conda ve PyMOL'u yükleyin, ardından oynat simgesine tıklayarak veya başarılı yürütmeyi doğrulamak için shift ve enter tuşlarına basarak hücreyi çalıştırın. Doğru şekilde tamamlanırsa hücrenin üzerinde yeşil bir çubuk görünecektir.
Şimdi CANFAR Python paketini kurun ve gerekli modülleri içe aktarın. Başarılı kurulumu onaylamak için oynat simgesine tıklayarak hücreyi çalıştırın. Başarılı bir yürütmenin ardından bir onay mesajı görünecektir.
Ardından, farmakofor JSON dosyalarını depolamak için yeni bir klasör oluşturun. Klasörü açın, içine sağ tıklayın ve JSON dosyalarını yüklemek için yükle'yi seçin. Farmakofor özelliklerini ayrıştırmak ve birleştirmek için, karşıya yüklenen tüm dosyalardan özellikleri çıkarın.
Hücreyi çalıştırmak ve her bir ligandın özelliklerini içeren birleştirilmiş bir veri çerçevesi oluşturmak için oynat simgesine tıklayın. Tüm farmakofor tanımlayıcılarını görüntüleyin, ardından kümeleme modellerini görüntülemek için hücreyi çalıştırın. Şimdi farmakofor modelini PyMOL formatında kaydedin.
Bir pse dosyası oluşturmak için hücreyi çalıştırın, ardından ilgili kod hücresini çalıştırarak modeli JSON dosyası olarak kaydedin. Sağlanan kodu kullanarak özellik kümelenmiş çıktılar ve dendogramlar oluşturun. Oynat'a tıklayın ve dışa aktarma komutunu çalıştırarak konsensüs farmakofor verilerini bir CSV dosyasına aktarın.
Sanal tarama için oluşturulan konsensüs farmakofor modelini kullanın. Farklı kovalent olmayan inhibitörlerle birlikte kristalize edilmiş 100 ana proteaz veya Mpro kompleksi, bağlanma cebi içindeki ligand çeşitliliğini görselleştirmek için hizalandı. Her ligand, sanal tarama için ayrı dosyalar oluşturmak üzere hizalanmış komplekslerden ayrı ayrı çıkarıldı.
Ekstrakte edilen ligandlar ilaç sunucusuna yüklendi ve farmakofor modelleme için yapılandırılmış JSON dosyaları oluşturmak için kullanıldı. JSON dosyaları, 23 aromatik, 30 hidrojen bağı alıcısı, 16 hidrojen bağı donörü, 36 hidrofobik ve beş anyon kümesi dahil olmak üzere 110 küme halinde gruplandırılmış 1.450 farmakofor özelliği verdi. Konsensüs modelini oluşturmak için, yalnızca en yoğun nüfuslu kümeler korunurken, yetersiz üyeler nedeniyle anyon kümeleri hariç tutuldu.
Nihai konsensüs farmakofor modeli, hidrojen bağı alıcıları için üç aromatik, iki hidrojen bağı donörü ve iki hidrofobik özellik içeren 11 özellikten oluşuyordu. En az temsili aromatik özellik olan aro bir'in çıkarılmasından sonra, iki aday bileşik tanımlandı. 101 267 741 bileşiğinin iki boyutlu kimyasal yapısı, farmakofor modeliyle uyumluluğunu doğrulamak için görselleştirildi.
Bileşik 101 267 741, Mpro bağlama cebine derinlemesine oturur ve S1 ve S2 alt ceplerini, S1 cebine doğru yayılan referans ligand 38a'dan daha etkili bir şekilde işgal eder. Bileşik 101 267 741, 11 moleküller arası etkileşim, yedi hidrojen bağı ve dört hidrofobik temas oluşturdu.
Genel Bakış
Bu makale, özellikle SARS-CoV-2 Mpro'ya odaklanarak, birden fazla liganddan gelen moleküler özellikleri entegre ederek bir konsensüs farmakofor modeli oluşturma protokolünü sunmaktadır. Bu yöntem, sanal tarama ve rasyonel ilaç tasarımı için temel etkileşim özelliklerini belirleyerek ilaç keşfi çalışmalarını geliştirmektedir.
Temel Çalışma Bileşenleri
Bilim Alanı
- Farmakofor modelleme
- İlaç keşfi
- Yapısal biyoloji
Arka Plan
- Farmakofor modelleme, yapısal modelleri tanımlamak için geniş ligand kütüphanelerini kullanır.
- Modellemedeki ilerlemeler, temel moleküler özelliklerin tanımlanmasındaki doğruluğu artırmaktadır.
- Zorluklar arasında çeşitli veri setlerinin yönetimi ve hesaplama maliyetlerinin düşürülmesi yer almaktadır.
- Güncel çalışmalar, daha geniş ligand kütüphanelerinin tahmin güvenilirliğini artırdığını göstermektedir.
Çalışmanın Amacı
- SARS-CoV-2 Mpro için bir konsensüs farmakofor modeli geliştirmek.
- Geliştirilmiş modelleme teknikleri aracılığıyla ilaç keşfi sonuçlarını iyileştirmek.
- Farmakofor özelliklerinin çıkarılmasını ve analizini kolaylaştırmak.
Kullanılan Yöntemler
- Protein-ligand komplekslerini hizalamak için PyMOL kullanıldı.
- Ligand konformerleri çıkarıldı ve SDF formatında kaydedildi.
- Farmakofor JSON dosyaları oluşturmak için ligand dosyaları yüklendi.
- Veri işleme ve özellik çıkarımı için Google Colab kullanıldı.
Temel Sonuçlar
- 110 kümede gruplandırılmış 1.450 farmakofor özellik üretildi.
- Nihai konsensüs model; aromatik ve hidrojen bağı etkileşimleri dahil olmak üzere 11 özellikten oluştu.
- 101267741 numaralı bileşik, potansiyel bir ilaç adayı olarak tanımlandı.
- Bileşik etkileşimleri Mpro bağlanma cebi içerisinde görselleştirildi.
Sonuçlar
- Konsensüs farmakofor modeli, sanal taramaya etkili bir şekilde rehberlik eder.
- Farmakofor modellemedeki artan doğruluk, ilaç adayı belirleme sürecini geliştirir.
- Gelecekteki çalışmalar, ekstraksiyon yöntemlerinin ve hesaplama verimliliğinin iyileştirilmesine odaklanabilir.
Sıkça Sorulan Sorular
Sektörel Uygulama ve Önemi
Kapsamlı ligand kütüphaneleri kullanılarak yapılan konsensüs farmakofor modellemesi, özellikle SARS-CoV-2 Mpro gibi hedefler için erken evre ilaç keşfinde daha yüksek öngörü güvenilirliği sağlar. Farklı ligand bağlı konformasyonların entegrasyonu model yanlılığını azaltır ve güçlü sanal taramayı destekleyerek, öncü bileşik tanımlama ve portföy eleme süreçlerini doğrudan etkiler. Bu yaklaşım, zengin yapısal verilere sahip hedefler için rasyonel aday seçimini kolaylaştırarak kurumsal Ar-Ge verimliliğini artırır.
Biyofarma Ar-Ge'de Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Çeşitli ligandlar genelindeki korunumlu etkileşim özelliklerini yakalayarak terapötik hipotezlerin sorgulanmasına olanak tanır.
- Katalitik bölgedeki bağlanmanın temel moleküler belirleyicilerini tanımlayarak fonksiyonel hedef doğrulamasını destekler.
- Konsensüs özellik entegrasyonu yoluyla model yanlılığını azaltarak portföy önceliklendirmesi için öngörü güvenilirliğini artırır.
Tarama ve Analiz Geliştirme
- Ultra büyük bileşik kütüphanelerinin ölçeklenebilir sanal taraması için valide edilmiş farmakofor modelleri hazırlar.
- Alt değerlendirmeler için nicel etkileşim özellikleri tanımlayarak assay standardizasyonunu kolaylaştırır.
- Açık kaynaklı informatik araçlar aracılığıyla tekrarlanabilir ve platformdan bağımsız tarama iş akışları sağlar.
Translasyonel ve Preklinik Araştırmalar
- Aday seçimini hastalıkla ilgili bağlanma bölgesi özellikleri ile hizalayarak translasyonel sürekliliği destekler.
- Ligand etkileşimlerini hedefin yapısal alt cepleriyle eşleştirerek mekanistik risk azaltma sağlar.
- Optimal farmakofor uyumuna sahip bileşiklere öncelik vererek riskten arındırılmış ilerleme kararlarını destekler.
Boru Hattı ve İş Akışı Entegrasyonu
Bu konsensüs farmakofor modelleme protokolü, yapısal biyoloji ve bilişimden yararlanarak sanal tarama ve aday önceliklendirmesini bilgilendirmek amacıyla, erken keşif aşamasından öncü bileşik tanımlama aşamasına kadar olan sürece uygundur.
- Keşif Biyolojisi: Bağlanma yollarını netleştirmek ve hedef etkileşimi risklerini azaltmak için ligand bağlı konformasyonları entegre eder.
- Tarama: Yüksek kapasiteli sanal tarama için kantitatif, tekrarlanabilir farmakofor modeller sunar.
- Analitik: Ligand etkileşimlerini karşılaştırmak için kümelenmiş özellik çıktıları ve istatistiksel tanımlayıcılar sağlar.
- Translasyonel Araştırma: Klinik öncesi ilerleme için adayların hastalıkla ilgili hedef özelliklerle uyumunu sağlar.
- Kurumsal Yeniden Kullanım: Yeterli ligand verisine sahip herhangi bir hedefe uyarlanabilir, ölçeklenebilir ve açık kaynaklı bir iş akışı sunar.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Hedef-ligand etkileşimlerinde öngörü güvenini artırır ve mekanistik belirsizliği azaltır.
- Operasyonel Değer: Farmakofor modellemesini standartlaştırır; tekrarlanabilir ve ölçeklenebilir taramaya olanak tanır.
- Stratejik Değer: Bilgiye dayalı devam/durdur kararlarını ve sermaye açısından verimli öncü bileşik önceliklendirmesini destekler.
- Portföy Etkisi: Riskle uyumlu ilerlemeyi ve projeler arası model yeniden kullanımını kolaylaştırır.
Uygulama Hususları
- Yapısal biyoloji, kemoinformatik ve farmakofor modelleme konularında uzmanlık gerektirir.
- Moleküler görselleştirme araçlarına (örneğin PyMOL) ve hesaplama altyapısına (örneğin Google Colab) erişime bağlıdır.
- Ekipler arasında standartlaştırılmış ligand hazırlama ve özellik çıkarma protokollerini zorunlu kılar.
- Ligand bağlı yapıları mevcut olan çeşitli hedeflere uyarlanabilir ancak veri seti kalitesi ve çeşitliliği ile sınırlıdır.
- Ultra büyük ligand kütüphaneleri için hesaplama maliyeti ve özellik kümeleme eşikleri yönetilmelidir.
