Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tái sử dụng thuốc cho SARS-CoV-2: nghiên cứu về docking phân tử hiệu suất cao, động lực học phân tử, học máy và lý thuyết chức năng mật độ
Tóm tắt
Một phân tử vi mô có kích thước 125 nm đã gây ra khoảng 479 triệu trường hợp nhiễm virus ở người (80 triệu ở Hoa Kỳ) và 6.1 triệu ca tử vong (977,000 ở Hoa Kỳ) trên toàn thế giới, đồng thời gây thiệt hại cho nền kinh tế toàn cầu lên tới 8.5 triệu USD trong vòng hai năm. Hai sự kiện khác trong lịch sử gần đây cũng gây ra tổn thất về sinh mạng của con người do việc sử dụng trực tiếp (bởi con người hoặc thiên nhiên) các mối quan hệ giữa cấu trúc và tính chất của 'nano-structures' (của con người hoặc thiên nhiên) là các cuộc tấn công bằng bom hạt nhân trong Thế chiến II và Đại dịch cúm năm 1918. Phân tử này được gọi là SARS-CoV-2, gây ra một căn bệnh được biết đến với tên gọi COVID-19. Chi phí trách nhiệm cao của đại dịch đã khuyến khích nhiều thực thể tư nhân, chính phủ và học thuật làm việc để tìm kiếm một phương pháp điều trị cho COVID-19 cũng như các bệnh mới nổi khác. Kết quả là, nhiều ứng viên vắc xin đã được phát hiện nhằm ngăn ngừa nhiễm trùng ngay từ đầu. Tuy nhiên, cho đến nay vẫn chưa có thành công trong việc tìm kiếm các ứng viên trị liệu hoàn toàn hiệu quả. Trong bài báo này, chúng tôi đã cố gắng cung cấp nhiều ứng viên trị liệu dựa trên một khung in-silico đa quy mô tinh vi, điều này làm tăng khả năng sống sót của các ứng viên trong thử nghiệm in-vivo. Chúng tôi đã chọn một nhóm các ligand từ cơ sở dữ liệu ZINC dựa trên các ứng viên trước đây đã thành công một phần, tức là Hydroxychloroquine, Lopinavir, Remdesivir, Ritonavir. Chúng tôi đã sử dụng khung làm việc chắc chắn sau để sàng lọc các ligand; Bước-I: docking phân tử hiệu suất cao, Bước-II: phân tích động lực học phân tử, Bước-III: phân tích lý thuyết chức năng mật độ. Tổng cộng, chúng tôi đã phân tích 242,000 (ligand) * 9 (protein) = 2.178 triệu tổ hợp liên kết protein/lipid độc đáo. Các protein được chọn dựa trên các nghiên cứu thực nghiệm gần đây đánh giá các vị trí liên kết ức chế tiềm năng. Bước-I đã lọc số lượng đó xuống còn 10 ligand/protein dựa trên năng lượng liên kết docking phân tử, sàng lọc thêm xuống còn 2 ligand/protein dựa trên phân tích tính giống thuốc. Thêm vào đó, hai ligand này mỗi protein đã được phân tích trong Bước-II với bộ lọc RMSD dựa trên mô hình động lực học phân tử nhỏ hơn 1Å. Cuối cùng, nó gợi ý ba ligand (ZINC001176619532, ZINC000517580540, ZINC000952855827) tấn công vào các vị trí liên kết khác nhau của cùng một protein (7BV2), và các ligand này đã được phân tích thêm trong Bước-III để tìm ra lý do phía sau hiệu quả ligand tương đối cao hơn.
Từ khóa
#SARS-CoV-2 #COVID-19 #docking phân tử #động lực học phân tử #lý thuyết chức năng mật độ #tái sử dụng thuốcTài liệu tham khảo
Lai C-C, Shih T-P, Ko W-C, Tang H-J, Hsueh P-R (2020) Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) and coronavirus disease-2019 (COVID-19): the epidemic and the challenges. Int J Antimicrob Agents 55(3):105924
“WHO Chief Media Conference for Pandemic Declaration”
Cui J, Li F, Shi Z-L (2019) Origin and evolution of pathogenic coronaviruses. Nat Rev Microbiol 17(3):181–192
Rabi FA, Al Zoubi MS, Kasasbeh GA, Salameh DM, Al-Nasser AD (2019) “SARS-CoV-2 and coronavirus disease what we know so far.” Pathogens 9(3):2020
Paules CI, Marston HD, Fauci AS (2020) coronavirus infections: more than just the common cold. JAMA 323(8):707–708
Astuti I, Ysrafil (2020) Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2): an overview of viral structure and host response. Diabetes Metab Syndr Clin Res Rev 14(4):407–412
Yang J et al (2020) Molecular interaction and inhibition of SARS-CoV-2 binding to the ACE2 receptor. Nat Commun 11(1):4541
J Kashyap, S Nagesh, K Narayan, and P K Pattnaik (2016) “Design and simulation of a novel 3D MEMS fabrication/micro cutting facility by thermally actuated MEMS device,”. In: IEEE Region 10 Annual International Conference, Proceedings/TENCON, 2016
Siemieniuk RAC et al (2020) Drug treatments for covid-19: living systematic review and network meta-analysis. BMJ 370:m2980
Maciorowski D et al (2020) A review of the preclinical and clinical efficacy of remdesivir, hydroxychloroquine, and lopinavir-ritonavir treatments against COVID-19. SLAS Discov Adv Sci Drug Discov 25(10):1108–1122
Terstappen GC, Reggiani A (2001) In silico research in drug discovery. Trends Pharmacol Sci 22(1):23–26
Ton AT, Gentile F, Hsing M, Ban F, Cherkasov A (2020) “Rapid identification of potential inhibitors of SARS-CoV-2 main protease by deep docking of 1.3 billion compounds.” Mol Inform 39(8):2000028
Irwin JJ, Sterling T, Mysinger MM, Bolstad ES, Coleman RG (2012) ZINC: a free tool to discover chemistry for biology. J Chem Inf Model 52(7):1757–1768
Krieger E, Vriend G (2015) New ways to boost molecular dynamics simulations. J Comput Chem 36(13):996–1007
Krieger E, Koraimann G, Vriend G (2002) Increasing the precision of comparative models with YASARA NOVA: a self-parameterizing force field. Proteins Struct Funct Bioinforma 47(3):393–402
Krieger E, Vriend G (2014) YASARA view: molecular graphics for all devices—from smartphones to workstations. Bioinformatics 30(20):2981–2982
Trott O, Olson AJ (2010) AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J Comput Chem 31(2):455–461
Case DA et al (2005) The Amber biomolecular simulation programs. J Comput Chem 26(16):1668–1688
Roe DR, Cheatham TE (2013) PTRAJ and CPPTRAJ: software for processing and analysis of molecular dynamics trajectory data. J Chem Theory Comput 9(7):3084–3095
Hafner J (2008) Ab-initio simulations of materials using VASP: density-functional theory and beyond. J Comput Chem 29(13):2044–2078
Henkelman G, Jónsson H (1999) A dimer method for finding saddle points on high dimensional potential surfaces using only first derivatives. J Chem Phys 111(15):7010–7022
Rose PW et al (2017) The RCSB protein data bank: integrative view of protein, gene and 3D structural information. Nucleic Acids Res 45(D1):D271–D281
Pettersen EF et al (2004) UCSF Chimera: a visualization system for exploratory research and analysis. J Comput Chem 25(13):1605–1612
Towns J et al (2014) XSEDE: accelerating scientific discovery. Comput Sci Eng 16(5):62–74
Tang W, Sanville E, Henkelman G (2009) A grid-based Bader analysis algorithm without lattice bias. J Phys Condens Matter 21(8):84204
Daina A, Michielin O, Zoete V (2017) SwissADME: a free web tool to evaluate pharmacokinetics, drug-likeness and medicinal chemistry friendliness of small molecules. Sci Rep 7(1):42717
P. W. Battaglia et al (2018) “Relational inductive biases, deep learning, and graph networks,”
A White, Deep Learning for Molecules and Material
Liang J, Xu Y, Liu R, Zhu X (2019) QM-sym, a symmetrized quantum chemistry database of 135 kilo molecules. Sci Data 6(1):213
Kashyap J, Yang E-H, Datta D (2020) Computational study of the water-driven graphene wrinkle life-cycle towards applications in flexible electronics. Sci Rep 10(1):1648
Solanky P, Sharma V, Ghatak K, Kashyap J, Datta D (2019) The inherent behavior of graphene flakes in water: a molecular dynamics study. Comput Mater Sci 162:140–147
K Ghatak, D Datta, J Kashyap, K G Team (2019) “Growth Physics of MoS2 Layer on the MoS2 surface: a monte carlo approach,” in APS March Meeting Abstracts. F13.009
Kashyap J, Ghatak K, Datta D (2019) Characterizing the morphology of the different grown homo/hetero tmd structures by controlling parameters – a multiscale computational approach. ECS Meet Abstr MA2019-01(12):806–806. https://doi.org/10.1149/MA2019-01/12/806
Jumper J et al (2021) Highly accurate protein structure prediction with AlphaFold. Nature 596(7873):583–589