二氢乳清酸脱氢酶 (DHODH) 是从头合成嘧啶所需的关键酶,由于受感染宿主细胞中病毒复制对嘧啶的需求量大,并且已被证实能够阻断免疫细胞释放细胞因子,从而防止炎症导致急性呼吸窘迫,因此建议将其作为 COVID19 治疗的靶标。目前有许多使用 DHODH 抑制剂治疗 COVID19 的临床试验正在进行中;但是,只有少数已知的 DHODH 拮抗剂可供测试。在这里,我们应用了一种方法来识别 DHODH 拮抗剂候选物,并使用计算机模拟靶标预测工具对它们进行了比较。从 DrugBank 获得的 7900 种 FDA 批准和临床阶段药物与 PDB 中可用的 20 种不同结构的 DHODH 进行了对接。Autodock Vina 根据药物的预测亲和力将其淘汰。大约剩下 28 种 FDA 批准的药物和 79 种正在进行临床试验的药物。使用 Autodock 4 和 DS Visualiser 重复对接分析了这些分子的相互作用模式。最后,通过 PASS 和 SwissTargetPrediction 工具确定了 28 种 FDA 批准药物的靶标区域预测。有趣的是,计算机模拟靶标预测分析显示,血清素-多巴胺受体拮抗剂也可能是潜在的 DHODH 抑制剂。我们的候选药物具有一个共同的属性,即可能与血清素-多巴胺受体以及其他氧化还原酶(如 DHODH)相互作用。此外,我们列表中的布鲁顿酪氨酸激酶抑制剂阿卡布替尼和血清素-多巴胺受体抑制剂药物在文献中已被证明对 Sars-CoV-2 有效,但活性途径尚未确定。确定一种既能抑制炎症又能抑制病毒增殖的有效药物将在 COVID 的治疗中发挥关键作用。因此,我们建议对 28 种 FDA 批准的药物对 DHODH 活性和 Sars-CoV-2 病毒增殖的影响进行实验研究。那些经实验证明有效的药物可以在 COVID19 治疗中发挥重要作用。此外,我们建议调查使用精神分裂症和抑郁症药物的患者的 COVID19 病例情况。
我们介绍了内核弹性自动编码器(KAE),这是一种基于变压器架构的自我监管的生成模型,具有增强的分子设计性能。KAE采用了两个创新的损失函数:修改后的最大平均差异(M-MMD)和加权重建(L WCEL)。 与使用传统的kullback损失(vae的Leibler损失或标准的最大平均差异)相比,M-MMD损失显着改善了KAE的生成性能。 包括加权重建损失l wcel,Kae同时实现有效的生成和准确的重建,从而允许在现有生成方法中介于VAE和自动编码器之间中间的生成行为。 KAE的进一步进步包括与有条件生成的集成,在受限的优化中设定了新的最新基准测试。 此外, KAE已经证明了其在对接应用中产生具有良好结合亲密关系的分子的能力,如Autodock Vina和Glide分数所证明的那样,表现出优于培训数据集中所有现有的候选者。 除了分子设计之外,Kae还希望在广泛的应用中逐渐解决问题。KAE采用了两个创新的损失函数:修改后的最大平均差异(M-MMD)和加权重建(L WCEL)。与使用传统的kullback损失(vae的Leibler损失或标准的最大平均差异)相比,M-MMD损失显着改善了KAE的生成性能。包括加权重建损失l wcel,Kae同时实现有效的生成和准确的重建,从而允许在现有生成方法中介于VAE和自动编码器之间中间的生成行为。KAE的进一步进步包括与有条件生成的集成,在受限的优化中设定了新的最新基准测试。KAE已经证明了其在对接应用中产生具有良好结合亲密关系的分子的能力,如Autodock Vina和Glide分数所证明的那样,表现出优于培训数据集中所有现有的候选者。除了分子设计之外,Kae还希望在广泛的应用中逐渐解决问题。
药物发现过程始于确定靶点和明确药物作用机制,以期赢得疾病治疗之战(Vamathevan 等人,2019 年)。药物发现中靶点识别的方法包括虚拟筛选和实验筛选。作为最广泛使用的基于结构的虚拟筛选方法之一,分子对接可以识别查询配体的最可能靶点。有许多流行的对接程序,例如 AutoDock、LeDock、Glide、GOLD 和 DOCK(Lapillo 等人,2019 年;Shahid 等人,2021 年)。为了减少评分偏差,Lee 和 Kim(2020 年)通过对 GOLD、AutoDock Vina 和 LeDock 的评分算法进行排名,构建了一个用于靶点预测的 Web 服务器。为了协助识别草药成分的假定靶点,Zhang 等人利用分子对接程序对草药成分进行分类,以确定可能的靶点。 (2019 ) 使用反向对接方法来预测配体-靶标相互作用。Ma 和 Zou (2021 ) 使用 DOCK 算法开发了一种反向对接程序,以支持将配体与多个蛋白质结构集合对接。然而,对接的优势被严重的缺陷所抵消:对接会产生许多假阳性事件 ( Lyu et al., 2019 )。这是由相对粗糙的搜索算法造成的,例如,蒙特卡洛算法在活性位点生成一个随机的配体初始构型,包括随机构象、平移和旋转;禁忌搜索算法对配体的当前构型进行了一些小的随机更改并对其进行排序 ( Sulimov et al., 2019 )。为了避免假阳性事件,我们之前开发了一种基于贝叶斯-高斯混合模型 (BGMM) 的靶标过滤算法 (Wei et al., 2022)。我们对从 PDB 中的配体结合蛋白晶体结构中提取的配体原子与蛋白质片段之间的相互作用对进行了聚类(发布时间:1995 年 1 月至 2021 年 4 月),发现潜在靶标应满足 ≥ 600 个显著相互作用对,同时它们与所有相互作用对的比例≥ 0.8 (Wei et al., 2022)。我们方法的优势在于,我们不仅考虑了配体和蛋白质之间的主要键,例如氢键、盐桥、疏水接触、卤素键和 π 堆积 (Shaikh et al., 2021),还总结了配体和蛋白质之间的所有原子接触
(2020年7月31日收到; 2020年12月21日修订; 2020年12月23日接受)摘要。在这项研究中,对Covid-19的七种药物进行了构象分析。使用药物分子的最稳定构象体作为对接分析的初始数据。使用CavityPlus程序,确定了SARSCOV-2受体的COVID-19主要蛋白酶(M Pro)的Apo和Holo形式的最活跃的结合位点(M Pro)和Spike糖蛋白。使用Autodock Vina计划检查了7种FDA批准的药物(Arbidol,corchicine,Dexamethasone,favipiravir,Galideivir,hydroxychoroquine,Remdesivir)的相互作用机制。发现这七种药物中的六种在与APO形式的covid-19 m Pro和Spike糖蛋白结合结合方面更加稳定。此外,对研究的药物 - 蛋白质系统进行了一组分子力学(MM)Poisson-Boltzmann(PB)表面积(SA)计算,并进行了remdesivir的估计结合自由能和M Pro
摘要。背景/目标:从抗癌活性方面确定三个基于伊萨蛋白的支架的最佳。材料和方法:基于伊萨蛋白的支架的合成是通过反应形成席夫碱的。由瑞士目标预测工具和Autodock Vina进行分子对接组成。使用WST1生存力测定法确定抗癌活性和细胞毒性。结果:合成了三个支架(IA,IB和IC),并以良好的反应产率确认。瑞士目标预测工具显示了激酶的趋势。分子对接测定法证明IC对CDK2的亲和力更高。抗癌活性测定法被认为是针对癌细胞系的最活跃的。细胞毒性导致非癌细胞的细胞毒性表明缺乏选择性。结论:在抗癌活性方面,支架IC被确定为最好的,这些作用可能是由于CDK2的抑制作用所致,如分子对接所证明的那样。
ErbB 受体家族(包括 EGFR 和 HER2)在细胞生长和存活中起着至关重要的作用,并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中,我们开发了一个深度学习模型,使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹,并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后,我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能,训练集上的均方误差 (MSE) 为 0.2591,平均绝对误差 (MAE) 为 0.3658,R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降(R² = 0.7731),但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效,为虚拟筛选和药物发现提供了宝贵的工具。
抽象因子Xa是开发新抗凝剂的重要目标。本研究旨在研究与利伐沙班对激活的人凝结因子X(PDB ID:2W26)相比,与Rivaroxaban相比,三种化合物(槲皮素及其衍生物rutin和troxerutin)的影响。分子对接,以预测其抗激活因子X活性和自动库克Vina软件以检查形成的键。接下来,研究了对PT和APTT凝血时间的体外生物学作用。troxerutin和rutin与2W26酶显示最佳相互作用值,并且使用igemdock分别为[(-185.743 kcal/mol)和(-178.034 kcal/mol)];利伐沙班的结合能为(-149.661 kcal/mol)。体外研究的结果表明,与阴性和阳性对照相比,研究化合物对延长PT(APTT)具有作用。然而,曲毒素给出了评估的凝血时间的最高延长,与计算机研究的结果一致。
摘要:糖尿病神经病是糖尿病的痛苦并发症,可能会用可可豆荚中的化合物治疗。这项研究研究了可可POD中包含的各种类黄酮(Catechin,Epicatechin,槲皮素,Luteolin,apigenin,naringenin和procyanidin)与规范瞬态受体电位(TRPC6)受体的相互作用。用于预测这些化合物与TRPC6的结合亲和力。这涉及准备类黄酮的分子结构和TRPC6蛋白进行模拟。模拟提供了对类黄酮和TRPC6之间结合效率和相互作用能的见解。的发现表明,procyanidin和槲皮素分别在-7.15 kcal/mol和-6.37 kcal/mol中表现出最高的结合能。procyanidin与氨基酸残基ALA508,ARG609,ARG758,ASN765,ASP530,GLU512,HIS446和MET505相互作用,而槲皮素与Arg758,Asp530,Glu512和Glu524结合。这些结果突出了槲皮素和procyanidin作为糖尿病神经病的TRPC6靶向治疗方法的候选者的潜力。本研究为创建新,有效和安全的糖尿病神经病药物的基础奠定了基础。
人类来源的功能。简短答案问题: - (答案全部)[23x2 = 46] 1。用示例定义免费的威尔逊分析。2。编写QSAR的应用程序。3。招募两个ADME数据库。4。提及两个生化数据库。5。用示例定义铅分子。6。定义铅优化的随机筛选。7。定义COMFA和COMSIA。8。写药数据库的应用程序。9。提及任何两种铅优化技术。10。用示例定义生物膜。11。解释Hansch分析。12。比较SAR和QSAR。13。定义comsia及其两个应用程序。14。解释5.15。蛋白质加工用于自动库克维纳中的对接。16。招募任何两个药物数据库。17。绑定位点如何位于PDB和Discovery Studio Visualizer18。电网盒的重要性19。对接化合物的虚拟筛选。20。BLAST和基因本体论发现。21。多序列比对和蛋白质功能评估22。同源建模和模型使用者的使用。23。半经验方法和能量最小化。
目的:本研究旨在通过药物重新定位方法确定一种 FDA 批准的抑制 IL-17 受体的分子,该受体是预防强直性脊柱炎 (AS) 炎症的重要靶点。材料和方法:使用药物-基因相互作用数据库,在 AS 中鉴定出 18 种对活性 HLA-B 基因有特异性的分子。然后,从 RSCB 数据库中获取 IL-17 的 3D 结构。I) 盲对接 II) 计算的蛋白质表面拓扑图谱网络工具用于确定结合包。通过使用确定的结合包周围的网格框进行分子对接,确定了已知的 IL-17 抑制剂玫瑰红桃金娘酮和 IL-17 之间的相互作用。因此,使用选定的网格框特征准备配置文件,并使用 AutoDock Vina 程序对 18 个分子进行对接。结果与讨论:卡马西平分子与 IL-17 的结合亲和力和结合特性最佳。研究还发现,米诺环素、柳氮磺吡啶和沙利度胺在活性位点紧密堆积,这些分子有望成为治疗 AS 疾病的先导分子。关键词:强直性脊柱炎,盲对接,药物重定位,IL-17,分子对接