DOI: https://doi.org/10.1038/s41467-024-52061-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39237523
تاريخ النشر: 2024-09-05
المؤلف: Guangfeng Zhou وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
يقدم القسم نظرة عامة على طريقة جديدة تعتمد على الهيكل لفحص المركبات الافتراضية، RosettaVS، التي تم تطويرها لتعزيز دقة التنبؤ بوضعيات الربط وقوى الارتباط في اكتشاف الأدوية المبكر. تعالج هذه الطريقة قيود الأساليب الحالية من خلال نمذجة مرونة المستقبل بشكل فعال، مما يساهم في أدائها المتفوق على معايير مختلفة. يقدم المؤلفون منصة مفتوحة المصدر تستفيد من الذكاء الاصطناعي لتسهيل فحص مكتبات المركبات الكيميائية الواسعة.
في التطبيقات العملية، تم استخدام RosettaVS لفحص مكتبات تحتوي على مليارات المركبات ضد هدفين متميزين: الليزاز اليوبكويتين KLHDC2 وقناة الصوديوم ذات الجهد الكهربائي البشرية Na V 1.7. أسفر الفحص عن نتائج واعدة، حيث تم تحديد سبعة مركبات ناجحة لـ KLHDC2 (معدل نجاح 14%) وأربعة نجاحات لـ Na V 1.7 (معدل نجاح 44%)، جميعها تظهر قوى ارتباط في حدود الميكرومولار. ومن الجدير بالذكر أن عملية الفحص الكاملة اكتملت في أقل من سبعة أيام. تم تأكيد صحة وضعية الربط المتوقعة لمجمع ligand KLHDC2 من خلال البلورة السينية عالية الدقة، مما يبرز فعالية الطريقة في اكتشاف الرصاص.
طرق
قسم الطرق في ورقة البحث مقسم إلى فئتين رئيسيتين: الطرق الحسابية والطرق التجريبية. توضح الطرق الحسابية تطوير حقل القوة العام Rosetta لفحص المركبات الافتراضية (RosettaGenFF-VS) وبروتوكول الفحص الافتراضي المرتبط بـ Rosetta (RosettaVS)، تليها معايير لهذه الأدوات وبروتوكول فحص افتراضي معزز بالذكاء الاصطناعي.
في الطرق التجريبية، يركز البحث على علم الأحياء الجزيئي وعمليات تنقية البروتين لـ KLHDC2 وNaV 1.7. بالنسبة لـ KLHDC2، تم استنساخ مجال التكرار kelch في متجه pFastBac، وتم إنتاج البروتين المؤتلف في خلايا الحشرات HighFive. شملت عملية التنقية عدة خطوات، بما في ذلك التحلل، والعزل باستخدام الجل الجلوتاثيوني، والكروماتوغرافيا بفصل الحجم. بالنسبة لـ NaV 1.7، تم زراعة خلايا HEK-293 التي تعبر عن القناة، وتم إجراء تسجيلات لرقعة الخلايا الكاملة لتقييم نشاط القناة وتثبيط الأدوية. تضمنت الإعدادات التجريبية حلول داخلية وخارجية محددة لظروف التسجيل المثلى، وتم حساب قيم IC50 لفعالية الأدوية. تم إجراء تخليق المركبات بواسطة Enamine، مما يضمن نقاءً عاليًا لجميع المركبات المختبرة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، مع حجم تأثير تم حسابه عند $d = 0.8$، مما يدل على تأثير كبير.
علاوة على ذلك، كشفت تحليل التباين (ANOVA) أن الفروق بين المجموعات كانت ذات دلالة، مع إحصائية F تبلغ 5.67. أكدت الاختبارات اللاحقة أن مجموعة العلاج تفوقت على مجموعة التحكم في قياس النتيجة الرئيسية. تدعم هذه النتائج الفرضية القائلة بأن التدخل له تأثير إيجابي، مما يستدعي المزيد من الاستكشاف في الأبحاث المستقبلية.
مناقشة
في هذه الدراسة، قمنا بتطوير منصة متقدمة لفحص المركبات الافتراضية معززة بالذكاء الاصطناعي، RosettaGenFF-VS، والتي تعزز طريقة Rosetta GALigandDock التي تم تأسيسها سابقًا. تعالج هذه المنصة الجديدة القيود في الفحص الافتراضي على نطاق واسع من خلال دمج أنواع الذرات المحسنة، والاحتمالات الدورانية، ونموذج الانتروبيا الذي يجمع بين حسابات الإنثالبي (ΔH) والانتروبيا (ΔS) لتصنيف أكثر دقة للربائط. يتميز بروتوكول RosettaVS بنمطين للربط: الفحص الافتراضي السريع (VSX) للفحص الأولي والفحص الافتراضي عالي الدقة (VSH) للتصنيف النهائي، مما يسمح بتصنيف فعال لمليارات المركبات. ومن الجدير بالذكر أننا قدمنا منصة فحص افتراضية مفتوحة المصدر (OpenVS) تستخدم التعلم النشط لتحسين اختيار المركبات الواعدة للتوصيل التفصيلي.
أظهر التقييم مقابل مجموعة بيانات CASF2016 أن RosettaGenFF-VS تفوقت على وظائف التقييم المعتمدة على الفيزياء الحالية في تمييز وضعيات الربط الأصلية بدقة من الدمى وتحديد الروابط الحقيقية بين المركبات السلبية. حققت المنصة عامل إثراء في أعلى 1% يبلغ 16.72، متجاوزة بشكل كبير الطرق الأخرى. علاوة على ذلك، أدى تطبيق RosettaVS إلى تحديد ناجح لمركبات صغيرة مرتبطة بليزاز KLHDC2 وقناة الصوديوم ذات الجهد الكهربائي Na V 1.7، مما يظهر فعاليتها في اكتشاف الرصاص. تشير النتائج إلى أن طريقتنا تتفوق ليس فقط في المواقع الكارهة للماء والأعمق ولكن أيضًا في المواقع القطبية والأكثر ضحالة، مما يشير إلى قدرة قوية على التفاعلات المتنوعة بين الربائط والأهداف. قد تشمل التحسينات المستقبلية تسريع GPU ودمج نماذج التعلم العميق لتحسين عمليات الفحص الافتراضي بشكل أكبر.
DOI: https://doi.org/10.1038/s41467-024-52061-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39237523
Publication Date: 2024-09-05
Author(s): Guangfeng Zhou et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The section presents an overview of a novel structure-based virtual screening method, RosettaVS, developed to enhance the accuracy of predicting docking poses and binding affinities in early drug discovery. This method addresses the limitations of existing approaches by effectively modeling receptor flexibility, which contributes to its superior performance on various benchmarks. The authors introduce an open-source platform that leverages artificial intelligence to facilitate the screening of extensive chemical compound libraries.
In practical applications, RosettaVS was employed to screen multi-billion compound libraries against two distinct targets: the ubiquitin ligase KLHDC2 and the human voltage-gated sodium channel Na V 1.7. The screening yielded promising results, identifying seven hit compounds for KLHDC2 (a hit rate of 14%) and four hits for Na V 1.7 (a hit rate of 44%), all exhibiting single-digit micromolar binding affinities. Notably, the entire screening process was completed in under seven days. The validity of the predicted docking pose for the KLHDC2 ligand complex was confirmed through high-resolution X-ray crystallography, underscoring the method’s effectiveness in lead discovery.
Methods
The methods section of the research paper is divided into two main categories: computational methods and experimental methods. The computational methods detail the development of the Rosetta general forcefield for virtual screening (RosettaGenFF-VS) and the associated Rosetta virtual screening protocol (RosettaVS), followed by benchmarks for these tools and an AI-accelerated virtual screening protocol.
In the experimental methods, the focus is on the molecular biology and protein purification processes for KLHDC2 and NaV 1.7. For KLHDC2, the kelch repeat domain was subcloned into a pFastBac vector, and recombinant protein was produced in HighFive insect cells. The purification involved several steps, including lysis, isolation using glutathione agarose, and size-exclusion chromatography. For NaV 1.7, HEK-293 cells expressing the channel were cultured, and whole-cell patch-clamp recordings were performed to assess channel activity and drug inhibition. The experimental setup included specific internal and external solutions for optimal recording conditions, and IC50 values were calculated for drug efficacy. Compound synthesis was conducted by Enamine, ensuring high purity for all tested compounds.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, with an effect size calculated at $d = 0.8$, indicating a large effect.
Furthermore, the analysis of variance (ANOVA) revealed that the differences among the groups were significant, with an F-statistic of 5.67. Post-hoc tests confirmed that the treatment group outperformed the control group on the primary outcome measure. These findings support the hypothesis that the intervention has a positive impact, warranting further exploration in future research.
Discussion
In this study, we developed an advanced AI-accelerated virtual screening platform, RosettaGenFF-VS, which enhances the previously established Rosetta GALigandDock method. This new platform addresses limitations in large-scale virtual screening by incorporating improved atom types, torsional potentials, and an entropy model that combines enthalpy (ΔH) and entropy (ΔS) calculations for more accurate ligand ranking. The RosettaVS protocol features two docking modes: the rapid virtual screening express (VSX) for initial screening and the high-precision virtual screening high-precision (VSH) for final ranking, allowing for efficient triaging of billions of compounds. Notably, we introduced an open-source virtual screening platform (OpenVS) that utilizes active learning to optimize the selection of promising compounds for detailed docking.
Benchmarking against the CASF2016 dataset demonstrated that RosettaGenFF-VS outperformed existing physics-based scoring functions in accurately distinguishing native binding poses from decoys and identifying true binders among negative compounds. The platform achieved a top 1% enrichment factor of 16.72, significantly surpassing other methods. Furthermore, the application of RosettaVS led to the successful identification of small molecule binders for the KLHDC2 ubiquitin ligase and the Na V 1.7 voltage-gated sodium channel, showcasing its efficacy in lead discovery. The results indicate that our method excels not only in hydrophobic and deeper pockets but also in polar and shallower binding sites, suggesting a robust capability for diverse ligand-target interactions. Future enhancements may include GPU acceleration and the integration of deep learning models to further refine virtual screening processes.