Идентификация потенциальных ингибиторов коронавируса SARC-CoV-2 методами виртуального скрининга и молекулярного моделирования
https://doi.org/10.29235/1561-8323-2020-64-3-308-316
Анатацыя
С целью поиска низкомолекулярных соединений, способных имитировать структурно-функциональные свойства высокоаффинного лиганда X77 основной протеазы коронавируса SARS-CoV-2 – этиологического агента COVID-19, осуществлен виртуальный скрининг 9 молекулярных библиотек веб-сервера Pharmit, содержащих более 213,5 млн химических структур. С помощью методов молекулярного моделирования проведена оценка нейтрализующей активности идентифицированных молекул, в результате которой обнаружены 5 соединений-лидеров, перспективных для синтеза и тестирования на противовирусную активность. Показано, что эти соединения могут быть использованы в качестве базовых структур для разработки эффективных лекарственных препаратов для терапии коронавирусной инфекции нового типа.
Аб аўтарах
А. Андрианов
Институт биоорганической химии Национальной академии наук Беларуси
Беларусь
Беларусь
Ю. Корноушенко
Институт биоорганической химии Национальной академии наук Беларуси
Беларусь
Беларусь
А. Карпенко
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Беларусь
А. Тузиков
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Беларусь
Спіс літаратуры
1. Genomic characterisation and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding / R. Lu [et al.] // Lancet. - 2020. - Vol. 395, N 10224. - P. 565–574. https://doi.org/10.1016/s0140-6736(20)30251-8
2. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster / J. F.-W. Chan [et al.] // Lancet. - 2020. - Vol. 395, N 10223. - P. 514–523. https://doi.org/10.1016/s0140-6736(20)30154-9
3. SARS and MERS: recent insights into emerging coronaviruses / E. de Wit [et al.] // Nat. Rev. Microbiol. – 2016. – Vol. 14, N 8. – P. 523–534. https://doi.org/10.1038/nrmicro.2016.81
4. Chen, y. Emerging coronaviruses: genome structure, replication, and pathogenesis / y. Chen, Q. Liu, D. Guo // J. Med. Virology. – 2020. – Vol. 92, N 4. – P. 418–423. https://doi.org/10.1002/jmv.25681
5. Structure of MPro from COVID-19 virus and discovery of its inhibitors / Z. Jin [et al.] // bioRxiv. – 2020. https://doi.org/10.1101/2020.02.26.964882
6. Liu, X. Potential inhibitors for 2019-nCoV coronavirus M protease from clinically approved medicines / X. Liu, X.-J. Wang // bioRxiv. – 2020. https://doi.org/10.1101/2020.01.29.924100
7. Therapeutic Drugs Targeting 2019-nCoV Main Protease by High-Throughput Screening / y. Li [et al.] // bioRxiv. – 2020. https://doi.org/10.1101/2020.01.28.922922
8. Nelfinavir was predicted to be a potential inhibitor of 2019-nCov main protease by an integrative approach combining homology modelling, molecular docking and binding free energy calculation / Z. Xu [et al.] // bioRxiv. – 2020. https://doi.org/10.1101/2020.01.27.921627
9. Phylogenetic network analysis of SARS-CoV-2 genomes / P. Forster [et al.] // Proc. Natl. Acad. Sci. – 2020. – Vol. 117, N 17. – P. 9241–9243. https://doi.org/10.1073/pnas.2004999117
10. Sunseri, J. Pharmit: interactive exploration of chemical space / J. Sunseri, D. R. Koes // Nucl. Acids Res. – 2016. – Vol. 44, N W1. – P. W442–W448. https://doi.org/10.1093/nar/gkw287
11. Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings / C. A. Lipinski [et al.] // Adv. Drug Deliv. Rev. – 2001. – Vol. 46, N 1–3. – P. 3–26. https://doi.org/10.1016/s0169-409x(00)00129-0
12. Fast, accurate, and reliable molecular docking with QuickVina 2 / A. Alhossary [et al.] // Bioinformatics. – 2015. – Vol. 31, N 13. – P. 2214–2216. https://doi.org/10.1093/bioinformatics/btv082
13. Durrant, J. D. BINANA: A novel algorithm for ligand-binding characterization / J. D. Durrant, J. A. McCammon // J. Mol. Graph. Model. – 2011. – Vol. 29, N 6. – P. 888–893. https://doi.org/10.1016/j.jmgm.2011.01.004
14. Durrant, J. D. NNScore 2.0: A neural-network receptor-ligand scoring function / J. D. Durrant, J. A. McCammon // J. Chem. Inf. Model. – 2011. – Vol. 51, N 11. – P. 2897–2903. https://doi.org/10.1021/ci2003889
15. Sharma, G. Thermodynamic analysis reveals a temperature-dependent change in the catalytic mechanism of Bacillus stearothermophilus tyrosyl-tRNA synthetase / G. Sharma, E. A. First // J. Biol. Chem. – 2009. – Vol. 284, N 7. – P. 4179–4190. https://doi.org/10.1074/jbc.m808500200
##reviewer.review.form##
Праглядаў: 1793
Паслаць артыкул па эл. пошце 