JoVE Logo
著者
お問い合わせ

サインイン

このコンテンツを視聴するには、JoVE 購読が必要です。 サインイン又は無料トライアルを申し込む。

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

この抗体相同性モデリング予測プロトコルに続いて、抗体受容体Pyrxドッキングと分子動力学シミュレーションが行われます。これら3つの主要な方法は、正確な抗体-受容体結合領域と最終構造の結合安定性を視覚化するために使用されます。

要約

一本鎖フラグメント可変(scFv)抗体は、以前は(Gly4-Ser)3リンカーによって結合された可変の軽鎖および重鎖で構築されていました。リンカーは、分子モデリングソフトウェアをループ構造として使用して作成しました。ここでは、上皮成長因子受容体(EGFR)と相互作用する完全なscFv抗体のin silico 解析のためのプロトコールを紹介します。相同性モデリングでは、タンパク質間ドッキングのPyrxと相互作用するscFv抗体とEGFRの分子動力学シミュレーション まず、著者らは相同性モデリングのためにタンパク質構造モデリングプログラムとPythonを使用し、抗体scFv構造を相同性のためにモデル化しました。研究者らは、ドッキング研究のプラットフォームとしてPyrxソフトウェアをダウンロードしました。分子動力学シミュレーションは、モデリングソフトウェアを使用して実行されました。その結果、MDシミュレーションでエネルギー最小化を行ったところ、タンパク質モデルの結合エネルギーが最も低かった(-5.4 kcal/M)ことがわかりました。また、本研究のMDシミュレーションでは、ドッキングしたEGFR-scFv抗体は、構造の動きが7.2 Åに急激に増加したとき、20-75 nsで安定していることが示されました。結論として、 in silico解析を行い、scFv抗体の分子ドッキングシミュレーションと分子動力学シミュレーションにより、設計した免疫治療薬scFvがEGFRに対する特異的薬物療法としての有効性を証明した。

概要

タンパク質(リガンドと受容体)のコンフォメーション変化は、常に構造に基づく機能に基づいて起こります。タンパク質の可能な結合溝の研究と安定した結合相互作用の予測は、人体でより良く使用するための薬物を調製するための高度な方法です。ホモロジーモデリングとそれに続くドッキングおよび分子動力学シミュレーションは、受容体の残基と特定の個別化医療として使用される構築された抗体との間の結合の安定した相互作用を正確に予測するための簡単な方法です1,2。予測されたモデル構造は、特に抗体-受容体界面におけるリガンド-受容体結合部位の立体配座変化と再配列を示すことができます。これらの変更には、側鎖の回転、グローバルな構造変換、より複雑な変更など、多くの理由があります。ホモロジーモデリングの主な理由は、タンパク質の三次構造とその一次構造を区別することです2,3。

上皮成長因子受容体(EGFR)と呼ばれるチロシンキナーゼ受容体は、アポトーシス4,5、分化6,7、細胞周期進行8,9、発生9,10、転写11など、がん細胞で多くの生物学的役割を果たしています。EGFRは、乳がんの治療標的としてよく知られている12つです。EGFRのような規則的なキナーゼ活性の過剰発現は、通常、がん細胞の進行を招き、これは多くの種類のがん阻害剤によって抑制され得る13。上皮成長因子受容体(EGFR)は、この受容体に対して働くように特別に構築された一本鎖フラグメント変数の受容体として使用されました。その予測された構造は、抗体結合活性をテストするために使用されました。

この論文では、Pythonスクリプトと相同性モデリング法14,15を備えたモデリングソフトウェアを使用して、scFv抗体構造をモデル化しました。相同性モデルは、受容体およびリガンド16,17のタンパク質およびアミノ酸配列から構築することができる。さらに、分子ドッキングなどの高度なバイオインフォマティクス技術を使用して、低分子リガンドが正しい標的結合部位にどのように結合するかを予測しました。ドッキングは、複数の疾患を対象とした新薬の開発のバランスをとることになります。バインディング動作が考慮されます5,18。

さらに、分子ドッキングは、リガンド-受容体結合の発達を促進し、加速するための重要な技術です。分子ドッキングにより、科学者は標的タンパク質に対するリガンドのライブラリーを仮想的にスクリーニングし、標的受容体タンパク質に対するリガンドの結合コンフォメーションと親和性を予測できます。分子動力学シミュレーション(MNS)は、残基が空間内でどのように移動するかを実証し、抗体が受容体に向かう動きをシミュレートし、最終的に抗体設計の取り組みに情報を提供します。この研究は、scFv抗体がEGFRにどのように結合するか、およびMDsimulationでその結合のエネルギーと時間を検出する方法を決定するグリッドボックスの寸法の新しい予測です。

プロトコル

1. 一本鎖フラグメント変数(scFv)タンパク質の二次構造予測

  1. BLAST タンパク質データバンク(PDB)、KABAT ナンバリング、モデリングソフトウェアを使用して、一本鎖フラグメント変数(scFv)タンパク質の 3D 構造を構築します。scFvは、可変重鎖(VH)と可変軽鎖(VL)をつなぐリンカー(Gly4-Ser)で構成されています。
  2. 分子モデリングソフトウェアを使用して、リンカーをループ構造として構築し、以前の研究2,19,20で説明したように、これらすべての方法を実行します。

2. テンプレート選択とscFvおよびEGFRの3次元構造予測とホモロジーモデリング

  1. EGFR構造用のテンプレート1ivoを選択します(高解像度に基づく)。 図 1B に示すように、pdb Web サイトから 1ivo.pdb ファイルをダウンロードします。
  2. 以下で説明するように、入力 1ivo.pdb ファイルを準備します。
    1. 1ivo.pdb ファイルで、pdb.org Web サイトを開いて 1ivo を選択し、すべての外部リガンドを削除します。Structure、およびpdbWebサイトの1ivo構造ページで小分子のタイトルの下にあるリガンドの名前を探しています。
    2. リガンド名NAGを見つけます。pdb からダウンロードした 1ivo.pdb ファイルを開き、終端残差 (TER.) を見つけます。
    3. 1ivo構造中の外部リガンドの残基を、TER後の残基から残基が終了する前に削除します。1ivo.pdb ファイルをシステムに保存します。
  3. 保存した1ivo.pdbファイルを以下のように準備します。
    1. ウィンドウ選択領域からAutodockドッキングソフトウェア(autodock.scripps.edu)をダウンロードします。 [開いている1ivo.pdb]ファイルをクリックします。
    2. 「編集」コマンドで 「水素の追加」>「追加」を選択し、「 極性のみ」を選択して 「OK」を押します。
    3. 「編集」コマンドを使用して、コールマン電荷を追加します (補足図 1)。[編集] コマンドを使用して、水を削除します。1ivo.pdbファイルをPCに保存します。
  4. 以下で説明するように、1ivo.pdb 構造体のエネルギーを最小限に抑えます。
    1. SPDBVをダウンロードします。http://spdbv.vital-it.ch/disclaim.html のソフトウェア。1ivo.pdb ファイルを開きます。
    2. すべて選択します。[パフォーマンス] > [エネルギーの最小化] > [OK] を選択します (補足図 2)。1ivoファイルをPCに保存します。
  5. 以下に説明するように、ホモロジーモデリングを使用してフルモデルscFvを準備します。
    1. モデリングソフトウェア17 とPythonスクリプト3.7.9シェルをWindow-64からダウンロードします。ダウンロードしたソフトウェアファイルをDドライブに保管します。
  6. 以下で説明するように、入力ファイルを準備します。
    1. NCBIのWebサイトからscFv Pdbファイルをfasta形式でロードし、ファイルの名前をTARGET.aliに変更します。 補足コーディングファイル1に記載されているとおりです。NCBIのBlastセクションを使用してテンプレートを選択し、シーケンスされたファイルを貼り付け、 Supplementary Coding File 2で説明されているようにpdb形式の7det.pdbを選択して送信します。次に、pdb.org Web サイトを使用してテンプレート ファイルを取得します。
    2. 補足コーディング ファイル 3 で説明されているように、3 番目の入力ファイルを align2d.py (Python) として準備します。このファイルは、補足図 3A に示すように開きます。[Show More Option] を押してから、[Edit with IDLE (アイドルで編集)] > [Edit with EDLE (64-bit)] に移動します。align2d.py で run module 5 コマンドを使用して実行し、Tar- 7det.ali と Tar- 7det.pap の 2 つの出力ファイルを取得します。
  7. 前の 3 つの手順を完了して、最後の入力ファイルでコマンドを使用します。
  8. 新しい入力ファイル model-single.py(コマンドpythonファイル)を、 Supplementary Coding File 4 および以下で説明するように追加します。
    1. [ Show More Option] を押してから、[ Edit with IDLE (アイドルで編集)] > [Edit with EDLE3.7 (64-bit)] に移動します。 補足図 3B に示されているように、(run module 5) コマンドを使用して実行します。
      注:結果として得られる出力ファイルは、 補足図3Cに示されているホモロジーモデルの6つのファイルです。

3. 受容体の二次構造の予測と評価

  1. 以下で説明するように、ホモロジーモデルの補正と精度を検出します。
    1. https://discover.3ds.com/discovery-studio-visualizer-download から可視化ツールをダウンロードして、scFv モデルと EGFR モデルのラマチャンドラン プロットを作成します。
    2. ファイルを開き、マウスで右クリックして表示シーケンスを選択します(補足図4)。シーケンスをコピーして、3D 構造物の Pictorial データベース (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/ に貼り付けます。
    3. 「配列で検索」を選択し、配列のコピーを貼り付けて送信します。図 1B,D に示すようにプロットを作成します。

4. タンパク質間ドッキング

  1. バーチャルスクリーニングツールソフトウェアをダウンロードします。
  2. [File] > [Read Molecules] に移動し>1ivo.pdb を読み込みます。autodockパネルでタンパク質を右クリックすると、高分子が作成されます。もう一度右クリックしてリガンドを作成します(補足図5)。
  3. autodockパネルをクリックして タンパク質 を選択し、 次にリガンドを選択します。
  4. タンパク質リストを開きます。次に、リストから scFvタンパク質を選択します。
  5. 選択球の切り替えに移動します。グリッドボックスをレセプターの中心に合わせます。丸いピンクのボタンが表示されたら、[進む]をクリックします。
  6. scFv-抗体とEGFR(1ivo)構造の両方のpdbqtファイルを準備するには、次の手順を使用します。
    1. 「C Drive」>「Program Files (86)」> Users」に移動し、pdbqtファイルとして保存された高分子およびタンパク質出力ファイルを含むpyrxファイルを選択します。
    2. 次に、一本鎖フラグメント変数(scFv)抗体pdbqtファイルを保存します。
  7. PyMOLでPyMOLソフトウェアをダウンロード |pymol.org。PyMOLソフトウェアを使用して、scFv抗体受容体EGFR構成を表示します。
    1. ファイルに移動し、C:\Users\ilham\.mgltools\PyRx\Macromolecules\proteinを開きます。scFvのドッキング構成を準備しますantibody以下に説明するように、 図2A の受容体と相互作用します。
      1. displayオプションを使用して、(1ivo)受容体ファイルを配列残基として、 補足図6に示す白い背景で表示します。
      2. ドッキング設定ファイルを高解像度で表示して、リガンドの色を緑と赤の残留色で確認します。(1ivo)受容体の硬直面を黄色で表示します。
  8. scFvのドッキング構成を準備しますantibody以下に説明するように、 図2Bの受容体と相互作用します。
    1. ウィンドウ選択領域からドッキングソフトウェアをダウンロードします。Autodockを使用して、scFv抗体-受容体EGFRの構成とコンフォメーションを表示します。
      1. Autodock で、Analyze Optionを選択し、Autodock Vinaの結果を開きます。 [ファイル ] に移動し、C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein を開きます。
      2. タンパク質受容体のpdbファイルを選択し、次にリガンド配置の領域(scFv抗体構造)を選択します。受容体の硬い表面をドッキング構造の構成と接続し、受容体の残りの部分を隠します。 図2Bに示すように、リガンドに結合した残基から受容体の遠い残基を隠します。
    2. その後、タンパク質-タンパク質複合体はMDシミュレーションを実行する準備ができていると見なされました。

5. EGFR-scFv抗体ドッキング複合体の分子動力学シミュレーション(MDシミュレーション)

  1. MDシミュレーションソフトをダウンロードし、以下のように利用します。
    1. 補足図 7A に示すように、補償ウィザードを使用して EGFR (1ivo) pdb ファイルを準備します。前処理セクションを操作して、ファイルを絞り込みます。システムビルダーで設定する絞り込みファイルを送信します。
    2. 作業ディレクトリから分子動力学シミュレーションソフトウェアをロードします。イオンを添加し、精製したファイルを 20 Å までアップグレードして、ジョブを登録します(表 1)( 補足図 7B にも示されています)。
    3. インポートしたファイルから EGFR (1ivo) pdb を読み込み、100 ns のタイムステップを選択して実行します (補足図 7C)。
  2. MDsimulation の完了後に、以下で説明するようにシミュレーションの解析を開始します。
    1. ジョブフォルダを作成し、 cms ファイルに保存します。cms ファイルを読み込み、この手順を MD シミュレーションで実行します。
    2. プロジェクトフォルダの作業ディレクトリを作成し、エネルギー値をレポートします。S.I.D. pdfを使用してシミュレーションを報告します( 図3A)、相互作用図とH結合を報告します( 図3B)。
    3. フォルダから参照してcmsのpdfファイルを読み込み、ファイルボリューム最小化のモデルとしてTIP3Pを使用します。
    4. 補足図7Dに示すこの手順を実行するソルベーションファイルを作成します。ソフトウェアを介してPDFファイルを保存し、データを分析して、図4、図5、および図6を作成します。
  3. 解決ファイルを作成して、MDsimulation ファイナライゼーション セットアップを生成します。境界ボックスで結果を見つけます ( 図 7 参照)。

結果

ファージディスプレイ技術を用いて、マウスB細胞ハイブリドーマ株C3A8からscFv遺伝子抗EGFRを作製した20,21。VH構造とVL構造の単鎖フラグメント変数(scFv)構造モデルは、Chua et al.22によると別々に構築されました。その後、モデルはRasMolを使用して作成されたリボンとして表示されました。次に、分子モデリ?...

ディスカッション

EGFRは乳がんの主要な標的受容体です。EGFRの過剰発現は、世界中で乳がんの症例を増加させます。一方、一本鎖フラグメント変数などの特異的抗体は、血液循環を介して容易に移動し、体内でのクリアランスが速い抗体です。抗体は賢明な解決策であり、効果的な免疫療法薬である37。したがって、構造ベースの医薬品設計では、scFv抗体など、標的?...

開示事項

著者は何も開示していません。

謝辞

何一つ。

資料

NameCompanyCatalog NumberComments
Autodock softwareCenter for Computational structural Biology AutoDock (scripps.edu)
Desmond Maestro 19.4 software Schrodingerwww.schrodinger.com 
Download Discovery Studio 2021  Dassault Systems https://discover.3ds.com/discovery-studio-visualizer-download.
Modeler Version 9.24[17] University of Californiahttps://salilab.org/modeller/9.24/release.html
Pictorial database of 3D structures (pdbsum)EMBL-EBI www.ebi.ac.uk/thornton-srv/databases/pdbsum/
PyMOL software SchrodingerPyMOL | pymol.org
Pyrx software Sourceforge Download PyRx - Virtual Screening Tool (sourceforge.net)
Python script 3.7.9 shell from the window (64)PythonPython Release Python 3.7.9 | Python.org
SPDBV software Expasyhttp://spdbv.vital-it.ch/disclaim.html

参考文献

  1. Clark, J. J., Orban, Z. J., Carlson, H. A. Predicting binding sites from unbound versus bound protein structures. Sci Rep. 10 (1), 15856 (2020).
  2. Huang, Y., et al. A stepwise docking molecular dynamics approach for simulating antibody recognition with substantial conformational changes. Comput Struct Biotechnol J. 20, 710-720 (2022).
  3. Mahgoub, I. O., Ali, A. M., Hamid, M., Alitheen, N. M. Single chain fragment variable (scFv) secondary structure prediction and evaluation. FASEB J. 25, (2011).
  4. Kim, H., et al. Titanium dioxide nanoparticles induce apoptosis by interfering with EGFR signaling in human breast cancer cells. Environ Res. 175, 117-123 (2019).
  5. Mahgoub, E. O., Abdella, G. M. Improved exosome isolation methods from non-small lung cancer cells (NC1975) and their characterization using morphological and surface protein biomarker methods. J Cancer Res Clin Oncol. 149 (10), 7505-7514 (2023).
  6. Shaurova, T., Zhang, L., Goodrich, D. W., Hershberger, P. A. Understanding lineage plasticity as a path to targeted therapy failure in EGFR-mutant non-small cell lung cancer. Front Genet. 11, 281 (2020).
  7. Mahgoub, E. O., Bolad, A. K. Construction, expression and characterisation of a single chain variable fragment in the Escherichia coli periplasmic that recognise MCF-7 breast cancer cell line. J Cancer Res Ther. 10 (2), 265-273 (2014).
  8. Mahgoub, I. O. Design, expression and characterization of a single chain fragment variable anti-mcf-7 antibody; A humanized antibody derived from monoclonal antibody. Ann Res Conf Proc. 2014 (1), (2014).
  9. Sun, X. L., et al. Dimeric (-)-epigallocatechin-3-gallate inhibits the proliferation of lung cancer cells by inhibiting the EGFR signaling pathway. Chem Biol Interact. 365, 110084 (2022).
  10. Mahgoub, E. O., Haik, Y., Qadri, S. Comparison study of exosomes molecules driven from (NCI1975) NSCLC cell culture supernatant isolation and characterization techniques. FASEB J. 33, 647 (2019).
  11. Madeddu, C., et al. EGFR-mutated non-small cell lung cancer and resistance to immunotherapy: Role of the tumor microenvironment. Int J Mol Sci. 23 (12), 6489 (2022).
  12. Mahgoub, I., Bolad, A. K., Mergani, M. and immune-characterization of single chain fragment variable (scFv) antibody recognize breast cancer cells line (MCF-7). J. Immunother Cancer. 2, 6 (2014).
  13. Ladner, R. C., Sato, A. K., Gorzelany, J., de Souza, M. Phage display-derived peptides as therapeutic alternatives to antibodies. Drug Discov Today. 9 (12), 525-529 (2004).
  14. Khan, M. H., Manoj, K., Pramod, S. Reproductive disorders in dairy cattle under semi-intensive system of rearing in North-Eastern India. Vet World. 9 (5), 512-518 (2016).
  15. Al-Refaei, M. A., Makki, R. M., Ali, H. M. Structure prediction of transferrin receptor protein 1 (TfR1) by homology modelling, docking, and molecular dynamics simulation studies. Heliyon. 6 (1), 03221 (2020).
  16. Anbuselvam, M., et al. Structure-based virtual screening, pharmacokinetic prediction, molecular dynamics studies for the identification of novel EGFR inhibitors in breast cancer. J Biomol Struct Dyn. 39 (12), 4462-4471 (2021).
  17. Oduselu, G. O., Ajani, O. O., Ajamma, Y. U., Brors, B., Adebiyi, E. Homology modelling and molecular docking studies of selected substituted benzo d imidazol-1-yl) methyl) benzimidamide scaffolds on Plasmodium falciparum adenylosuccinate lyase receptor. Bioinform Biol Insights. 13, 1177932219865533 (2019).
  18. Mahgoub, E. O., et al. et al. of exosome isolation techniques in lung cancer. Mol Biol Rep. 47 (9), 7229-7251 (2020).
  19. Shree, P. Targeting COVID-19 (SARS-CoV-2) main protease through active phytochemicals of ayurvedic medicinal plants -Withania somnifera (Ashwagandha), Tinospora cordifolia (Giloy) and Ocimum sanctum (Tulsi) - a molecular docking study. J Biomol Struct Dyn. 40 (1), 190-203 (2022).
  20. Mahgoub, I. O. Expression and characterization of a functional single-chain variable fragment (scFv) protein recognizing MCF7 breast cancer cells in E. coli cytoplasm. Biochem Genet. 50 (7-8), 625-641 (2012).
  21. Mahgoub, E. O. Single chain fragment variables antibody binding to EGF receptor in the surface of MCF7 breast cancer cell line: Application and production review. Open J Genet. 7 (2), 84-103 (2017).
  22. Heng, C. K., Othman, R. Y. Bioinformatics in molecular immunology laboratories demonstrated: Modeling an anti-CMV scFv antibody. Bioinformation. 1 (4), 118-120 (2006).
  23. Mahgoub, E. O., Ahmed, B. Correctness and accuracy of template-based modeled single chain fragment variable (scFv) protein anti- breast cancer cell line (MCF-7). Open J Genet. 3 (3), 183-194 (2013).
  24. Khare, N., et al. Homology modelling, molecular docking and molecular dynamics simulation studies of CALMH1 against secondary metabolites of Bauhinia variegata to treat Alzheimer's disease. Brain Sci. 12 (6), 770 (2022).
  25. Hu, J., Rao, L., Fan, X., Zhang, G. Identification of ligand-binding residues using protein sequence profile alignment and query-specific support vector machine model. Anal Biochem. 604, 113799 (2020).
  26. Santos, L. H. S., Ferreira, R. S., Caffarena, E. R. Integrating molecular docking and molecular dynamics simulations. Methods Mol Biol. 2053, 13-34 (2019).
  27. Xu, D., Tsai, C. J., Nussinov, R. Hydrogen bonds and salt bridges across protein-protein interfaces. Protein Eng. 10 (9), 999-1012 (1997).
  28. Das, S., Chakrabarti, S. Classification and prediction of protein-protein interaction interface using machine learning algorithm. Sci Rep. 11 (1), 1761 (2021).
  29. Mahmoud, S. S. A., Elkaeed, E. B., Alsfouk, A. A., Abdelhafez, E. M. N. Molecular docking and dynamic simulation revealed the potential inhibitory activity of opioid compounds targeting the main protease of SARS-CoV-2. Biomed Res Int. 2022, 1672031 (2022).
  30. Villada, C., Ding, W., Bonk, A., Bauer, T. Simulation-assisted determination of the minimum melting temperature composition of MgCl2-KCl-NaCl salt mixture for next-generation molten salt thermal energy storage. Front. Energy Res. 10, 809663 (2022).
  31. Hog, S. E., Rjiba, A., Jelassi, J., Dorbez-Sridi, R. NaCl salt effect on water structure: a Monte Carlo simulation study. Phys Chem Liq. 60 (5), 767-777 (2022).
  32. Maruyama, Y., Igarashi, R., Ushiku, Y., Mitsutake, A. Analysis of protein folding simulation with moving root mean square deviation. J Chem Inf Model. 63 (5), 1529-1541 (2023).
  33. Winarski, K. L., et al. Vaccine-elicited antibody that neutralizes H5N1 influenza and variants binds the receptor site and polymorphic sites. Proc Natl Acad Sci U S A. 112 (30), 9346-9351 (2015).
  34. Awal, M. A., et al. Structural-guided identification of small molecule inhibitor of UHRF1 methyltransferase activity. Front Genet. 13, 928884 (2022).
  35. Sharma, P., Hu-Lieskovan, S., Wargo, J. A., Ribas, A. adaptive, and acquired resistance to cancer immunotherapy. Cell. 168 (4), 707-723 (2017).
  36. Geerds, C., Wohlmann, J., Haas, A., Niemann, H. H. Structure of Rhodococcus equi virulence-associated protein B (VapB) reveals an eight-stranded antiparallel β-barrel consisting of two Greek-key motifs. Acta Crystallogr F Struct Biol Commun. 70 (7), 866-871 (2014).
  37. Mahgoub, E., et al. The therapeutic effects of tumor treating fields on cancer and noncancerous cells. Arabian J Chem. 14 (10), 103386 (2021).
  38. Hospital, A., Goni, J. R., Orozco, M., Gelpi, J. L. Molecular dynamics simulations: advances and applications. Adv Appl Bioinform Chem. 8, 37-47 (2015).
  39. Kaur, J., Tiwari, R., Kumar, A., Singh, N. Bioinformatic analysis of Leishmania donovani long-chain fatty acid-CoA ligase as a novel drug target. Mol Biol Int. 2011, 278051 (2011).
  40. Páll, S., Hess, B. A flexible algorithm for calculating pair interactions on SIMD architectures. Comp Phy Comm. 184 (12), 2641-2650 (2013).
  41. Tobi, D., Bahar, I. Structural changes involved in protein binding correlate with intrinsic motions of proteins in the unbound state. Proc Natl Acad Sci U S A. 102 (52), 18908-18913 (2005).
  42. Sinha, S., Wang, S. M. of VUS and unclassified variants in BRCA1 BRCT repeats by molecular dynamics simulation. Comput Struct Biotechnol J. 18, 723-736 (2020).
  43. Patel, D., Athar, M., Jha, P. C. Exploring Ruthenium-based organometallic inhibitors against Plasmodium falciparum calcium dependent kinase 2 (PfCDPK2): A combined ensemble docking, QM/MM and molecular dynamics study. Chem Select. 6 (32), 8189-8199 (2021).
  44. Khan, A., et al. Higher infectivity of the SARS-CoV-2 new variants is associated with K417N/T, E484K, and N501Y mutants: an insight from structural data. J Cell Physiol. 236 (10), 7047-7057 (2021).
  45. Zhang, Q., Shao, d., Xu, P., Jiang, Z. Effects of an electric field on the conformational transition of the protein: Pulsed and oscillating electric fields with different frequencies. Polymers. 14 (1), 123 (2021).
  46. Mahtarin, R., et al. et al. and dynamics of membrane protein in SARS-CoV-2. Biomol Struct Dyn. 40 (10), 4725-4738 (2022).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

ScFv in silico analysis Pyrx EGFR

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

お問い合わせ

図書館への推薦

JoVE ニュースレター

研究

教育

著者

図書館員

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved