JoVE Logo
Autores
Entre em contato

Entrar

É necessária uma assinatura da JoVE para visualizar este conteúdo. Faça login ou comece sua avaliação gratuita.

Neste Artigo

  • Resumo
  • Resumo
  • Introdução
  • Protocolo
  • Resultados
  • Discussão
  • Divulgações
  • Agradecimentos
  • Materiais
  • Referências
  • Reimpressões e Permissões

Resumo

Este protocolo de previsão de modelagem de homologia de anticorpos é seguido por acoplamento de Pyrx do receptor de anticorpos e simulação dinâmica molecular. Esses três métodos primários são usados para visualizar as áreas precisas de ligação anticorpo-receptor e a estabilidade de ligação da estrutura final.

Resumo

Os anticorpos variáveis de fragmento de cadeia única (scFv) foram previamente construídos a partir de cadeias leves e pesadas variáveis unidas por um ligante (Gly4-Ser) 3. O ligante foi criado usando software de modelagem molecular como uma estrutura de loop. Aqui, apresentamos um protocolo para análisein silico de um anticorpo scFv completo que interage com o receptor do fator de crescimento epidérmico (EGFR). A modelagem por homologia, com Pyrx de docking proteína-proteína e simulação dinâmica molecular do anticorpo scFv em interação e EGFR Primeiro, os autores usaram um programa de modelagem de estrutura de proteína e Python para modelagem de homologia, e a estrutura scFv do anticorpo foi modelada para homologia. Os pesquisadores baixaram o software Pyrx como uma plataforma no estudo de acoplamento. A simulação dinâmica molecular foi executada usando software de modelagem. Os resultados mostram que quando a simulação de MD foi submetida à minimização de energia, o modelo de proteína apresentou a menor energia de ligação (-5,4 kcal/M). Além disso, a simulação de MD neste estudo mostrou que o anticorpo EGFR-scFv acoplado foi estável por 20-75 ns quando o movimento da estrutura aumentou acentuadamente para 7,2 Å. Em conclusão, a análise in silicofoi realizada, e as simulações de docking molecular e dinâmica molecular do anticorpo scFv comprovaram a eficácia do medicamento imunoterapêutico projetado scFv como uma terapia medicamentosa específica para EGFR.

Introdução

Mudanças conformacionais na proteína (ligante e receptor) sempre ocorrem com base em funções baseadas em estrutura. O estudo dos possíveis sulcos de ligação da proteína e a previsão da interação de ligação estável é um método avançado para preparar medicamentos para melhor uso no corpo humano. A modelagem por homologia seguida de docking e simulação dinâmica molecular é um método direto para a previsão precisa de interações estáveis de ligação entre os resíduos de receptores e anticorpos construídos que são usados como medicina personalizada específica 1,2. A estrutura do modelo prevista pode mostrar mudanças conformacionais e rearranjos nos locais de ligação ligante-receptor, particularmente na interface anticorpo-receptor. Há muitas razões para essas mudanças, como a rotação das cadeias laterais, transformação estrutural global ou modificações mais complexas. A principal razão para a modelagem por homologia é distinguir a estrutura terciária de uma proteína de sua estrutura primária 2,3.

Um receptor de tirosina quinase chamado receptor do fator de crescimento epidérmico (EGFR) desempenha muitos papéis biológicos nas células cancerígenas, incluindo apoptose 4,5, diferenciação 6,7, progressão do ciclo celular 8,9, desenvolvimento 9,10 e transcrição11. O EGFR é um dos alvos terapêuticos bem conhecidos para o câncer de mama12. A superexpressão da atividade regular da quinase, como o EGFR, geralmente leva à progressão das células cancerígenas, que podem ser reprimidas por muitos tipos de inibidores do câncer13. O receptor do fator de crescimento epidérmico (EGFR) foi usado como receptor para a variável de fragmento de cadeia única construída especificamente para trabalhar contra esse receptor. Sua estrutura prevista foi usada para testar a atividade de ligação do anticorpo.

Neste artigo, a estrutura do anticorpo scFv foi modelada usando software de modelagem com script Python e o método de modelagem por homologia14,15. Um modelo de homologia pode ser construído a partir das sequências de proteínas e aminoácidos de receptores e ligantes 16,17. Além disso, tecnologias avançadas de bioinformática, como docking molecular, foram empregadas para prever como ligantes de moléculas pequenas se ligarão ao local de ligação do alvo correto. O acoplamento equilibraria o desenvolvimento de novos medicamentos direcionados a várias doenças. O comportamento de ligação é levado em consideração 5,18.

Além disso, o docking molecular é uma técnica crítica para facilitar e acelerar o desenvolvimento da ligação ligante-receptor. O acoplamento molecular permite que os cientistas examinem virtualmente uma biblioteca de ligantes em relação a uma proteína-alvo e prevejam as conformações e afinidades de ligação dos ligantes à proteína receptora-alvo. A simulação dinâmica molecular (MNS) demonstra como os resíduos se movem no espaço, simula os movimentos dos anticorpos em direção aos seus receptores e, finalmente, informa os esforços de design de anticorpos. Este estudo é uma nova previsão das dimensões da caixa de grade que decidiu como o anticorpo scFv se liga ao EGFR e a detecção da energia e do tempo dessa ligação na simulação de MD.

Protocolo

1. Predições de estrutura secundária de uma proteína variável de fragmento de cadeia única (scFv)

  1. Construa a estrutura 3D da proteína variável de fragmento de cadeia única (scFv) com o banco de dados de proteínas BLAST (PDB), a numeração KABAT e o software de modelagem. O scFv consiste em um ligante (Gly4-Ser) que conecta uma cadeia pesada variável (VH) e uma cadeia leve variável (VL).
  2. Use o software de modelagem molecular para construir o ligante como uma estrutura de loop e execute todos esses métodos conforme descrito em estudos anteriores 2,19,20.

2. Seleção de modelos e previsão de estrutura 3D scFv e EGFR e modelagem por homologia

  1. Escolha o modelo 1ivo para estruturas EGFR (com base em sua alta resolução). Faça download do arquivo 1ivo.pdb do site do pdb, conforme mostrado na Figura 1B.
  2. Prepare o arquivo 1ivo.pdb de entrada conforme descrito abaixo.
    1. No arquivo 1ivo.pdb, remova todos os ligantes externos abrindo o site do pdb.org e selecionando o 1ivo. Estrutura, e procurando o nome dos ligantes sob o título de molécula pequena na página de estrutura 1ivo do site do pdb.
    2. Encontre o nome do ligante NAG. Abra o arquivo 1ivo.pdb baixado do site do pdb e encontre o resíduo de terminação (TER.).
    3. Exclua os resíduos dos ligantes externos na estrutura 1ivo, começando pelo resíduo após TER. e antes que o resíduo termine. Salve o arquivo 1ivo.pdb no sistema.
  3. Prepare o arquivo 1ivo.pdb salvo conforme descrito abaixo.
    1. Baixe o software de encaixe Autodock (autodock.scripps.edu) na área de seleção da janela. Clique no arquivo Open 1ivo.pdb.
    2. Use o comando Editar para escolher Adicionar Hidrogênio > Adicionar, selecione Somente Polar e pressione Ok.
    3. Use o comando Editar para adicionar cargas Kollman (Figura Suplementar 1). Use o comando Editar para excluir a água. Salve o arquivo 1ivo.pdb no pc.
  4. Minimize a energia da estrutura 1ivo.pdb conforme descrito abaixo.
    1. Baixe o SPDBV. software da http://spdbv.vital-it.ch/disclaim.html. Abra o arquivo 1ivo.pdb.
    2. Selecione tudo. Selecione o comando Perf > Minimização de energia > Ok (Figura suplementar 2). Salve o arquivo 1ivo no pc.
  5. Prepare o modelo completo scFv usando modelagem de homologia, conforme descrito abaixo.
    1. Baixe o software de modelagem17 e o shell do script Python 3.7.9 na janela-64. Mantenha o software baixado files na unidade D.
  6. Prepare os arquivos de entrada conforme descrito abaixo.
    1. Carregue o arquivo scFv Pdb no formato fasta do site do NCBI e renomeie o arquivo TARGET.ali. conforme descrito no Arquivo de Codificação Suplementar 1. Escolha o modelo usando a seção Blast no NCBI, cole o arquivo sequenciado, selecione no formato pdb 7det.pdb conforme descrito em Arquivo de codificação suplementar 2 e, em seguida, envie. Em seguida, use o site pdb.org para obter o arquivo de modelo.
    2. Prepare o terceiro arquivo de entrada como align2d.py (Python) conforme descrito em Codificação Suplementar File 3, que é aberto conforme mostrado na Figura Suplementar 3A. Pressione a opção Mostrar mais e vá para Editar com IDLE > Editar com EDLE (64 bits). Execute usando o comando run module 5 no align2d.py para obter dois arquivos de saída: Tar- 7det.ali e Tar- 7det.pap.
  7. Conclua as três etapas anteriores para usar o comando no último arquivo de entrada.
  8. Adicione um novo arquivo de entrada model-single.py (arquivo python de comando) conforme mostrado no Arquivo de Codificação Suplementar 4 e conforme descrito abaixo.
    1. Pressione a opção Mostrar mais e vá para Editar com IDLE > Editar com EDLE3.7 (64 bits). Execute usando o comando (run module 5), conforme mostrado na Figura 3B suplementar.
      NOTA: Os arquivos de saída resultantes são os seis arquivos dos modelos de homologia mostrados na Figura Suplementar 3C.

3. Predição e avaliação da estrutura secundária do receptor

  1. Detecte a correção e a precisão dos modelos de homologia, conforme descrito abaixo.
    1. Crie o gráfico Ramachandran para os modelos scFv e EGFR baixando a ferramenta de visualização do https://discover.3ds.com/discovery-studio-visualizer-download.
    2. Abra o arquivo, clique com o botão direito do mouse e selecione a sequência de exibição (Figura Suplementar 4). Copie a sequência e cole-a no banco de dados pictórico de estruturas 3D (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/.
    3. Selecione pesquisar por sequência, cole a cópia da sequência e envie-a. Crie o gráfico conforme mostrado na Figura 1B,D.

4. Acoplamento proteína-proteína

  1. Baixe o software da ferramenta de triagem virtual.
  2. Vá para Arquivo> leia Moléculas > carregue 1ivo.pdb. Clique com o botão direito do mouse na proteína no painel de autodock para criar uma macromolécula. Clique com o botão direito do mouse novamente para criar um ligante (Figura Suplementar 5).
  3. Clique no painel de encaixe automático para selecionar proteína e, em seguida, selecione ligante.
  4. Abra a lista de proteínas. Em seguida, na lista, selecione scFv Protein.
  5. Vá para Alternar esferas de seleção. Ajuste a caixa de grade para o centro do receptor. Clique em Avançar quando o botão rosa redondo aparecer.
  6. Para preparar os arquivos pdbqt para estruturas scFv-antibody e EGFR (1ivo), use as etapas a seguir.
    1. Vá para C Drive > Program Files (86) > Usuários e, em seguida, escolha o arquivo pyrx que contém macromoléculas e arquivos de saída de proteína que foram salvos como um arquivo pdbqt.
    2. Em seguida, salve o arquivo pdbqt de anticorpo de variável de fragmento de cadeia única (scFv).
  7. Baixe o software PyMOL em PyMOL | pymol.org. Use o software PyMOL para mostrar as configurações EGFR do receptor de anticorpos scFv.
    1. Vá para o arquivo e abra C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein. Prepare as configurações de encaixe do anticorpo scFvinteragindo com o receptor na Figura 2A , conforme descrito abaixo.
      1. Use a opção de exibição para mostrar o arquivo do receptor (1ivo) como resíduos de sequência com um fundo branco mostrado na Figura Suplementar 6.
      2. Exiba o arquivo de configuração de encaixe com resolução mais alta para ver a cor do ligante nas cores de resíduo verde e vermelho. Exibir a superfície rígida do receptor (1ivo) em amarelo.
  8. Prepare as configurações de encaixe do anticorpo scFvinteragindo com o receptor na Figura 2B, conforme descrito abaixo.
    1. Baixe o software de encaixe na área de seleção de janelas. Use o Autodock para mostrar as configurações e conformações do EGFR do receptor de anticorpos scFv.
      1. No Autodock, escolha a opção Analyze e abra o resultado do Autodock Vina. Vá para Arquivo e abra C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein.
      2. Selecione o arquivo pdb do receptor de proteína e, em seguida, selecione a área da configuração do ligante (estrutura do anticorpo scFv). Conecte a superfície rígida do receptor com a configuração da estrutura encaixada e oculte o restante do receptor. Oculte os resíduos distantes do receptor dos resíduos conectados ao ligante, conforme mostrado na Figura 2B.
    2. O complexo proteína-proteína foi então considerado pronto para realizar a simulação de MD.

5. Simulação dinâmica molecular (simulação MD) do complexo de acoplamento de anticorpos EGFR-scFv

  1. Baixe o software de simulação MD e use-o da seguinte maneira.
    1. Prepare o arquivo pdb EGFR (1ivo) usando o assistente de reparo como na Figura Suplementar 7A. Opere a seção de pré-processamento para refinar o arquivo. Envie o arquivo refinado a ser definido no integrador de sistemas.
    2. Carregue o software de simulação de dinâmica molecular do diretório de trabalho. Adicione os íons e atualize o arquivo refinado para atingir 20 Å para enviar o trabalho (Tabela 1), também mostrado na Figura Suplementar 7B.
    3. Carregue o EGFR (1ivo) pdb do arquivo importado e escolha 100 ns timesteps para executá-lo (Figura Suplementar 7C).
  2. Inicie a análise da simulação após a conclusão da simulação MD, conforme descrito abaixo.
    1. Crie uma pasta de trabalho e salve-a no arquivo cms . Carregue o arquivo cms para executar esta etapa na simulação MD.
    2. Crie um diretório de trabalho para pastas de projeto e relate os valores de energia. Use S.I.D. pdf para relatar a simulação, conforme mostrado na Figura 3A, e o diagrama de interação e a ligação H, conforme mostrado na Figura 3B.
    3. Carregue o arquivo pdf do cms navegando na pasta e use o TIP3P como modelo para minimização do volume do arquivo.
    4. Crie o arquivo de solvatação para executar esta etapa mostrada na Figura Suplementar 7D. Salve o arquivo pdf através do software e analise os dados, resultando na Figura 4, Figura 5 e Figura 6.
  3. Gere uma configuração de finalização do MDsimulation criando o arquivo de resolução. Localize os resultados na caixa de limite, conforme mostrado na Figura 7.

Resultados

Usando a tecnologia de exibição de fagos, o gene scFv anti-EGFR foi criado a partir da linha de hibridoma de células B de camundongo C3A820,21. Os modelos de estrutura variável de fragmento de cadeia única (scFv) das estruturas VH e VL foram construídos separadamente, de acordo com Chua et al.22. Depois disso, os modelos ficaram visíveis como fitas produzidas usando RasMol. Em seguida, usando um sof...

Discussão

O EGFR é o principal receptor-alvo do câncer de mama. A superexpressão do EGFR aumenta os casos de câncer de mama em todo o mundo. Enquanto isso, anticorpos específicos, como variáveis de fragmento de cadeia única, são anticorpos que se movem facilmente através da circulação sanguínea e têm uma taxa de depuração rápida no corpo. Os anticorpos são uma solução sábia e uma droga imunoterápica eficaz37. Portanto, o design de medicamentos baseado e...

Divulgações

Os autores não têm nada a divulgar.

Agradecimentos

Nenhum.

Materiais

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

Referências

  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).

Reimpressões e Permissões

Solicitar permissão para reutilizar o texto ou figuras deste artigo JoVE

Solicitar Permissão

Explore Mais Artigos

Anticorpos ScFvReceptor do Fator de Crescimento Epid rmicoAn lise In SilicoModelagem MolecularModelagem por HomologiaAcoplamento Prote na Prote naSoftware PyrxSimula o de Din mica MolecularMinimiza o de EnergiaEnergia de Liga oMedicamento Imunoterap uticoTerapia EGFR

This article has been published

Video Coming Soon

JoVE Logo

Privacidade

Termos de uso

Políticas

Entre em contato

recomende à biblioteca

Newsletter

Pesquisa

Educação

Autores

Bibliotecários

SOBRE A JoVE

Copyright © 2025 MyJoVE Corporation. Todos os direitos reservados