JoVE Logo
АВТОРЫ
СВЯЖИТЕСЬ С НАМИ

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

За этим протоколом прогнозирования гомологии антител следует докинг антител-рецептор Pyrx и молекулярно-динамическое моделирование. Эти три основных метода используются для визуализации точных областей связывания антитела с рецептором и стабильности связывания конечной структуры.

Аннотация

Антитела с одноцепочечной вариабельной переменной (scFv) ранее были сконструированы из вариабельных легких и тяжелых цепей, соединенных линкером (Gly4-Ser)3. Линкер был создан с использованием программного обеспечения для молекулярного моделирования в качестве петлевой структуры. В данной работе мы представляем протоколанализа in silico полного антитела scFv, которое взаимодействует с рецептором эпидермального фактора роста (EGFR). Моделирование гомологии с помощью Pyrx белок-белкового докинга и молекулярно-динамическое моделирование взаимодействующего антитела scFv и EGFR Сначала авторы использовали программу моделирования структуры белка и Python для моделирования гомологии, а структура антитела scFv была смоделирована для гомологии. Исследователи загрузили программное обеспечение Pyrx в качестве платформы для исследования стыковки. Молекулярно-динамическое моделирование проводилось с использованием программного обеспечения для моделирования. Результаты показывают, что когда моделирование МД подвергалось минимизации энергии, белковая модель имела самую низкую энергию связывания (-5,4 ккал/М). Кроме того, моделирование МД в этом исследовании показало, что состыкованное антитело EGFR-scFv было стабильным в течение 20-75 нс, когда движение структуры резко возрастало до 7,2 Å. В заключение, был проведен анализ in silico, а молекулярный докинг и моделирование молекулярной динамики антитела scFv доказали эффективность разработанного иммунотерапевтического препарата scFv в качестве специфической лекарственной терапии EGFR.

Введение

Конформационные изменения в белке (лиганде и рецепторе) всегда происходят на основе структурных функций. Изучение возможных связывающих бороздок белка и прогнозирование стабильного связывающего взаимодействия является передовым методом подготовки лекарственных препаратов для более эффективного использования в организме человека. Моделирование гомологий с последующим докингом и молекулярно-динамическим моделированием является простым методом для точного прогнозирования стабильных взаимодействий связывания между остатками рецепторов и сконструированными антителами, которые используются в качестве специфической персонализированной медицины 1,2. Предсказанная структура модели может показывать конформационные изменения и перестройки в сайтах связывания лиганд-рецептор, в частности, на границе антитело-рецептор. Причин для этих изменений много, таких как вращение боковых цепей, глобальная структурная трансформация или более сложные модификации. Основная причина моделирования гомологии заключается в том, чтобы отличить третичную структуру белка от его первичной структуры 2,3.

Рецептор тирозинкиназы, называемый рецептором эпидермального фактора роста (EGFR), играет множество биологических ролей в раковых клетках, включая апоптоз 4,5, дифференцировку 6,7, прогрессию клеточного цикла 8,9, развитие 9,10 и транскрипцию11. EGFR является одной из известных терапевтических мишеней для лечения рака молочной железы12. Сверхэкспрессия регулярной активности киназы, такой как EGFR, обычно приводит к прогрессированию раковых клеток, которая может быть подавлена многими видами ингибитороврака. Рецептор эпидермального фактора роста (EGFR) использовался в качестве рецептора для переменной фрагмента одной цепи, специально сконструированной для работы против этого рецептора. Его предсказанная структура была использована для проверки активности связывания антител.

В данной работе структура антитела scFv была смоделирована с использованием программного обеспечения для моделирования со скриптом Python и методом моделирования гомологии14,15. Модель гомологии может быть построена на основе белковых и аминокислотных последовательностей рецепторов и лигандов16,17. Кроме того, передовые биоинформационные технологии, такие как молекулярный докинг, были использованы для прогнозирования того, как низкомолекулярные лиганды будут связываться с правильным сайтом связывания-мишени. Стыковка позволит сбалансировать разработку новых лекарств, направленных на борьбу с различными заболеваниями. Учитывается поведение привязки 5,18.

Кроме того, молекулярный докинг является критически важным методом для облегчения и ускорения развития связывания лиганд-рецепторов. Молекулярный докинг позволяет ученым виртуально проводить скрининг библиотеки лигандов по отношению к белку-мишени и предсказывать конформации связывания и сродство лигандов к белку-мишени рецептора. Молекулярно-динамическое моделирование (MNS) демонстрирует, как остатки движутся в пространстве, моделирует движение антител к их рецепторам и, наконец, информирует о разработке антител. Это исследование представляет собой новое предсказание размеров сетки, которое определило, как антитело scFv связывается с EGFR, и обнаружение энергии и времени этого связывания в MD-моделировании.

протокол

1. Предсказание вторичной структуры белка с переменной одноцепочечного фрагмента (scFv)

  1. Постройте 3D-структуру белка с одноцепочечной переменной фрагмента (scFv) с помощью банка данных белка BLAST (PDB), нумерации KABAT и программного обеспечения для моделирования. scFv состоит из линкера (Gly4-Ser), который соединяет переменную тяжелую цепь (VH) и переменную легкую цепь (VL).
  2. Используйте программное обеспечение для молекулярного моделирования для построения линкера в виде петлевой структуры и выполните все эти методы, как описано в предыдущих исследованиях 2,19,20.

2. Выбор шаблонов и предсказание 3D-структуры scFv и EGFR и моделирование гомологий

  1. Выберите шаблон 1ivo для структур EGFR (исходя из его высокого разрешения). Загрузите файл 1ivo.pdb с веб-сайта pdb, как показано на рисунке 1B.
  2. Подготовьте входной файл 1ivo.pdb, как описано ниже.
    1. В файле 1ivo.pdb удалите все внешние лиганды, открыв веб-сайт pdb.org и выбрав 1ivo. Структура, и ищем название лигандов под названием малой молекулы на странице структуры 1ivo на веб-сайте pdb.
    2. Найдите название лиганда NAG. Откройте файл 1ivo.pdb, загруженный с веб-сайта pdb, и найдите остаток завершения (TER).
    3. Удалите остатки наружных лигандов в структуре 1ivo, начиная с остатка после TER. и до окончания остатка. Сохраните файл 1ivo.pdb в системе.
  3. Подготовьте сохраненный файл 1ivo.pdb, как описано ниже.
    1. Загрузите программное обеспечение для стыковки Autodock (autodock.scripps.edu) в области выбора окна. Нажмите на файл «Открыть файл 1ivo.pdb».
    2. С помощью команды «Редактировать» выберите «Добавить водород» > «Добавить», затем выберите «Только Polar» и нажмите клавишу «ОК».
    3. Используйте команду Edit для добавления зарядов Коллмана (дополнительный рисунок 1). Используйте команду Редактировать для удаления воды. Сохраните файл 1ivo.pdb на компьютере.
  4. Сведите к минимуму энергию структуры 1ivo.pdb, как описано ниже.
    1. Скачать SPDBV. Программное обеспечение от http://spdbv.vital-it.ch/disclaim.html. Откройте файл 1ivo.pdb.
    2. Выберите все. Выберите команду Perf > Минимизация энергии > Ok (дополнительный рисунок 2). Сохраните файл 1ivo на компьютере.
  5. Подготовьте полную модель scFv с помощью моделирования гомологий, как описано ниже.
    1. Загрузите программное обеспечение для моделирования17 и оболочку Python script 3.7.9 из окна Window-64. Храните загруженные файлы программного обеспечения на диске D.
  6. Подготовьте входные файлы, как описано ниже.
    1. Загрузите файл scFv Pdb в формате fasta с веб-сайта NCBI и переименуйте файл в TARGET.ali. как описано в Файле дополнительного кодирования 1. Выберите шаблон с помощью раздела Blast в NCBI, вставьте секвенированный файл, выберите в формате pdb 7det.pdb, как описано в разделе Файл дополнительного кодирования 2, а затем отправьте его. Затем используйте веб-сайт pdb.org для получения файла шаблона.
    2. Подготовьте третий входной файл как align2d.py (Python), как описано в дополнительном файле кодирования 3, который открывается, как показано на дополнительном рисунке 3A. Нажмите опцию «Показать больше», затем перейдите в раздел «Редактировать с помощью IDLE» > «Редактировать с помощью EDLE (64-разрядная версия)». Запустите команду run module 5 в align2d.py, чтобы получить два выходных файла: Tar- 7det.ali и Tar- 7det.pap.
  7. Выполните предыдущие три шага, чтобы использовать команду в последнем входном файле.
  8. Добавьте новый входной файл model-single.py (файл команды python), как показано в Дополнительном файле кодирования 4 и как описано ниже.
    1. Нажмите опцию «Показать больше», затем перейдите в раздел «Редактировать с помощью IDLE» > «Редактировать с помощью EDLE3.7 (64-разрядная версия)». Запустите с помощью команды (run module 5), как показано на дополнительном рисунке 3B.
      ПРИМЕЧАНИЕ: Результирующие выходные файлы представляют собой шесть файлов моделей гомологий, показанных на дополнительном рисунке 3C.

3. Прогнозирование и оценка вторичной структуры рецептора

  1. Определите коррекцию и точность моделей гомологий, как описано ниже.
    1. Создайте график Рамачандрана для моделей scFv и моделей EGFR, скачав инструмент визуализации из https://discover.3ds.com/discovery-studio-visualizer-download.
    2. Откройте файл, затем щелкните правой кнопкой мыши и выберите последовательность отображения (дополнительный рисунок 4). Скопируйте последовательность и вставьте ее в базу данных изображений 3D-структур (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/.
    3. Выберите поиск по последовательности, вставьте копию последовательности, а затем отправьте ее. Создайте график, как показано на рисунке 1B,D.

4. Белок-белковый стыковочный

  1. Загрузите программное обеспечение для виртуального скрининга.
  2. Перейдите в Файл> прочитайте молекулы > загрузите 1ivo.pdb. Щелкните правой кнопкой мыши по белку на панели автодока, чтобы создать макромолекулу. Щелкните правой кнопкой мыши еще раз, чтобы создать лиганд (дополнительный рисунок 5).
  3. Нажмите на панели автодок-станции, чтобы выбрать белок , а затем выберите лиганд.
  4. Откройте список белков. Затем из списка выберите scFv Protein.
  5. Перейдите в раздел Переключить сферы выделения. Отрегулируйте сетчатую коробку по центру рецептора. Нажмите «Вперед », когда появится круглая розовая кнопка.
  6. Чтобы подготовить файлы pdbqt для структур scFv-антитела и EGFR (1ivo), выполните следующие действия.
    1. Перейдите в раздел C Drive > Program Files (86) > Пользователи, затем выберите файл pyrx, содержащий макромолекулы и выходные файлы белков, которые были сохранены как файл pdbqt.
    2. Затем сохраните файл pdbqt антитела с одноцепочечной переменной фрагмента (scFv).
  7. Скачать программное обеспечение PyMOL на PyMOL | pymol.org. Используйте программное обеспечение PyMOL для отображения конфигураций EGFR антител-рецепторов scFv.
    1. Перейдите в файл и откройте C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein. Подготовьте конфигурации стыковки антитела scFv, взаимодействующего с рецептором на рисунке 2А , как описано ниже.
      1. Используйте опцию отображения, чтобы отобразить файл рецептора (1ivo) в виде остатков последовательности на белом фоне, показанном на дополнительном рисунке 6.
      2. Отобразите файл конфигурации стыковки с более высоким разрешением, чтобы увидеть цвет лиганда зеленым и красным цветами остатков. Отобразите жесткую поверхность рецептора (1ivo) желтым цветом.
  8. Подготовьте конфигурации стыковки антитела scFv, взаимодействующего с рецептором, показанным на рисунке 2B, как описано ниже.
    1. Загрузите программное обеспечение для закрепления в области выбора окна. Используйте функцию Autodock для отображения конфигураций и конформаций EGFR антител-рецепторов scFv.
      1. В Autodock выберите параметр «Анализ», затем откройте результат Autodock Vina. Перейдите в Файл и откройте C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein.
      2. Выберите файл pdb белкового рецептора, затем выберите область конфигурации лиганда (структура антитела scFv). Соедините жесткую поверхность рецептора с конфигурацией пристыкованной конструкции и спрячьте остальную часть рецептора. Спрячьте дальние остатки рецептора от соединенных остатков с лигандом, как показано на рисунке 2В.
    2. Затем белок-белковый комплекс был признан готовым к выполнению МД-моделирования.

5. Молекулярно-динамическое моделирование (МД-моделирование) докингового комплекса антител EGFR-scFv

  1. Загрузите программное обеспечение для моделирования MD и используйте его следующим образом.
    1. Подготовьте файл EGFR (1ivo) pdb с помощью мастера восстановления, как показано на дополнительном рисунке 7A. Выполните работу с разделом предварительной обработки для уточнения файла. Отправьте уточненный файл для установки в сборщике системы.
    2. Загрузите программное обеспечение для моделирования молекулярной динамики из рабочего каталога. Добавьте ионы и улучшите уточненный файл до 20 Å для отправки задания (Таблица 1), также показанное на дополнительном рисунке 7B.
    3. Загрузите EGFR (1ivo) pdb из импортированного файла, затем выберите временные шаги 100 нс для его запуска (дополнительный рисунок 7C).
  2. Начните анализ моделирования после завершения MDsimulation, как описано ниже.
    1. Создайте папку задания и сохраните ее в файле cms. Загрузите файл cms для выполнения этого шага в моделировании MD.
    2. Создайте рабочий каталог для папок проекта и сообщите о значениях энергопотребления. Используйте S.I.D. pdf для составления отчета о моделировании, как показано на рисунке 3A, а также для диаграммы взаимодействия и H-связи, как показано на рисунке 3B.
    3. Загрузите pdf-файл cms из папки и используйте TIP3P в качестве модели для минимизации объема файла.
    4. Создайте файл сольватации для выполнения этого шага, показанного на дополнительном рисунке 7D. Сохраните файл pdf с помощью программного обеспечения и проанализируйте данные, в результате чего получится Рисунок 4, Рисунок 5 и Рисунок 6.
  3. Сгенерируйте настройку финализации MDsimulation, создав файл разрешения. Найдите результаты в рамке границы, как показано на рисунке 7.

Результаты

С помощью технологии фагового дисплея из линии В-клеточной гибридомы C3A820,21 мыши был создан ген scFv анти-EGFR. Модели структуры с одноцепочечной переменной (scFv) структур VH и VL были построены отдельно, согласно Chua et al.22. После этог...

Обсуждение

EGFR является основным рецептором-мишенью рака молочной железы. Гиперэкспрессия EGFR увеличивает случаи рака молочной железы во всем мире. Между тем, специфические антитела, такие как одноцепочечные фрагменты, представляют собой антитела, которые легко перемещаются по ?...

Раскрытие информации

Авторам нечего раскрывать.

Благодарности

Никакой.

Материалы

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

Ссылки

  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).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

ScFvin silicoPyrxEGFR

This article has been published

Video Coming Soon

JoVE Logo

Конфиденциальность

Условия эксплуатации

Политика

СВЯЖИТЕСЬ С НАМИ

РЕКОМЕНДОВАТЬ БИБЛИОТЕКЕ

НОВОСТИ JoVE

Исследования

Образование

АВТОРЫ

Библиотекарь

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены