JoVE Logo
Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Bu antikor homolojisi modelleme tahmin protokolünü, antikor-reseptör Pyrx yerleştirme ve moleküler dinamik simülasyon takip eder. Bu üç ana yöntem, doğru antikor-reseptör bağlanma alanlarını ve nihai yapının bağlanma stabilitesini görselleştirmek için kullanılır.

Özet

Tek zincirli fragman değişken (scFv) antikorları daha önce bir (Gly4-Ser) 3 bağlayıcı ile birleştirilen değişken hafif ve ağır zincirlerden yapılmıştır. Bağlayıcı, bir döngü yapısı olarak moleküler modelleme yazılımı kullanılarak oluşturulmuştur. Burada, epidermal büyüme faktörü reseptörü (EGFR) ile etkileşime giren tam bir scFv antikorununin silico analizi için bir protokol sunuyoruz. Protein-protein kenetlenmesinin Pyrx ve etkileşimli scFv antikoru ve EGFR'nin moleküler dinamik simülasyonu ile homoloji modellemesi İlk olarak, yazarlar homoloji modellemesi için bir protein yapısı modelleme programı ve Python kullandılar ve antikor scFv yapısı homoloji için modellendi. Araştırmacılar, yerleştirme çalışmasında bir platform olarak Pyrx yazılımını indirdiler. Moleküler dinamik simülasyon, modelleme yazılımı kullanılarak çalıştırıldı. Sonuçlar, MD simülasyonu enerji minimizasyonuna tabi tutulduğunda, protein modelinin en düşük bağlanma enerjisine (-5.4 kcal/M) sahip olduğunu göstermektedir. Ek olarak, bu çalışmadaki MD simülasyonu, kenetlenmiş EGFR-scFv antikorunun, yapının hareketi keskin bir şekilde 7.2 Å'ye yükseldiğinde 20-75 ns için stabil olduğunu gösterdi. Sonuç olarak, in silicoanalizler yapıldı ve scFv antikorunun moleküler yerleştirme ve moleküler dinamik simülasyonları, tasarlanan immün-terapötik ilaç scFv'nin EGFR için spesifik bir ilaç tedavisi olarak etkinliğini kanıtladı.

Giriş

Proteindeki (ligand ve reseptör) konformasyonel değişiklikler her zaman yapıya dayalı işlevlere dayalı olarak meydana gelir. Proteinin olası bağlanma oluklarının incelenmesi ve kararlı bağlanma etkileşiminin tahmini, insan vücudunda daha iyi kullanım için ilaçlar hazırlamak için gelişmiş bir yöntemdir. Homoloji modellemesi ve ardından yerleştirme ve moleküler dinamik simülasyon, spesifik kişiselleştirilmiş tıp 1,2 olarak kullanılan reseptörlerin kalıntıları ve yapılandırılmış antikorlar arasındaki kararlı bağlanma etkileşimlerinin doğru bir şekilde tahmin edilmesi için basit bir yöntemdir. Tahmin edilen model yapısı, ligand-reseptör bağlanma bölgelerinde, özellikle antikor-reseptör arayüzünde konformasyonel değişiklikler ve yeniden düzenlemeler gösterebilir. Bu değişikliklerin yan zincirlerin dönüşü, küresel yapısal dönüşüm veya daha karmaşık değişiklikler gibi birçok nedeni vardır. Homoloji modellemesinin ana nedeni, bir proteinin üçüncül yapısını birincil yapısından 2,3 ayırt etmektir.

Epidermal büyüme faktörü reseptörü (EGFR) adı verilen bir tirozin kinaz reseptörü, kanser hücrelerinde apoptoz 4,5, farklılaşma 6,7, hücre döngüsü ilerlemesi 8,9, gelişme 9,10 ve transkripsiyon11 dahil olmak üzere birçok biyolojik rol oynar. EGFR, meme kanseri için iyi bilinen terapötik hedeflerden biridir12. EGFR gibi düzenli kinaz aktivitesinin aşırı ekspresyonu genellikle birçok kanser inhibitörü tarafından baskılanabilen kanser hücresi ilerlemesine yol açar13. Epidermal büyüme faktörü reseptörü (EGFR), bu reseptöre karşı çalışmak üzere özel olarak yapılandırılmış tek zincirli fragman değişkeni için bir reseptör olarak kullanıldı. Tahmin edilen yapısı, antikor bağlanma aktivitesini test etmek için kullanıldı.

Bu çalışmada, scFv antikor yapısı Python script ile modelleme yazılımı ve homoloji modelleme yöntemi kullanılarak modellenmiştir14,15. Reseptörlerin ve ligandların protein ve amino asit dizilerinden bir homoloji modeli oluşturulabilir16,17. Ek olarak, küçük moleküllü ligandların doğru hedef bağlanma bölgesine nasıl bağlanacağını tahmin etmek için moleküler yerleştirme gibi gelişmiş biyoinformatik teknolojiler kullanıldı. Yerleştirme, birden fazla hastalığa yönelik yeni ilaçların geliştirilmesini dengeleyecektir. Bağlanma davranışı dikkate alınır 5,18.

Ayrıca, moleküler yerleştirme, ligand-reseptör bağlanma gelişimini kolaylaştırmak ve hızlandırmak için kritik bir tekniktir. Moleküler yerleştirme, bilim adamlarının bir hedef proteine karşı bir ligand kütüphanesini sanal olarak taramasını ve ligandların hedef reseptör proteinine bağlanma konformasyonlarını ve afinitelerini tahmin etmesini sağlar. Moleküler dinamik simülasyon (MNS), kalıntıların uzayda nasıl hareket ettiğini gösterir, reseptörlerine doğru antikor hareketlerini simüle eder ve son olarak antikor tasarım çabalarını bilgilendirir. Bu çalışma, scFv antikorunun EGFR'ye nasıl bağlandığına ve MD simülasyonunda bu bağlanmanın enerji ve zamanının tespitine karar veren ızgara kutusu boyutlarının yeni bir tahminidir.

Access restricted. Please log in or start a trial to view this content.

Protokol

1. Tek zincirli parça değişkenli (scFv) proteinin ikincil yapı tahminleri

  1. BLAST protein veri bankası (PDB), KABAT numaralandırma ve modelleme yazılımı ile tek zincirli parça değişkeni (scFv) proteininin 3B yapısını oluşturun. scFv, bir değişken ağır zincir (VH) ve bir değişken hafif zinciri (VL) birbirine bağlayan bir bağlayıcıdan (Gly4-Ser) oluşur.
  2. Bağlayıcıyı bir döngü yapısı olarak oluşturmak için moleküler modelleme yazılımını kullanın ve tüm bu yöntemleri önceki çalışmalardaaçıklandığı gibi gerçekleştirin 2,19,20.

2. Şablon seçimi ve scFv ve EGFR 3D yapı tahmini ve homoloji modellemesi

  1. EGFR yapıları için şablon 1ivo'yu seçin (yüksek çözünürlüğüne göre). 1ivo.pdb dosyasını Şekil 1B'de gösterildiği gibi pdb web sitesinden indirin.
  2. Giriş 1ivo.pdb dosyasını aşağıda açıklandığı gibi hazırlayın.
    1. 1ivo.pdb dosyasında, pdb.org web sitesini açıp 1ivo'yu seçerek tüm harici ligandları çıkarın. Yapı ve pdb web sitesinin 1ivo yapı sayfasındaki küçük molekül başlığı altında ligandların adını aramak.
    2. Ligand adı NAG'ı bulun. pdb web sitesinden indirilen 1ivo.pdb dosyasını açın ve sonlandırma kalıntısını (TER.) bulun.
    3. 1ivo yapısındaki dış ligandların kalıntılarını, TER'den sonraki kalıntıdan başlayarak silin. ve kalıntı bitmeden önce. 1ivo.pdb dosyasını sisteme kaydedin.
  3. Kaydedilen 1ivo.pdb dosyasını aşağıda açıklandığı gibi hazırlayın.
    1. Pencere seçim alanından Autodock yerleştirme yazılımını (autodock.scripps.edu) indirin. 1ivo.pdb dosyasını aç'a tıklayın.
    2. Düzenle komutunu kullanarak Hidrojen Ekle > Ekle'yi seçin, ardından Yalnızca Polar'ı seçin ve ardından Tamam'a basın.
    3. Kollman masraflarını eklemek için Edit komutunu kullanın (Ek Şekil 1). Suyu silmek için Düzenle komutunu kullanın. 1ivo.pdb dosyasını bilgisayara kaydedin.
  4. 1ivo.pdb yapısının enerjisini aşağıda açıklandığı gibi en aza indirin.
    1. SPDBV'yi indirin. http://spdbv.vital-it.ch/disclaim.html'dan yazılım. 1ivo.pdb dosyasını açın.
    2. Tümünü seç'i tıklayın. Enerji minimizasyonu > Tamam > Perf komutunu seçin (Ek Şekil 2). 1ivo dosyasını bilgisayara kaydedin.
  5. Aşağıda açıklandığı gibi homoloji modellemesini kullanarak tam model scFv'yi hazırlayın.
    1. Modelleme yazılımını17 ve Python komut dosyası 3.7.9 kabuğunu Windows- 64'ten indirin. İndirilen yazılım dosyalarını D sürücüsünde saklayın.
  6. Giriş dosyalarını aşağıda açıklandığı gibi hazırlayın.
    1. scFv Pdb dosyasını NCBI web sitesinden fasta formatında yükleyin ve dosyayı TARGET.ali olarak yeniden adlandırın. Ek Kodlama Dosyası 1'de açıklandığı gibi. NCBI'deki Blast bölümünü kullanarak şablonu seçin, sıralı dosyayı yapıştırın, Ek Kodlama Dosyası 2'de açıklandığı gibi pdb formatında 7det.pdb'yi seçin ve ardından gönderin. Ardından, şablon dosyasını edinmek için pdb.org web sitesini kullanın.
    2. Üçüncü giriş dosyasını, Ek Şekil 3A'da gösterildiği gibi açılan Ek Kodlama Dosyası 3'te açıklandığı gibi align2d.py (Python) olarak hazırlayın. Daha Fazla Göster Seçeneğine basın, ardından IDLE ile Düzenle > EDLE (64 bit) ile Düzenle'ye gidin. İki çıktı dosyası elde etmek için align2d.py'deki run module 5 komutunu kullanarak çalıştırın: Tar- 7det.ali ve Tar- 7det.pap.
  7. Komutu son giriş dosyasında kullanmak için önceki üç adımı tamamlayın.
  8. Ek Kodlama Dosyası 4'te gösterildiği gibi ve aşağıda açıklandığı gibi model-single.py yeni bir giriş dosyası (komut python dosyası) ekleyin.
    1. Daha Fazla Göster Seçeneğine basın, ardından IDLE ile Düzenle'ye > EDLE3.7 (64 bit) ile Düzenle'ye gidin. Ek Şekil 5B'de gösterildiği gibi (modül 3'i çalıştır) komutunu kullanarak çalıştırın.
      NOT: Elde edilen çıktı dosyaları, Ek Şekil 3C'de gösterilen homoloji modellerinin altı dosyasıdır.

3. Reseptör ikincil yapı tahmini ve değerlendirilmesi

  1. Homoloji modellerinin düzeltmesini ve doğruluğunu aşağıda açıklandığı gibi tespit edin.
    1. https://discover.3ds.com/discovery-studio-visualizer-download'dan görselleştirme aracını indirerek scFv modelleri ve EGFR modelleri için Ramachandran grafiğini oluşturun.
    2. Dosyayı açın, ardından fareyle sağ tıklayın ve görüntüleme sırasını seçin (Ek Şekil 4). Diziyi kopyalayın ve 3B yapıların resimli veritabanına (pdbsum) www.ebi.ac.uk/thornton-srv/databases/pdbsum/ yapıştırın.
    3. Diziye göre ara'yı seçin, dizinin kopyasını yapıştırın ve ardından gönderin. Grafiği Şekil 1B,D'de gösterildiği gibi oluşturun.

4. Protein-protein yerleştirme

  1. Sanal tarama aracı yazılımını indirin.
  2. Dosyaya gidin > Molekülleri okuyun > 1ivo.pdb'yi yükleyin. Bir makromolekül yapmak için otomatik yerleştirme panelindeki proteine sağ tıklayın. Bir ligand yapmak için tekrar sağ tıklayın (Ek Şekil 5).
  3. Proteini seçmek için otomatik yerleştirme paneline tıklayın ve ardından ligand'ı seçin.
  4. Protein listesini açın. Ardından, listeden scFv Protein'i seçin.
  5. Seçim kürelerini aç/kapat'a gidin. Izgara kutusunu reseptörün merkezine ayarlayın. Yuvarlak pembe düğme göründüğünde İleri'ye tıklayın.
  6. Hem scFv-antikoru hem de EGFR (1ivo) yapıları için pdbqt dosyalarını hazırlamak için aşağıdaki adımları kullanın.
    1. C Sürücüsüne > Program Dosyalarına (86) > Kullanıcılar'a gidin, ardından pdbqt dosyası olarak kaydedilen makromolekülleri ve protein çıktı dosyalarını içeren pyrx dosyasını seçin.
    2. Ardından, tek zincirli parça değişkeni (scFv) antikoru pdbqt dosyasını kaydedin.
  7. PyMOL yazılımını PyMOL'de indirin | pymol.org. scFv antikor reseptörü EGFR konfigürasyonlarını göstermek için PyMOL yazılımını kullanın.
    1. Dosyaya gidin ve C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein'i açın. Aşağıda açıklandığı gibi Şekil 2A'daki reseptör ile etkileşime giren scFvantikorun yerleştirme konfigürasyonlarını hazırlayın.
      1. (1ivo)-alıcı dosyasını Ek Şekil 6'da gösterilen beyaz bir arka plana sahip dizi kalıntıları olarak göstermek için görüntüleme seçeneğini kullanın.
      2. Ligand rengini yeşil ve kırmızı kalıntı renklerinde görmek için yerleştirme yapılandırma dosyasını daha yüksek çözünürlükte görüntüleyin. (1ivo) reseptörü sert yüzeyini sarı renkte görüntüleyin.
  8. Aşağıda açıklandığı gibi, Şekil 2B'deki reseptör ile etkileşime giren scFvantikorun yerleştirme konfigürasyonlarını hazırlayın.
    1. Pencere seçim alanından yerleştirme yazılımını indirin. scFv antikor reseptörü EGFR konfigürasyonlarını ve konformasyonlarını göstermek için Autodock'u kullanın.
      1. Autodock'ta Analiz Seçeneğini belirleyin, ardından Autodock Vina sonucunu açın. Dosya'ya gidin ve C:\Users\ilham\.mgltools\PyRx\Macromolecules\protein'i açın.
      2. Protein reseptörü pdb dosyasını seçin, ardından ligand konfigürasyonunun alanını seçin (scFv antikor yapısı). Reseptörün sert yüzeyini kenetlenmiş yapının konfigürasyonu ile bağlayın ve reseptörün geri kalanını gizleyin. Şekil 2B'de gösterildiği gibi, reseptörün uzak kalıntılarını liganda bağlı kalıntılardan gizleyin.
    2. Protein-protein kompleksi daha sonra MD simülasyonu gerçekleştirmeye hazır olarak kabul edildi.

5. EGFR-scFv antikor yerleştirme kompleksinin moleküler dinamik simülasyonu (MD simülasyonu)

  1. MD simülasyon yazılımını indirin ve aşağıdaki gibi kullanın.
    1. EGFR (1ivo) pdb dosyasını Ek Şekil 7A'daki gibi onarım sihirbazını kullanarak hazırlayın. Dosyayı iyileştirmek için ön işlem bölümünü çalıştırın. Sistem oluşturucuda ayarlanacak rafine dosyayı gönderin.
    2. Moleküler dinamik simülasyon yazılımını çalışma dizininden yükleyin. İyonları ekleyin ve rafine edilmiş dosyayı, işi göndermek için 20 Å'ye ulaşacak şekilde yükseltin (Tablo 1), ayrıca Ek Şekil 7B'de de gösterilmiştir.
    3. İçe aktarılan dosyadan EGFR (1ivo) pdb'yi yükleyin, ardından çalıştırmak için 100 ns zaman adımı seçin (Ek Şekil 7C).
  2. Aşağıda açıklandığı gibi MD simülasyonunun tamamlanmasından sonra simülasyonun analizine başlayın.
    1. Bir iş klasörü oluşturun ve cms dosyasına kaydedin. MD simülasyonunda bu adımı gerçekleştirmek için cms dosyasını yükleyin.
    2. Proje klasörleri için bir çalışma dizini oluşturun ve enerji değerlerini raporlayın. Şekil 3A'da gösterildiği gibi simülasyonu ve Şekil 3B'de gösterildiği gibi etkileşim diyagramını ve H bağını raporlamak için S.I.D. pdf kullanın.
    3. Klasörden göz atarak cms'nin pdf dosyasını yükleyin ve dosya hacmini en aza indirmek için model olarak TIP3P'yi kullanın.
    4. Ek Şekil 7D'de gösterilen bu adımı gerçekleştirmek için çözme dosyasını oluşturun. PDF dosyasını yazılım aracılığıyla kaydedin ve verileri analiz edin, Şekil 4, Şekil 5 ve Şekil 6 ile sonuçlanır.
  3. Çözümleme dosyasını oluşturarak bir MDsimulation sonlandırma kurulumu oluşturun. Şekil 7'de gösterildiği gibi sınır kutusunda sonuçları bulun.

Access restricted. Please log in or start a trial to view this content.

Sonuçlar

Faj görüntüleme teknolojisi kullanılarak, scFv geni anti-EGFR, fare B hücreli hibridoma hattı C3A820,21'den oluşturuldu. VH ve VL yapılarının tek zincirli parça değişkeni (scFv) yapı modelleri, Chua ve ark.22'ye göre ayrı ayrı inşa edilmiştir. Daha sonra modeller RasMol kullanılarak üretilen kurdeleler olarak görünür hale geldi. Daha sonra, moleküler modelleme yazılımı kullanıl...

Access restricted. Please log in or start a trial to view this content.

Tartışmalar

EGFR, meme kanserinin birincil hedef reseptörüdür. EGFR aşırı ekspresyonu dünya çapında meme kanseri vakalarını artırmaktadır. Bu arada, tek zincirli fragman değişkenleri gibi spesifik antikorlar, kan dolaşımı yoluyla kolayca hareket eden ve vücutta hızlı bir temizleme oranına sahip olan antikorlardır. Antikorlar akıllıca bir çözüm ve etkili bir immünoterapi ilacıdır37. Bu nedenle, yapıya dayalı ilaç tasarımı, özellikle bir hed...

Access restricted. Please log in or start a trial to view this content.

Açıklamalar

Yazarların ifşa edecek hiçbir şeyi yok.

Teşekkürler

Hiç kimse.

Access restricted. Please log in or start a trial to view this content.

Malzemeler

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

Referanslar

  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).

Access restricted. Please log in or start a trial to view this content.

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

ScFv AntikorlarEpidermal B y me Fakt r Resept rIn Siliko AnalizMolek ler ModellemeHomoloji ModellemeProtein Protein Yerle tirmePyrx Yaz l mMolek ler Dinamik Sim lasyonuEnerji MinimizasyonuBa lanma Enerjisimm n Terap tik laEGFR Tedavisi

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır