Potential anti-viral activity of approved repurposed drug against main protease of SARS-CoV-2: an <i>in silico</i> based approach
Notice bibliographique
Résumé
The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) which was first reported in Wuhan province of China, has become a deadly pandemic causing alarmingly high morbidity and mortality. In the absence of new targeted drugs and vaccines against SARS-CoV-2 at present, the choices for effective treatments are limited. Therefore, considering the exigency of the situation, we focused on identifying the available approved drugs as potential inhibitor against the promising Coronavirus drug target, the Main Protease, using computer-aided methods. We created a library of U. S. Food and Drug Administration approved anti-microbial drugs and virtually screened it against the available crystal structures of Main Protease of the virus. The study revealed that Viomycin showed the highest -CDocker energy after docking at the active site of SARS-CoV-2 Main Protease. It is noteworthy that Viomycin showed higher -CDocker energy as compared to the drugs currently under clinical trial for SARS-CoV-2 treatment viz. Ritonavir and Lopinavir. Additionally, Viomycin formed higher number of H-bonds with SARS-CoV-2 Main Protease than its co-crystallised inhibitor compound N3. Molecular dynamics simulation further showed that Viomycin embedded deeply inside the binding pocket and formed robust binding with SARS-CoV-2 Main Protease. Therefore, we propose that Viomycin may act as a potential inhibitor of the Main Protease of SARS-CoV-2. Further optimisations with the drug may support the much-needed rapid response to mitigate the pandemic.Communicated by Ramaswamy H. Sarma
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».