MétaCan
Menu
Retour à la cohorte
Enregistrement W3087078168 · doi:10.1039/d0cp04326e

Discovery of potent inhibitors for SARS-CoV-2's main protease by ligand-based/structure-based virtual screening, MD simulations, and binding energy calculations

2020· article· en· W3087078168 sur OpenAlexafffund
Abd Al‐Aziz A. Abu‐Saleh, Ibrahim E. Awad, Arpita Yadav, Raymond A. Poirier

Notice bibliographique

RevuePhysical Chemistry Chemical Physics · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesScience and Engineering Research BoardNatural Sciences and Engineering Research Council of CanadaMemorial University of Newfoundland
Mots-clésVirtual screeningLigand (biochemistry)ProteaseChemistrySevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Molecular dynamicsCoronavirus disease 2019 (COVID-19)Computational chemistryComputational biologyCombinatorial chemistryBiochemistryEnzymeMedicineBiology

Résumé

récupéré en direct d'OpenAlex

COVID-19 has caused lockdowns all over the world in early 2020, as a global pandemic. Both theoretical and experimental efforts are seeking to find an effective treatment to suppress the virus. In silico drug design can play a vital role in identifying promising drug candidates against COVID-19. Herein, we focused on the main protease of SARS-CoV-2 that has crucial biological functions in the virus. We performed a ligand-based virtual screening followed by a docking screening for testing approved drugs and bioactive compounds listed in the DrugBank and ChEMBL databases. The top 8 docking results were advanced to all-atom MD simulations to study the relative stability of the protein-ligand interactions. MD simulations support that the catalytic residue, His41, has a neutral side chain with a protonated delta position. An absolute binding energy (ΔG) of -42 kJ mol-1 for the protein-ligand (Mpro-N3) complex has been calculated using the potential-of-mean-force (geometrical) approach. Furthermore, the relative binding energies were computed for the top docking results. Our results suggest several promising approved and bioactive inhibitors of SARS-CoV-2 Mpro as follows: a bioactive compound, ChEMBL275592, which has the best MM/GBSA binding energy; the second-best compound, montelukast, is an approved drug used in the treatment of asthma and allergic rhinitis; the third-best compound, ChEMBL288347, is a bioactive compound. Bromocriptine and saquinavir are other approved drugs that also demonstrate stability in the active site of Mpro, albeit their relative binding energies are low compared to the N3 inhibitor. This study provides useful insights into de novo protein design and novel inhibitor development, which could reduce the cost and time required for the discovery of a potent drug to combat SARS-CoV-2.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,499
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,279
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical Chemistry Chemical PhysicsMême sujetComputational Drug Discovery MethodsTravaux en français237 207