High-throughput virtual screening of drug databanks for potential inhibitors of SARS-CoV-2 spike glycoprotein
Notice bibliographique
Résumé
COVID-19, which is caused by a novel coronavirus known as SARS-CoV-2, has spread rapidly around the world, and it has infected more than 29 million individuals as recorded on 16 September 2020. Much effort has been made to stop the virus from spreading, and there are currently no approved pharmaceutical products to treat COVID-19. Here, we apply an in silico approach to investigate more than 3800 FDA approved drugs on the viral RBD S1-ACE2 interface as a target. The compounds were investigated through flexible ligand docking, ADME property calculations and protein–ligand interaction maps. Molecular dynamics (MD) simulations were also performed on eleven compounds to study the stability and the interactions of the protein–ligand complexes. The MD simulations show that bagrosin, chidamide, ebastine, indacaterol, regorafenib, salazosulfadimidine, silodosin and tasosartan are relatively stable near the C terminal domain (CTD1) of the S1 subunit of the viral S protein. The relative MMGBSA binding energies show that silodosin has the best binding to the target. The constant velocity steered molecular dynamics (SMD) simulations show that silodosin preferentially interacts with the RBD S1 and has potential to act as an interfering compound between viral spike–host ACE2 interactions. 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».