Molecular docking-simulation edge assessment of potential and less-toxic ‘anti- HIV-drug and phyto-flavonoid’ combination against COVID-19
Notice bibliographique
Résumé
Abstract The emergence of the pandemic coronavirus-2019 (COVID-19) disease by the Severe Acute Respiratory Syndrome Corona Virus-2 (SARS-CoV-2) or 2019-novel coronavirus-2019 (2019- nCoV-2019) has created a disease-ridden environment for the entire human community, globally. However, no potent prophylactic therapy is available to control the deadly emerged viral disease. Repurposing of existing antiviral, antiinflammatory, antimalarial drugs is the only option against SARS-CoV-2. But without any clinical evidence, the recommended dose and expected side effects are under debate. As an alternative solution, we proposed a newer hypothesis using the selective, potent anti-HIV drugs and flavonoid class of phytochemicals in combination to balance the potency and toxicity during combat against SARS-CoV-2. Primarily, ten anti-HIV protease inhibitor drugs with ten phyto-flavonoids are selected as ligands for docking study against the putative target, the main protease (Mpro) of SARS-CoV-2 (PDB ID: 6Y2E), as an essential enzyme in viral genome replication. According to molecular docking and drug-ability scores of each ligand, the anti-HIV drug, the darunavir (with a docking score, -10.25 kcal/mol and drug-likeness rating, 0.60) and the quercetin-3-rhamnoside (with a docking score, -10.90 kcal/mol and drug-likeness rating, 0.82), were selected for further analysis in the mixture. Later, the interchanged mutual docking analysis suggested that ‘darunavir-quercetin-3- rhamnoside’ was the most potent and less toxic drug chemical-cocktail/ formulation against SARS-CoV-2-Mpro. Additionally, molecular dynamics simulation, predicted toxicity and pharmacokinetics profiles also support to the hypothesized formulation; mainly, eight strong H- bond interactions were found against SARS-CoV-2-Mpro. Thus, projected molecular docking- simulation based active and lesser toxic ‘anti-HIV-drug-phyto-flavonoid’ therapy could be promoted against 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».