Probing the SAM Binding Site of SARS-CoV-2 nsp14 in vitro Using SAM Competitive Inhibitors Guides Developing Selective bi-substrate Inhibitors
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic has clearly brought the healthcare systems world-wide to a breaking point along with devastating socioeconomic consequences. The SARS-CoV-2 virus which causes the disease uses RNA capping to evade the human immune system. Non-structural protein (nsp) 14 is one of the 16 nsps in SARS-CoV-2 and catalyzes the methylation of the viral RNA at N7-guanosine in the cap formation process. To discover small molecule inhibitors of nsp14 methyltransferase (MT) activity, we developed and employed a radiometric MT assay to screen a library of 161 in house synthesized S-adenosylmethionine (SAM) competitive methyltransferase inhibitors and SAM analogs. Among seven identified screening hits, SS148 inhibited nsp14 MT activity with an IC 50 value of 70 ± 6 nM and was selective against 20 human protein lysine methyltransferases indicating significant differences in SAM binding sites. Interestingly, DS0464 with IC 50 value of 1.1 ± 0.2 μM showed a bi-substrate competitive inhibitor mechanism of action. Modeling the binding of this compound to nsp14 suggests that the terminal phenyl group extends into the RNA binding site. DS0464 was also selective against 28 out of 33 RNA, DNA, and protein methyltransferases. The structure-activity relationship provided by these compounds should guide the optimization of selective bi-substrate nsp14 inhibitors and may provide a path towards a novel class of antivirals against COVID-19, and possibly other coronaviruses.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».