Fragment‐based <i>in silico</i> design of SARS‐CoV‐2 main protease inhibitors
Notice bibliographique
Résumé
3CLpro is essential for SARS-CoV-2 replication and infection; its inhibition using small molecules is a potential therapeutic strategy. In this study, a comprehensive crystallography-guided fragment-based drug discovery approach was employed to design new inhibitors for SARS-CoV-2 3CLpro. All small molecules co-crystallized with SARS-CoV-2 3CLpro with structures deposited in the Protein Data Bank were used as inputs. Fragments sitting in the binding pocket (87) were grouped into eight geographical types. They were interactively coupled using various synthetically reasonable linkers to generate larger molecules with divalent binding modes taking advantage of two different fragments' interactions. In total, 1,251 compounds were proposed, and 7,158 stereoisomers were screened using Glide (standard precision and extra precision), AutoDock Vina, and Prime MMGBSA. The top 22 hits having conformations approaching the linear combination of their constituent fragments were selected for MD simulation on Desmond. MD simulation suggested 15 of these did adopt conformations very close to their constituent pieces with far higher binding affinity than either constituent domain alone. These structures could provide a starting point for the further design of SARS-CoV-2 3CLpro inhibitors with improved binding, and structures are provided.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».