Identification of potent inhibitors against transmembrane serine protease 2 for developing therapeutics against SARS-CoV-2
Notice bibliographique
Résumé
In viral binding and entry, the Spike(S) protein of SARS-CoV-2 uses transmembrane serine protease 2 (TMPRSS2) for priming to cleavage themselves. In this study, we have screened 'drug-like' 7476 ligands and found that over thirty ligands can effectively inhibit the TMPRSS-2 better than the control ligand. Finally, the three best drug agents L1, L2, and L6 were selected according to their average binding affinities and fitting score. These ligands interact with Asp435, Cys437, Ser436, Trp461, and Cys465 amino acid residues. The three best candidates and a reported drug Nafamostat mesylate (NAM) were selected to run 250 ns molecular dynamics (MD) simulations. Various properties of ligand-protein interactions obtained from MD simulation such as bonds, angle, dihedral, planarity, coulomb, and van der Waals (VdW) were used for principal component analysis (PCA) calculation. PCA discloses the evidence of the structural similarities to the corresponding complexes of L1, L2, and L6 with the complex of TMPRSS2(TM) and Nafamostat mesylate (TM-NAM). Moreover, Quantitative structure-activity relationship (QSAR) pattern recognition was generated using PCA for the investigation of structural similarities among the selected ligands. Multiple Linear Regression (MLR) model was built to predict the binding energy compared to the binding energy obtained from molecular docking. The MLR regression model reveals an accuracy of 80% for the prediction of the binding energy of ligands. ADMET analysis demonstrates that these drug agents are appeared to be safer inhibitors. These three ligands can be used as potential inhibitors against the TMPRSS2.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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».