Molecular Interactions of Tannic Acid with Proteins Associated with SARS-CoV-2 Infectivity
Notice bibliographique
Résumé
The overall impact of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) on our society is unprecedented. The identification of small natural ligands that could prevent the entry and/or replication of the coronavirus remains a pertinent approach to fight the coronavirus disease (COVID-19) pandemic. Previously, we showed that the phenolic compounds corilagin and 1,3,6-tri-O-galloyl-β-D-glucose (TGG) inhibit the interaction between the SARS-CoV-2 spike protein receptor binding domain (RBD) and angiotensin-converting enzyme 2 (ACE2), the SARS-CoV-2 target receptor on the cell membrane of the host organism. Building on these promising results, we now assess the effects of these phenolic ligands on two other crucial targets involved in SARS-CoV-2 cell entry and replication, respectively: transmembrane protease serine 2 (TMPRSS2) and 3-chymotrypsin like protease (3CLpro) inhibitors. Since corilagin, TGG, and tannic acid (TA) share many physicochemical and structural properties, we investigate the binding of TA to these targets. In this work, a combination of experimental methods (biochemical inhibition assays, surface plasmon resonance, and quartz crystal microbalance with dissipation monitoring) confirms the potential role of TA in the prevention of SARS-CoV-2 infectivity through the inhibition of extracellular RBD/ACE2 interactions and TMPRSS2 and 3CLpro activity. Moreover, molecular docking prediction followed by dynamic simulation and molecular mechanics Poisson-Boltzmann surface area (MMPBSA) free energy calculation also shows that TA binds to RBD, TMPRSS2, and 3CLpro with higher affinities than TGG and corilagin. Overall, these results suggest that naturally occurring TA is a promising candidate to prevent and inhibit the infectivity of 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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».