Accelerating the discovery of the beyond rule of five compounds that have high affinities toward SARS-CoV-2 spike RBD
Notice bibliographique
Résumé
The battle against SARS-CoV-2 coronavirus is the focal point for the global pandemic that has affected millions of lives worldwide. The need for effective and selective therapeutics for the treatment of the disease caused by SARS-CoV-2 is critical. Herein, we performed a hierarchical computational approach incorporating molecular docking studies, molecular dynamics simulations, absolute binding energy calculations, and steered molecular dynamics simulations for the discovery of potential compounds with high affinity towards SARS-CoV-2 spike RBD. By leveraging ZINC15 database, a total of 1282 in-clinical and FDA approved drugs were filtered out from nearly 0.5 million protomers of relatively large compounds (MW > 500, and LogP ≤ 5). Our results depict plausible mechanistic aspects related to the blockage of SARS-CoV-2 spike RBD by the top hits discovered. We found that the most promising candidates, namely, ZINC95628821, ZINC95617623, ZINC3979524, and ZINC261494658, strongly bind to the spike RBD and interfere with the human ACE2 receptor. These findings accelerate the rational design of selective inhibitors targeting the spike RBD protein of SARS-CoV-2.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 | 0,001 |
| 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 ».