In Silico Identification of Potential Inhibitors of the SARS-CoV-2 Nucleocapsid Through Molecular Docking-Based Drug Repurposing
Notice bibliographique
Résumé
SARS-CoV-2 is the virus responsible for the COVID-19 pandemic, and its effects on people worldwide continue to grow. Protein-targeted therapeutics are currently unavailable for this virus. As with other coronaviruses, the nucleocapsid (N) protein is the most conserved RNA-binding structural protein of SARS-CoV-2. The N protein is an appealing target because of its functional role in viral transcription and replication. Therefore, molecular docking method for structure-based drug design was used to investigate the binding energy and binding modes of various anti-N inhibitors in depth. The inhibitors selected were originally developed to target stress granules and other molecules involved in RNA biology, and were either FDA-approved or in the process of clinical trials for COVID-19. We aimed at targeting the N-terminal RNA binding domain (NTD) for molecular docking-based screening, on the basis of the first resolved crystal structure of SARS-CoV-2 N protein (PDB ID: 6M3M) and C-terminal domain (CTD) dimerization of the nucleocapsid phosphoprotein of SARS-COV-2 (PDB ID: 6WJI). Silmitasertib, nintedanib, ternatin, luteolin, and fedratinib were found to interact with RNA binding sites and to form a predicted protein interface with high binding energy. Similarly, silmitasertib, sirolimus-rapamycin, dovitinib, nintedanib, and fedratinib were found to interact with the SARS-CoV-2 N protein at its CTD dimerization sites, according to previous studies. In addition, we investigated an information gap regarding the relationships among the energetic landscape and stability and drug binding of the SARS-CoV-2 N NTD and CTD. Our in silico results clearly indicated that several tested drugs as potent putative inhibitors for COVID-19 therapeutics, thus indicating that they should be further validated as treatments to slow the spread 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».