In Silico Molecular Dynamics of Griseofulvin and Its Derivatives Revealed Potential Therapeutic Applications for COVID-19
Notice bibliographique
Résumé
Treatment options for Coronavirus Disease 2019 (COVID-19) remain limited, and the option of repurposing approved drugs with promising medicinal properties is of increasing interest in therapeutic approaches to COVID-19. Using computational approaches, we examined griseofulvin and its derivatives against four key anti-SARS-CoV-2 targets: main protease, RdRp, spike protein receptor-binding domain (RBD), and human host angiotensin-converting enzyme 2 (ACE2). Molecular docking analysis revealed that griseofulvin (CID 441140) has the highest docking score (-6.8 kcal/mol) with main protease of SARS-CoV-2. Moreover, griseofulvin derivative M9 (CID 144564153) proved the most potent inhibitor with -9.49 kcal/mol, followed by A3 (CID 46844082) with -8.44 kcal/mol against M protease and ACE2, respectively. Additionally, H bond analysis revealed that compound A3 formed the highest number of hydrogen bonds, indicating the strongest inhibitory efficacy against ACE2. Further, molecular dynamics (MD) simulation analysis revealed that griseofulvin and these derivatives are structurally stable. These findings suggest that griseofulvin and its derivatives may be considered when designing future therapeutic options for SARS-CoV-2 infection.
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 | 0,002 | 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 | 0,000 |
| 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 ».