Combining computational and experimental evidence on the activity of antimalarial drugs on <scp>papain‐like</scp> protease of <scp>SARS‐CoV</scp>‐2: A repurposing study
Notice bibliographique
Résumé
The development of inhibitors that target the papain-like protease (PLpro) has the potential to counteract the spread of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the agent causing coronavirus disease 2019 (COVID-19). Based on a consideration of its several downstream effects, interfering with PLpro would both revert immune suppression exerted by the virus and inhibit viral replication. By following a repurposing strategy, the current study evaluates the potential of antimalarial drugs as PLpro inhibitors, and thereby the possibility of their use for treatment of SARS-CoV-2 infection. Computational tools were employed for structural analysis, molecular docking, and molecular dynamics simulations to screen antimalarial drugs against PLpro, and in silico data were validated by in vitro experiments. Virtual screening highlighted amodiaquine and methylene blue as the best candidates, and these findings were complemented by the in vitro results that indicated amodiaquine as a μM PLpro deubiquitinase inhibitor. The results of this study demonstrate that the computational workflow adopted here can correctly identify active compounds. Thus, the highlighted antimalarial drugs represent a starting point for the development of new PLpro inhibitors through structural optimization.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».