Large-Scale Virtual Screening for the Discovery of SARS-CoV-2 Papain-like Protease (PLpro) Non-covalent Inhibitors
Notice bibliographique
Résumé
Abstract The rapid global spread of the SARS-CoV-2 virus facilitated the development of novel direct-acting antiviral agents (DAAs). The papain-like protease (PLpro) has been proposed as one of the major SARS-CoV-2 targets for DAAs due to its dual role in processing viral proteins and facilitating the host’s immune suppression. This dual role makes identifying small molecules that can effectively neutralize SARS-CoV-2 PLpro activity a high-priority task. However, PLpro drug discovery faces a significant challenge due to the high mobility and induced-fit effects in the protease’s active site. Herein, we virtually screened the ZINC20 database with Deep Docking (DD) to identify prospective noncovalent PLpro binders and combined ultra-large consensus docking with two pharmacophore (ph4)-filtering strategies. The analysis of active compounds revealed their somewhat-limited diversity, likely attributed to the induced-fit nature of PLpro’s active site in the crystal structures, and therefore, the use of rigid docking protocols poses inherited limitations. The top hits were assessed against recombinant viral proteins and live viruses, demonstrating desirable inhibitory activities. The best compound VPC-300195 (IC50: 15 μM) ranks among the top noncovalent PLpro inhibitors discovered through in silico methodologies. In the search for novel SARS-CoV-2 PLpro-specific chemotypes, the identified inhibitors could serve as diverse templates for the development of effective noncovalent PLpro inhibitors.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».