Computational Prediction of the Interaction of Ivermectin with Fibrinogen
Notice bibliographique
Résumé
Hypercoagulability and formation of extensive and difficult-to-lyse microclots are a hallmark of both acute COVID-19 and long COVID. Fibrinogen, when converted to fibrin, is responsible for clot formation, but abnormal structural and mechanical clot properties can lead to pathologic thrombosis. Recent experimental evidence suggests that the spike protein (SP) from severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) may directly bind to the blood coagulation factor fibrinogen and induce structurally abnormal blood clots with heightened proinflammatory activity. Accordingly, in this study, we used molecular docking and molecular dynamics simulations to explore the potential activity of the antiparasitic drug ivermectin (IVM) to prevent the binding of the SARS-CoV-2 SP to fibrinogen and reduce the occurrence of microclots. Our computational results indicate that IVM may bind with high affinity to multiple sites on the fibrinogen peptide, with binding more likely in the central, E region, and in the coiled-coil region, as opposed to the globular D region. Taken together, our in silico results suggest that IVM may interfere with SP-fibrinogen binding and, potentially, decrease the formation of fibrin clots resistant to degradation. Additional in vitro studies are warranted to validate whether IVM binding to fibrinogen is sufficiently stable to prevent interaction with the SP, and potentially reduce its thrombo-inflammatory effect in vivo.
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 | 0,000 |
| 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 ».