An in-silico approach of assessments of human serotonin transporter inhibitory potential of various flavonoids for anti-depressants: molecular docking, MM-GBSA, molecular dynamics simulation studies
Notice bibliographique
Résumé
Abstract Depression is one of the typical CNS disorders. Millions of people suffer from depression, a chronic illness with economic consequences. Tricyclic antidepressants, selective dopamine reuptake inhibitors, selective norepinephrine reuptake inhibitors, and selective serotonin reuptake inhibitors are only few of the antidepressants that can used to treat depression. The main target of therapeutic activity is known to be the serotonin transporter (SERT) against depressants. In this article, various flavonoids were found with conditions of pharmacological activity and were designed by molecular docking, MM-GBSA and molecular dynamics (MD) Simulation studies for the treatment of depressants activity. The docking of ligands performed against depressant with protein of human serotonin transporter (SERT) PDB-ID:5I6X are performed by using Glide module, in silico ADMET screening by QikProp module, binding energy using Prime MMGB/SA module, MD simulation by Desmond module and atomic charges were derived by Jaguar module of Schrodinger suite 2021-1. Compounds with top binding affinity using extra precision in glide recorded as (-16.25) when compared to standard FDA approved drug Fluoxetine (-8.711) which were proposed for anti-depressant action. The residues PHE 335, TYR 95, ALA 96, PHE 341, VAL 501, TRP 103, TYR 175, ALA 169, GLY 338 of SERT Play a crucial role as binding pocket of ligands. The in-silico ADMET properties of the molecules were within the recommended values. The binding free energy was calculated using PRIME MM-GB/SA studies. Compound with top binding affinity of flavonoids was subjected to MD simulation at 100 ns to study the dynamic behavior of protein–ligand complex.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».