Integrated Computational Biophysics approach for Drug Discovery against Nipah Virus
Notice bibliographique
Résumé
Abstract The Nipah virus (NiV) poses a pressing global threat to public health due to its high mortality rate, multiple modes of transmission, and lack of effective treatments. NiV glycoprotein G (NiV-G) emerges as a promising target for NiV drug discovery due to its essential role in viral entry and membrane fusion. Therefore, in this study we applied an integrated computational and biophysics approach to identify potential inhibitors of NiV-G within a curated dataset of Peruvian phytochemicals. Our virtual screening results indicated that these compounds could represent a natural source of potential NiV-G inhibitors with ∆G values ranging from -8 to -11 kcal/mol. Among them, Procyanidin B2, B3, B7, and C1 exhibited the highest binding affinities and formed the most molecular interactions with NiV-G. Molecular dynamics simulations revealed the induced-fit mechanism of NiV-G pocket interaction with these procyanidins, primarily driven by its hydrophobic nature. Non-equilibrium free energy calculations were employed to determine binding affinities, highlighting Procyanidin B3 and B2 as the ligands with the most substantial interactions. Overall, this work underscores the potential of Peruvian phytochemicals, particularly procyanidins B2, B3, B7, and C1, as lead compounds for developing anti-NiV drugs through an integrated computational biophysics approach.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».