Docking for Molecules That Bind in a Symmetric Stack with SymDOCK
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Discovering ligands for amyloid fibrils, such as those formed by the tau protein, is an area of great current interest. In recent structures, ligands bind in stacks in the tau fibrils to reflect the rotational and translational symmetry of the fibril itself; in these structures, the ligands make few interactions with the protein but interact extensively with each other. To exploit this symmetry and stacking, we developed SymDOCK, a method to dock molecules that follow the protein’s symmetry. For each prospective ligand pose, we apply the symmetry operation of the fibril to generate a self-interacting and fibril-interacting stack, checking that doing so will not cause a clash between the original molecule and its image. Absent a clash, we retain that pose and add the ligand–ligand van der Waals energy to the ligand’s docking score (here using DOCK3.8). We can check these geometries and energies using an implementation of ANI, a neural-network-based quantum-mechanical evaluation of the ligand stacking energies. In retrospective calculations, symmetry docking can reproduce the poses of three tau PET tracers whose structures have been determined. More convincingly, in a prospective study, SymDOCK predicted the structure of the PET tracer MK-6240 bound in a symmetrical stack to AD PHF tau before that structure was determined; the docked pose was used to determine how MK-6240 fit the cryo-EM density. In proof-of-concept studies, SymDOCK enriched known ligands over property-matched decoys in retrospective screens without sacrificing docking speed and can address large library screens that seek new symmetrical stackers. Future applications of this approach will be considered.
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 | 0,002 |
| 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 ».