Computational Repurposing of Relatively Large Drugs for the Receptor Binding Domain of SARS‐CoV‐2 Spike Protein
Notice bibliographique
Résumé
Abstract Currently, therapeutic options for COVID‐19 remain limited. While drug repurposing offers a rapid strategy to address this gap, most studies focus on small molecules, overlooking larger drugs (>500 Da) that may exhibit optimized pharmacokinetics and translational potential. Here, we computationally repurpose FDA‐approved large drugs (MW > 500, LogP ≤ 5) targeting the receptor‐binding domain (RBD) of the SARS‐CoV‐2 spike protein. Through molecular docking, molecular dynamics (MD) simulations (100 ns), and binding energy calculations, we prioritized candidates with high affinity for the RBD. Notably, Atazanavir, Valrubicin, Telotristat, and Clotrimazole (identified here) interact with hotspot residues critical for ACE2 binding, suggesting a mechanism to disrupt viral entry. While our findings align with experimental mutagenesis data, they also highlight underexplored opportunities in large‐drug repurposing. This work provides a focused candidate list for experimental validation, complementing existing literature by broadening the scope of actionable targets.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».