Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Bioinformatics | EasyVS: 基于分子库选择和结构虚拟筛选的用户友好网络工具

Bioinformatics | EasyVS: 基于分子库选择和结构虚拟筛选的用户友好网络工具

作者头像
智能生信
发布于 2021-02-04 06:47:33
发布于 2021-02-04 06:47:33
1.4K0
举报
文章被收录于专栏:智能生信智能生信

作者 | 张鑫 编辑 | 庞超

今天给大家介绍的是墨尔本大学Douglas E.V.Pires课题组在Bioinformatics“Application Note”系列发表的工作“EasyVS: a user-friendly web-based tool for molecule library selection and structure-based virtual screening”。基于结构的虚拟筛选已广泛成功地应用于药物开发的早期阶段,有助于识别潜在的命中,并指导进一步的实验验证。分子对接是最广泛使用的虚拟筛选方法之一,它使用目标蛋白质的三维结构来预测小分子与感兴趣目标的主要结合模式。通过这种方式,对接可以用于评估一个大的分子库,并识别那些最有可能以期望的方式与目标相互作用的分子。这是识别初始命中的有力工具,大大减少了实验测试的化学空间,增加了筛选阳性化合物的比例。

一、研究背景

对接协议(Di Muzio等人,2017年)、评分函数(Pires和Ascher,2016年)和分子库(Sterling和Irwin,2015年)的显著改进,以及计算能力的更大可用性,使虚拟筛选成为一种更容易处理和可靠的命中识别策略。尽管如此,目前的虚拟筛选方法通常需要专业的计算和技术专业知识。

为了使虚拟筛选对更广泛的受众更加友好和容易访问,本文提出了EasyVS方法,这是一个基于网络的、高效和直观的系统,允许用户从定义蛋白质结构和分子库到只需点击几下鼠标即可进行对接。

本文的系统允许用户根据其属性优化筛选库(并定义感兴趣的化学空间)。通过分子聚类方法,我们可以更快地筛选更大的化学空间,并向用户呈现最佳解决方案。

二、平台介绍

最初,用户被要求通过任意一种方式来定义他们感兴趣的目标上传感兴趣的结构,或使用先前实验结构的生物组装存储在PDB中。然后使用Ghecom分析选定的结构来确定可做药物的口袋。默认情况下选择了最大的口袋进行对接,用户可以选择另一个进行筛选的兴趣区,并可以优化边界和使用的对接参数。这些参数包括框的大小和位置和搜索深度。EasyVS目前支持小分子数据库ChEMBL .24_1、HMDB4.0、Drugbank 5.0、Maybridge、Super Natural、Chembridge、Zinc15。

有许多过滤器可用于精制这些分子库,包括分子量、氢的受体或供体的数量、片段或天然产物。一旦选择了分子库,用户可以选择通过相似性对分子进行聚类,以提高筛选性能。如果用户选择进行聚类,则从每组中随机选择一个代表性分子进行对接。用户可以选择在聚类过程中使用的相似度,这将改变聚类的数量,从而改变对接阶段的分子数量。

图1. 用户被提示选择过滤器与分子库

然后使用Autodock Vina对所选化合物库进行分子对接。用户还可以使用NNScore或CSM-Lig快速重新存储选定的方式,使用Arpeggio分析分子内相互作用,并使用pkCSM预测热门点击的药代动力学特性。当对接运行时,用户可以实时查看结果,以分析选定分子的最佳方式,并包括用于对接的额外分子。通过额外的一轮虚拟筛选,使用与感兴趣的配体结构相似的化合物,可以进一步探索顶部对接配体的化学空间。

图2. 分子对接结果

图3. 交互式分子可视化

EasyVS对接协议使用两种不同的基准进行了验证。文章对八个具有可用晶体结构的G蛋白偶联受体(GPCR)配体复合物进行了重选。配体已成功重配,平均均方根偏差(RMSD)为0.98。文章还使用DUD-e为考虑重做的同一组蛋白质创建了诱饵库。真实配体的对接分数明显高于诱饵获得的分数,证明了EasyVS对接协议的稳健性。我们已经评估了系统处理多个提交的能力,证明了系统的响应能力。

三、总结

在这里,本文介绍了EasyVS,这是一个免费的,用户友好的平台用于简化分子库的构建和对接。EasyVS允许用户从完善和多样化的分子中选择分子数据库,包括片段,获批药物和天然产物,然后只需单击几下即可执行对接。我们还展示EasyVS成功鉴定GPCR配体作为案例研究。我们认为这将是探索性的宝贵工具命中识别的各个阶段,允许严格选择或多种多样的分子进行虚拟筛选和智能评估不同的小分子化学空间。


参考文献

Banerjee,P. et al. (2015) Super Natural II—a database of natural products.

Cheng,T. et al. (2012) Structure-based virtual screening for drug discovery: a problem-centric review.

inhibitors using virtual screening. The ChemBridge database.

Di Muzio,E. et al. (2017) DockingApp: a user friendly interface for facilitated docking simulations with AutoDock Vina.

Pires,D.E. et al. (2015) pkCSM: predicting small-molecule pharmacokinetic and toxicity properties using graph-based signatures.

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-11-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 智能生信 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
JCIM|MILCDock:用于药物发现中虚拟筛选的机器学习一致性对接
2022年11月7日,美国杨百翰大学的Dennis Della Corte团队在Journal of Chemical Information and Modeling上发表文章MILCDock: Machine Learning Enhanced Consensus Docking for Virtual Screening in Drug Discovery。
智药邦
2023/02/14
7700
JCIM|MILCDock:用于药物发现中虚拟筛选的机器学习一致性对接
Nat. Commun.|化学空间对接使基于结构的大规模虚拟筛选能够发现ROCK1激酶抑制剂
今天给大家带来的是Paul Beroza、James J. Crawford 于2022年10月发表在nature communications上的《Chemical space docking enables large-scale structure-based virtual screening to discover ROCK1 kinase inhibitors》。作者提出了一种结合了两个优点的虚拟筛选方法(1)它避免了对完整的库进行枚举(2)利用蛋白质结构信息,通过分子对接来评价产生的分子。作者应用这种方法从近10亿种商业可用化合物中鉴定ROCK1的抑制剂。在购买的69种化合物中,27种(39%)的Ki<10μM(Ki是抑制常数,值越小抑制强度越大)。这篇论文的对接方法比传统的对接方法快好几个数量级。
DrugAI
2022/11/28
4490
Nat. Commun.|化学空间对接使基于结构的大规模虚拟筛选能够发现ROCK1激酶抑制剂
基于结构的药物设计中的深度学习
本文为《Artificial Intelligence in Drug Design》一书第11章的内容,作者是Evotec公司的Andrew Anighoro。
智药邦
2022/04/13
8200
基于结构的药物设计中的深度学习
Drug Discov Today|化学分子指纹的概念和应用
分子指纹(Molecular fingerprints)可以低计算成本的方式表示大规模化学数据集中化合物的化学(结构、物理化学等)性质。它们在将化学数据集中的分子转换为适合于计算方法的一致输入格式(bit向量或数值)方面发挥着重要作用。在这篇综述中,作者将常见和最先进的分子指纹归纳并分类为8种不同类型(基于字典的、圆形的(circular)、拓扑的、药效团的(pharmacophore)、蛋白质-配体相互作用的、基于形状的、强化的和多种的)。作者还强调了分子指纹在早期药物研发中的应用。因此,本综述为药物研发使用合适的化合物(或配体-蛋白质复合物)指纹的选择提供了指南。
智药邦
2023/02/14
3K0
Drug Discov Today|化学分子指纹的概念和应用
Briefings in Bioinformatics | 一种提高蛋白质-小分子对接和筛选准确性的评分函数
近日,深圳先进院-上海智峪生科-深圳超算-南洋理工联合团队在《Briefings in Bioinformatics》(影响因子IF=11.622)上发表了题为“Improving protein–ligand docking and screening accuracies by incorporating a scoring function correction term”的论文。该论文提供了一种新的蛋白质-小分子对接评分函数的设计思路,即结合对小分子对接构象的偏差估计作为传统评分函数的修正项,可以显著提升分子对接和筛选的精度,对于小分子药物设计和筛选有着重要意义。本文通讯作者是南洋理工大学慕宇光教授和深圳先进技术研究院魏彦杰研究员,第一作者是郑良振博士(智峪生科小分子算法负责人、深圳先进院联合培养博士后)。
DrugAI
2022/04/19
1.2K0
Briefings in Bioinformatics | 一种提高蛋白质-小分子对接和筛选准确性的评分函数
J. Chem. Inf. Model. | 基于片段的药物设计和化合物结合评估的网络应用程序
今天为大家介绍的是来自John L. Kulp, III团队的一篇论文。基于片段的药物设计利用关于小化学片段如何以及以多大强度与蛋白质结合的数据,以构建新的药物分子。在过去的十年中,作者已经成功地在数十个临床前药物项目中使用了来自热力学的蒙特卡洛片段-蛋白结合模拟的片段数据。然而,由于模拟和设计工具的成本和复杂性,这种方法尚未为更广泛的研究社区所使用。作者开发了一个名为BMaps的网络应用程序,以大大简化的用户界面使基于片段的药物设计广泛可用。BMaps提供了对一个大型存储库(>550个)的蛋白质和数百个预计算片段地图、可药用热点和高质量水分布图的访问。用户还可以使用自己的结构或来自ProteinBank和AlphaFold DB的结构。BMaps在一个非常易于使用和自动化的网络应用程序中将传统工具与基于片段的设计相结合。
DrugAI
2023/10/04
3880
J. Chem. Inf. Model. | 基于片段的药物设计和化合物结合评估的网络应用程序
MIT 最新研究:AlphaFold 蛋白质预测能力太差,目前利用价值还很低
作者 | 李梅、黄楠 编辑 | 陈彩娴 2018 年,Deepmind 首次发布基于深度神经网络的蛋白质结构预测数据库 AlphaFold,在蛋白质预测中实现了最先进的性能;去年,AlphaFold 2 获得了 98.5% 的蛋白质预测率;前段时间,Deepmind 又重磅发布了数据集更新,称目前的 AlphaFold 已经预测了几乎所有已知的蛋白质。 如何有效识别药物作用机制在今天仍然是一个巨大挑战,计算对接的方法已被广泛用于预测药物结合靶点。有了大规模蛋白质结构预测技术,药物发现将变得更容易。所以,自
AI科技评论
2022/09/09
7440
MIT 最新研究:AlphaFold 蛋白质预测能力太差,目前利用价值还很低
Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法
本文介绍一篇来自浙江大学侯廷军教授、谢昌谕教授、潘培辰研究员和之江实验室陈广勇研究员团队联合发表的关于分子对接方法的论文。该文章提出了一种基于深度学习的分子对接模型,KarmaDock,可以快速且准确的预测蛋白配体结合构象及其结合强度。该方法通过混合密度函数学习蛋白配体间最优距离分布用于结合强度打分,并将其作为归纳偏置,利用融合自注意力机制的EGNN模型来迭代更新分子坐标从而预测蛋白配体间结合构象。KarmaDock跳过了传统分子对接软件的构象搜索阶段,极大提升了分子对接的速度(0.017 s/complex),适用于超大规模的虚拟筛选。
DrugAI
2023/09/23
1.8K0
Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法
Nature | 手把手教你搭建大规模药物虚拟筛选平台
目前,一个上市的药物平均需要花费20-30亿美元,并且需要10年左右的研发时间。大部分经费都花费在了昂贵且耗时的湿实验部分,初始Hits阳性率太低以及(临床前)阶段的高损耗率。使用基于结构的虚拟筛选,Hits质量随着筛选化合物的数量而提高。尽管存在大量的化合物数据库,但是缺乏有效的灵活的方式使用计算机集群进行大规模的SBDD的手段。本文介绍VirtualFlow,这是一个高度自动化的开源平台,可以有效的准备化合物库并进行超大规模的虚拟筛选。VirtualFlow能够使用各种强大对接程序。本文准备了目前已知的最大的免费使用的配体库,配体库包含了超过14亿个可商业购买的分子。VirtualFlow可以探索广阔的化学空间,并可以准确的识别与目标蛋白具有高亲和力的分子。
DrugScience
2021/02/04
4.4K0
Nature | 手把手教你搭建大规模药物虚拟筛选平台
Nat. Comput. Sci. | 基于拓扑表面和几何结构的3D分子生成方法
今天为大家介绍的是来自侯廷军教授团队的一篇论文。计算机辅助药物发现的一个重大挑战是高效地从头设计药物。虽然近年来已经开始有一些针对特定结构的三维分子生成方法,但多数方法并没有完全学习到决定分子形态和结合复合物稳定性的原子间互动细节。因此,很多模型难以为各种治疗目标生成合理的分子。为了解决这个问题,作者提出了一个名为SurfGen的模型。这个模型设计分子的方式就像锁和钥匙原理一样。SurfGen由两个等变神经网络组成,它们分别捕捉口袋表面的拓扑互动和配体原子与表面节点之间的空间互动。SurfGen在多个基准测试中的表现优于其他方法,并且对口袋结构的高敏感性为解决由突变引起的药物耐受性问题提供了有效的解决方案。
DrugAI
2023/10/24
7340
Nat. Comput. Sci. | 基于拓扑表面和几何结构的3D分子生成方法
ACS Cent. Sci. | 基于蛋白质结构的有机化学驱动配体设计
今天为大家介绍的是来自Didier Rognan团队的一篇论文。超大型化学空间正在革新早期药物发现中的命中率识别。由于其庞大的规模,这些化学空间无法被完全枚举,因此需要特定的计算工具来导航这些空间,并挑选出可能有趣的命中目标。作者在这里提出一种基于结构的方法来筛选超大型化学空间,首先将商业化学试剂对感兴趣的目标进行对接,然后根据有机化学和拓扑规则以在目标的三维约束条件下枚举出类药化合物。
DrugAI
2024/03/26
1880
ACS Cent. Sci. | 基于蛋白质结构的有机化学驱动配体设计
科研助攻 | 一文讲清:如何破解 PPI 靶点成药难题 | MedChemExpress (MCE)
蛋白-蛋白相互作用 (protein-protein interaction, PPI) 是生物体调控各类生命活动的重要基础,在信号传导、细胞增殖、细胞死亡等病理生理过程中发挥重要作用。据统计,在人类中有大约有 65 万种 PPI,这些 PPI 在细胞中形成一个复杂的网络 (又被称为相互作用组),以调控各类蛋白质的生物活性。
MedChemExpress
2024/06/27
1590
科研助攻 | 一文讲清:如何破解 PPI 靶点成药难题 | MedChemExpress (MCE)
Nat. Protoc. | 基于结构的虚拟筛选指南
基于结构的虚拟筛选已经被广泛用于发现各种治疗靶点的活性分子。随着公开的化学品和蛋白质数据集数量和规模的增加,这些数据集中也包含了越来越多的生物活性数据。人工智能尤其是机器学习,包括深度学习,已经成功利用这些数据集为具有三维原子结构信息的靶点建立虚拟筛选所需的评分函数。这些针对特定靶点训练的机器学习评分函数通常优于传统的普适性评分函数,代表了基于结构的虚拟筛选技术的最新进展。
DrugAI
2023/10/24
4280
Nat. Protoc. | 基于结构的虚拟筛选指南
利用AutoDock进行水分子参与的分子对接
水分子在配体-蛋白质相互作用中的作用至关重要,AutoDock开发小组的研究人员设计了一种新的力场,可以优化水分子参与的分子对接,使得AutoDock程序能够自动预测水分子介导的配体蛋白结合方式,该力场考虑了离散水分子对配体结合的熵和焓贡献,提高了能量估算精度和对接性能。该方法无需事先知道蛋白与水分子的水合状态,在基于结构的药物发现过程中具有较大的应用价值。本文对AutoDock的水合对接方法的精度进行了总结,并且提供了如何利用最新版AutoDock进行水分子参与的分子对接教程。
智药邦
2022/04/13
1.5K0
利用AutoDock进行水分子参与的分子对接
Nat. Commun. | RNAmigos2打造RNA结构筛选加速器
RNA 是一类尚未被充分开发的潜在药物靶点。传统的结构基础虚拟筛选(VS)依赖对结合位点的模拟对接,但在大规模分子库和RNA靶点中扩展性有限。为克服这一挑战,研究人员提出了一套面向RNA的结构驱动虚拟筛选流程,结合粗粒度三维建模、合成数据增强和RNA特有的自监督学习。该模型相较分子对接提速达一万倍,并在结构异构测试集中将活性化合物准确排入前2.8%。此外,该方法对结合位点变化具有鲁棒性,并在2万个化合物的体外筛选中成功识别出RNA核开关靶点,1%命中率下的平均富集因子为2.93。这是首个经实验证实、基于深度学习的RNA结构虚拟筛选成功案例。
DrugAI
2025/03/24
1410
Nat. Commun. | RNAmigos2打造RNA结构筛选加速器
Nat. Mach. Intell.|从虚拟筛选角度评估AI驱动的分子对接方法
本文介绍一篇来自浙江大学侯廷军教授和康玉副教授团队联合碳硅智慧发表的论文。该论文构建了一个全面的虚拟筛选(VS)数据集VSDS-vd,并系统评估了多种AI驱动的分子对接方法和传统的基于物理原理的对接方法在VS中的表现。评估结果显示,尽管AI对接方法在生成对接构象的物理合理性方面存在不足,特别是蛋白-配体间易出现立体冲突,且现有配体后处理方法未能有效缓解这一问题,但AI对接方法在VS中仍然展现出巨大潜力。基于评估结果,作者创造性地提出了一种层级式VS策略,该策略在筛选速度和精度两方面实现了动态平衡,为大规模药物筛选应用提供了极具前景的新途径。
DrugAI
2025/02/18
2740
Nat. Mach. Intell.|从虚拟筛选角度评估AI驱动的分子对接方法
榕树集–大规模分子对接指南
基于结构的大型化合物库对接筛选已经成为早期药物的常见方法。随着计算资源的增加和化合物库的扩大,对数亿甚至数十亿化合物进行筛选已经成为中小规模计算机集群的可行选择。在这里,作者概述了大规模对接之前进行靶点对接参数的评估策略,以及给予了一个基于褪黑素受体筛选的实例,获得的化合物活性在subnanomolar范围。并且提供了一些额外的参考因素用于确保hits的特异活性。虽然本文使用DOCK3.7进行对接,但是提供的策略和建议对于其余的对接软件也是适用的。
DrugScience
2023/11/22
4230
榕树集–大规模分子对接指南
Nat.Biotechnol. | 针对膜蛋白靶标的计算机辅助药物开发
今天为大家介绍的是来自Henning Stahlberg, Shuguang Yuan 和Horst Vogel团队的一篇综述。近年来,深度学习驱动的结构预测等进展使得计算生物学在膜蛋白靶标药物开发中的应用得到了显著推动。基于机器学习工具的最新蛋白质结构预测,为水溶性蛋白质和膜蛋白提供了出乎意料的可靠结果,但在开发针对膜蛋白靶点的药物时仍然存在局限性。膜蛋白的结构转变在跨膜信号传递中发挥着核心作用,常常受到治疗性化合物的影响。解决动态跨膜信号网络的结构与功能基础问题(特别是在原生膜或细胞环境中),仍然是药物开发面临的一个主要挑战。
DrugAI
2024/04/12
3080
Nat.Biotechnol. | 针对膜蛋白靶标的计算机辅助药物开发
接力AlphaFold!星药科技重磅发布TBind-开启分子蛋白复合物结构预测新纪元
继2018年、2020年的两代AlphaFold的横空出世后,蛋白质结构预测已经接近实验精度,为计算赋能药物研发领域打下了坚实基础。在药物研发漫长的研发环节中,分子与蛋白质的相互作用预测是下一个计算赋能药物研发领域的“圣杯”。近日,星药科技预发表了 Trigonometry Aware Neural NetworK for Drug-Protein Binding Structure Prediction。该模型是全球首个能同时预测小分子和靶蛋白三维结合构象和结合亲和力的深度表征学习框架,大幅超越现存方法的最好结果。TBind采用端到端的数据驱动范式,结合物理启发式的几何图神经网络,打通了复合物三维结合模式及结合强度的双重预测,实现了对国际商业分子对接软件精度和效率的双超越,为分子蛋白相互作用预测提供了国产首个突破性方案。继AlphaFold之后, 将计算驱动的药物研发带入新的纪元。
DrugAI
2022/06/10
1.2K0
接力AlphaFold!星药科技重磅发布TBind-开启分子蛋白复合物结构预测新纪元
JCIM|DENVIS:使用具有原子和表面蛋白口袋特征的图神经网络进行可扩展和高通量的虚拟筛选
2022年9月26日,希腊DeepLab的Krasoulis等人在Journal of Chemical Information and Modeling上发表文章。作者提出了DENVIS(DEep Neural VIrtual Screening),一种使用具有原子和表面蛋白袋特征的图神经网络进行可扩展和高通量虚拟筛选的新型算法。DENVIS使用原子和表面特征的组合进行蛋白质口袋建模,实现了具有竞争力的先进的虚拟筛选性能。
智药邦
2022/11/16
7710
JCIM|DENVIS:使用具有原子和表面蛋白口袋特征的图神经网络进行可扩展和高通量的虚拟筛选
推荐阅读
JCIM|MILCDock:用于药物发现中虚拟筛选的机器学习一致性对接
7700
Nat. Commun.|化学空间对接使基于结构的大规模虚拟筛选能够发现ROCK1激酶抑制剂
4490
基于结构的药物设计中的深度学习
8200
Drug Discov Today|化学分子指纹的概念和应用
3K0
Briefings in Bioinformatics | 一种提高蛋白质-小分子对接和筛选准确性的评分函数
1.2K0
J. Chem. Inf. Model. | 基于片段的药物设计和化合物结合评估的网络应用程序
3880
MIT 最新研究:AlphaFold 蛋白质预测能力太差,目前利用价值还很低
7440
Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法
1.8K0
Nature | 手把手教你搭建大规模药物虚拟筛选平台
4.4K0
Nat. Comput. Sci. | 基于拓扑表面和几何结构的3D分子生成方法
7340
ACS Cent. Sci. | 基于蛋白质结构的有机化学驱动配体设计
1880
科研助攻 | 一文讲清:如何破解 PPI 靶点成药难题 | MedChemExpress (MCE)
1590
Nat. Protoc. | 基于结构的虚拟筛选指南
4280
利用AutoDock进行水分子参与的分子对接
1.5K0
Nat. Commun. | RNAmigos2打造RNA结构筛选加速器
1410
Nat. Mach. Intell.|从虚拟筛选角度评估AI驱动的分子对接方法
2740
榕树集–大规模分子对接指南
4230
Nat.Biotechnol. | 针对膜蛋白靶标的计算机辅助药物开发
3080
接力AlphaFold!星药科技重磅发布TBind-开启分子蛋白复合物结构预测新纪元
1.2K0
JCIM|DENVIS:使用具有原子和表面蛋白口袋特征的图神经网络进行可扩展和高通量的虚拟筛选
7710
相关推荐
JCIM|MILCDock:用于药物发现中虚拟筛选的机器学习一致性对接
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档