使用全原子分子动力学和机器学习破译CBL-B抑制剂的选择性
Feng Zhou1, Haolin Du1, Yang Wang1
1Beijing StoneWise Technology Co Ltd., Haidian Street #15, Haidian District, Beijing 100080, China.
ACS medicinal chemistry letters
|July 17, 2024
概括
这项研究使用分子动力学和机器学习来了解CBL-B和C-CBL蛋白如何与配体结合. 确定了关键的氨基酸,指导了更有选择性的药物的设计.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药理学 药理学是指药理学的学科.
背景情况:
- CBL-B和C-CBL是相关的蛋白质,具有不同的结合特性.
- 了解它们的连接体相互作用对于药物发现至关重要.
研究的目的:
- 阐明控制CBL-B和C-CBL结合亲和力和选择性的动态特征.
- 为了确定关键的分子决定体相互作用和解离路径的关键分子决定因素.
主要方法:
- 加快分子动力学模拟.
- 机器学习模型用于预测解离速率常数 (koff).
- 分子力学与一般化Born和表面积解法 (MM/GBSA) 结合自由能计算.
主要成果:
- 考夫的预测模型与实验IC50值显示了中度的相关性.
- 结合口袋和解离途径中的关键氨基酸被确定为活性和选择性的关键.
- 从统计学上显著的氨基酸有助于CBL-B和C-CBL之间的结构差异.
- MM/GBSA计算显示了两种蛋白质之间重要的结合性自由能量差异 (ΔG).
结论:
- 该研究成功地确定了负责CBL-B和C-CBL的差异结合的关键氨基酸.
- 预测的koff值和确定的氨基酸为设计高度选择性的药物提供了宝贵的见解.
- 综合计算方法为理解蛋白质 - 连接体相互作用提供了一个强大的框架.


