#داروهای_پپتیدی
A Web Server and Mobile App for Computing Hemolytic Potency of Peptides
تعداد زیادی از داروهای پپتیدی که سنتز می شوند فقط به این دلیل وارد فاز کلینیکال و درمانی نمیشوند که فعالیت همولایتیکی ( hemolytic activity) بالایی دارند. لذا در این تحقیق دیتابیسی طراحی و پیشرفت داده شده است که پپتید هایی که فعالیت همولایتیک مناسب دارند را از پپتید هایی که فعالیت همولایتیکی مناسب ندارند جدا می کند. همچنین در کناراین وب سرور یک اپلیکشن موبایل نیز طراحی شده است که پپتید هایی که پتانسیل همولایتیک بالایی دارند را پیشگویی و screening می کند. در ابتدا دیتابیسی طراحی شده است که HemoPI-1 that نامیده میشود و حاوی 552 نمونه همولایتیک و 552 نمونه غیرهمولایتیک است. سپس آنالیزهای بعدی بر روی توالی این نمونه ها نشان داد که رزیدوهای خاصی مثل (e.g., L, K, F, W) و موتیف های (e.g., “FKK”, “LKL”, “KKLL”, “KWK”, “VLK”, “CYCR”, “CRR”, “RFC”, “RRR”, “LKKL”) بیشتر در پپتید های همولایتیک وجود دارند. بنابراین مدل های پیشرفته ای برای پپتید های همولایتیک و غیر همولایتیک با استفاده از تکنیک های یادگیری ماشین به دست آمده است که accuracy آن بیشتر از 95% است. همچنین در این تحقیق مدل های پیشرفته ایی برای پپتید هایی که پتانسیل همولایتیک پایین یا بالا دارند نیز به صورت دیتابیس طراحی شده اند که به ترتیب HemoPI-2 و HemoPI-3 نامیده می شوند. برای مثال در شکل زیر مثالی از نمونه های همولایتیک و غیر همولایتیک را برای HemoPI-2 dataset مشاهده میکنیم. برای کسب اطلاعات بیشتر می تواند این مقاله را به صورت کامل مطالعه فرمایید.
@computational_science
A Web Server and Mobile App for Computing Hemolytic Potency of Peptides
تعداد زیادی از داروهای پپتیدی که سنتز می شوند فقط به این دلیل وارد فاز کلینیکال و درمانی نمیشوند که فعالیت همولایتیکی ( hemolytic activity) بالایی دارند. لذا در این تحقیق دیتابیسی طراحی و پیشرفت داده شده است که پپتید هایی که فعالیت همولایتیک مناسب دارند را از پپتید هایی که فعالیت همولایتیکی مناسب ندارند جدا می کند. همچنین در کناراین وب سرور یک اپلیکشن موبایل نیز طراحی شده است که پپتید هایی که پتانسیل همولایتیک بالایی دارند را پیشگویی و screening می کند. در ابتدا دیتابیسی طراحی شده است که HemoPI-1 that نامیده میشود و حاوی 552 نمونه همولایتیک و 552 نمونه غیرهمولایتیک است. سپس آنالیزهای بعدی بر روی توالی این نمونه ها نشان داد که رزیدوهای خاصی مثل (e.g., L, K, F, W) و موتیف های (e.g., “FKK”, “LKL”, “KKLL”, “KWK”, “VLK”, “CYCR”, “CRR”, “RFC”, “RRR”, “LKKL”) بیشتر در پپتید های همولایتیک وجود دارند. بنابراین مدل های پیشرفته ای برای پپتید های همولایتیک و غیر همولایتیک با استفاده از تکنیک های یادگیری ماشین به دست آمده است که accuracy آن بیشتر از 95% است. همچنین در این تحقیق مدل های پیشرفته ایی برای پپتید هایی که پتانسیل همولایتیک پایین یا بالا دارند نیز به صورت دیتابیس طراحی شده اند که به ترتیب HemoPI-2 و HemoPI-3 نامیده می شوند. برای مثال در شکل زیر مثالی از نمونه های همولایتیک و غیر همولایتیک را برای HemoPI-2 dataset مشاهده میکنیم. برای کسب اطلاعات بیشتر می تواند این مقاله را به صورت کامل مطالعه فرمایید.
@computational_science
Two sample logos of hemolytic and non-hemolytic peptides of HemoPI-2 dataset @computational_science
Forwarded from Bioinformatics & Computational Biology
شبیه سازی دینامیک مولکولی ، طراحی پپتید و داروهای هدفمند
لینک گروه و کانال تخصصی بیولوژی محاسباتی و بیوانفورماتیک
https://telegram.me/joinchat/BP7D2zyFRAJTZgcOxXJA9A
@computational_science
لینک گروه و کانال تخصصی بیولوژی محاسباتی و بیوانفورماتیک
https://telegram.me/joinchat/BP7D2zyFRAJTZgcOxXJA9A
@computational_science
#داروهای_پپتیدی
Recent Development of Peptide Drugs and Advance on Theory and Methodology of Peptide Inhibitor Design
با توجه به سمیت پائین، سنتز آسان، حذف سریع و عوارض کمتر،مهارکننده های پپتیدی روز به روز بیشتر طراحی می شوند و در درمان تعداد زیادی از بیماری ها استفاده می شوند. در حال حاضر طراحی مواد دارویی به کمک کامپیوتر (CADD) روش قابل ملاحضه ای است و در حال توسعه است.در این تحقیق یک پپتید کوتاه طراحی شده است که به عنوان مهارکننده عمل می کند و همچنین واکسن پپتیدی برای سرطان، مهارکننده های پپتیدی برای HIV ، بیماری آلزایمر و بیماری های مرتبط دیگر طراحی می شوند.
پیشرفت های اخیر طراحی پپتید صورت گرفته است و نظریه های مهمی ارائه شده اند که در زیر مشاهده می کنیم:
مدول اول مدل اتصال پروتئین-پپتید انعطاف پذیر معرفی شده است، که در آن ساختار پپتید به عنوان زنجیره بخش انعطاف پذیر، با استفاده از الگوریتم ژنتیک و special force field parameters طراحی می شود.
مدل دوم “Wenxiang diagram” که برای تجزیه و تحلیل تعامل پروتئین-پپتید با موفقیت انجام می شود.
مدل سوم The “Distorted key” theory که یک روش موثر برای تبدیل مهرکننده پپتیدی به داروهای شیمیایی کوچک است.
مدل چهارم پیش بینی پپتید با استفاده ویژگی های آمینواسیدها و همچنین استفاده از (AABPP) که در دو سطح و از نوع پیش گویی QSAR prediction network صورت میگیرد که در واقع پیش گویی میزان فعالیت زیستی و دسترسی زیستی برای مهارکننده های پپتیدی را نشان می دهد.
و در نهایت مدل آخر اینکه انواع مختلفی از برهمکنش های مولکولی بین پروتئین-پپتیدی از جمله میانکنش های cation-π، میانکنش های قطبی hydrogen-π و میانکنش های π-π استکینگ خلاصه می شوند.
@computational_science
Recent Development of Peptide Drugs and Advance on Theory and Methodology of Peptide Inhibitor Design
با توجه به سمیت پائین، سنتز آسان، حذف سریع و عوارض کمتر،مهارکننده های پپتیدی روز به روز بیشتر طراحی می شوند و در درمان تعداد زیادی از بیماری ها استفاده می شوند. در حال حاضر طراحی مواد دارویی به کمک کامپیوتر (CADD) روش قابل ملاحضه ای است و در حال توسعه است.در این تحقیق یک پپتید کوتاه طراحی شده است که به عنوان مهارکننده عمل می کند و همچنین واکسن پپتیدی برای سرطان، مهارکننده های پپتیدی برای HIV ، بیماری آلزایمر و بیماری های مرتبط دیگر طراحی می شوند.
پیشرفت های اخیر طراحی پپتید صورت گرفته است و نظریه های مهمی ارائه شده اند که در زیر مشاهده می کنیم:
مدول اول مدل اتصال پروتئین-پپتید انعطاف پذیر معرفی شده است، که در آن ساختار پپتید به عنوان زنجیره بخش انعطاف پذیر، با استفاده از الگوریتم ژنتیک و special force field parameters طراحی می شود.
مدل دوم “Wenxiang diagram” که برای تجزیه و تحلیل تعامل پروتئین-پپتید با موفقیت انجام می شود.
مدل سوم The “Distorted key” theory که یک روش موثر برای تبدیل مهرکننده پپتیدی به داروهای شیمیایی کوچک است.
مدل چهارم پیش بینی پپتید با استفاده ویژگی های آمینواسیدها و همچنین استفاده از (AABPP) که در دو سطح و از نوع پیش گویی QSAR prediction network صورت میگیرد که در واقع پیش گویی میزان فعالیت زیستی و دسترسی زیستی برای مهارکننده های پپتیدی را نشان می دهد.
و در نهایت مدل آخر اینکه انواع مختلفی از برهمکنش های مولکولی بین پروتئین-پپتیدی از جمله میانکنش های cation-π، میانکنش های قطبی hydrogen-π و میانکنش های π-π استکینگ خلاصه می شوند.
@computational_science
📍کنفرانس علوم پروتئینی (دانشگاه اصفهان)
مهلت ارسال چکیده مقالات تا ۳۱ فروردین ۱۳۹۵ تمدید شد:
http://ui.cnf.ir/pps/fa/
مهلت ارسال چکیده مقالات تا ۳۱ فروردین ۱۳۹۵ تمدید شد:
http://ui.cnf.ir/pps/fa/
#روش_های_محاسباتی
#داکینگ_مولکولی
داکینگ مولکولی به ابزاری مهم برای کشف دارو تبدیل شده و نیز در طراحی دارو بر اساس ساختار، روشی رایجی است که از اوایل 1980 به طور گستردهای مورد استفاده قرار میگیرد. روش داکینگ مولکولی را میتوان برای تعامل بین یک مولکول کوچک و پروتئین در سطح اتمی جهت توصیف رفتار مولکولهای کوچک در محل اتصال پروتئینهای هدف و نیز برای توضیح فرایندهای بیوشیمیایی استفاده کرد. اساساً هدف از داکینگ مولکولی دستیابی به یک پیش¬بینی ساختار پیچیده¬ی لیگاند-گیرنده با استفاده از روش¬های محاسباتی میباشد. در شکل زیر داکینگ بین دو مولکول پروتئین و لیگاند را مشاهده می کنیم.
@computational_science
#داکینگ_مولکولی
داکینگ مولکولی به ابزاری مهم برای کشف دارو تبدیل شده و نیز در طراحی دارو بر اساس ساختار، روشی رایجی است که از اوایل 1980 به طور گستردهای مورد استفاده قرار میگیرد. روش داکینگ مولکولی را میتوان برای تعامل بین یک مولکول کوچک و پروتئین در سطح اتمی جهت توصیف رفتار مولکولهای کوچک در محل اتصال پروتئینهای هدف و نیز برای توضیح فرایندهای بیوشیمیایی استفاده کرد. اساساً هدف از داکینگ مولکولی دستیابی به یک پیش¬بینی ساختار پیچیده¬ی لیگاند-گیرنده با استفاده از روش¬های محاسباتی میباشد. در شکل زیر داکینگ بین دو مولکول پروتئین و لیگاند را مشاهده می کنیم.
@computational_science
#روش_های_محاسباتی
#داکینگ_مولکولی
فرایند داکینگ شامل سه فاز اصلی است. فاز یک، مرحله نمونه¬ گیری، شامل ایجاد کانفورماسیون¬های مختلف لیگاند و بررسی جهت¬ گیری آنها نسبت به جایگاه فعال رسپتور است. وقتی انعطاف¬ پذیری رسپتور هم مد نظر باشد، فاز نمونه¬ گیری شامل تغییرات کانفورماسیونی رسپتور نیز می¬شود. در فاز دوم، مرحله امتیازدهی، تمایل اتصال لیگاند به رسپتور تخمین ¬زده می¬شود. وقتی که داکینگ در جستجوی مجازی ترکیبات یک کتابخانه مجازی مورد استفاده قرار می¬گیرد، ترکیبات براساس حالت با بهترین امتیاز دسته ¬بندی می¬شوند (مرحله رتبه¬ بندی). امتیاز اختصاص یافته به هر حالت براساس ارزیابی تابع امتیازدهی که اغلب انرژی آزاد اتصال لیگاند-رسپتور را نشان می¬دهد بدست می¬آید. اغلب الگوریتم¬های امتیازدهی بر ویژگی¬های آنتالپی سیستم متمرکز شده¬اند در حالیکه اثرات آنتروپی نیز در اتصال مولکول¬ها به یکدیگر نقش دارند. در اکثر موارد نرم¬ افزارهای داکینگ ساده¬ ترین حالت نمایش رسپتور را با صرف نظر از انعطاف¬ پذیری آن و همچنین نادیده گرفتن مولکول¬های حلال با هدف کاهش حجم محاسبات به کار می برند. تابع امتیازدهی یکی از مفاهیم اصلی در داکینگ مولکولی است. این تابع الگوریتم داکینگ را قادر می¬ سازد تا با سرعت کمیت برهم¬کنش بین لیگاند و رسپتور را بیان کند. در طول فاز نمونه¬ برداری الگوریتم داکینگ کانفورماسیون¬های مختلفی از لیگاند را در جایگاه فعال رسپتور جای می¬دهد و براساس تابع امتیازدهی آنها را رتبه¬ بندی می¬کند. در حالت ایده¬ آل یک تابع امتیازدهی بهترین امتیاز (منفی¬ ترین انرژی آزاد اتصال لیگاند و رسپتور) را به کانفورماسیونی از لیگاند متصل به رسپتور اختصاص می¬دهد که از لحاظ انرژی در بهترین حالت خود باشد. یکی از روش¬های اندازه¬ گیری کارایی الگوریتم داکینگ مولکولی، بررسی قدرت نرم ¬افزار در پیش-بینی نحوه اتصال لیگاند کریستالوگرافی به همان رسپتور است که از طریق تعریف ریشه میانگین مربعات انحراف از حالت گریستالوگرافی اندازه¬ گیری می¬شود. اگرچه کیفیت دسته¬ بندی براساس RMSD در مورد مولکول¬های کوچک و بزرگ مشکل¬ساز است، این روش به طور گسترده به عنوان معیاری برای تعریف موفقیت یا شکست الگوریتم داکینگ به کاربرده می-شود. معیار دوم برای سنجش کارایی الگوریتم داکینگ مولکولی توانایی آن در پیش¬بینی تمایل اتصال لیگاندهای مختلف (انرژی آزاد پیوند شدن) است. چون مقیاس امتیازدهی داکینگ معمولا در محدوده داده¬های تجربی نیست، اغلب ارتباط بین امتیاز داکینگ xi و داده¬های تجربی yi با استفاده از ضریب ارتباطی پیرسون CPبیان می¬شود.
نتایج بدست امده از داکینگ شامل اشکال 3 بعدی از لیگاند متصل شده به ماکرومولکول می باشد که می توان با ابزار های مشاهد گر مانند pymol و rasmol مشاهده کرد و میتوان در بدست اوردن بهترین حالت از لیگاند برای اینترکشن با ماکرو مولکول به ما کمک کند.
@computational_science
#داکینگ_مولکولی
فرایند داکینگ شامل سه فاز اصلی است. فاز یک، مرحله نمونه¬ گیری، شامل ایجاد کانفورماسیون¬های مختلف لیگاند و بررسی جهت¬ گیری آنها نسبت به جایگاه فعال رسپتور است. وقتی انعطاف¬ پذیری رسپتور هم مد نظر باشد، فاز نمونه¬ گیری شامل تغییرات کانفورماسیونی رسپتور نیز می¬شود. در فاز دوم، مرحله امتیازدهی، تمایل اتصال لیگاند به رسپتور تخمین ¬زده می¬شود. وقتی که داکینگ در جستجوی مجازی ترکیبات یک کتابخانه مجازی مورد استفاده قرار می¬گیرد، ترکیبات براساس حالت با بهترین امتیاز دسته ¬بندی می¬شوند (مرحله رتبه¬ بندی). امتیاز اختصاص یافته به هر حالت براساس ارزیابی تابع امتیازدهی که اغلب انرژی آزاد اتصال لیگاند-رسپتور را نشان می¬دهد بدست می¬آید. اغلب الگوریتم¬های امتیازدهی بر ویژگی¬های آنتالپی سیستم متمرکز شده¬اند در حالیکه اثرات آنتروپی نیز در اتصال مولکول¬ها به یکدیگر نقش دارند. در اکثر موارد نرم¬ افزارهای داکینگ ساده¬ ترین حالت نمایش رسپتور را با صرف نظر از انعطاف¬ پذیری آن و همچنین نادیده گرفتن مولکول¬های حلال با هدف کاهش حجم محاسبات به کار می برند. تابع امتیازدهی یکی از مفاهیم اصلی در داکینگ مولکولی است. این تابع الگوریتم داکینگ را قادر می¬ سازد تا با سرعت کمیت برهم¬کنش بین لیگاند و رسپتور را بیان کند. در طول فاز نمونه¬ برداری الگوریتم داکینگ کانفورماسیون¬های مختلفی از لیگاند را در جایگاه فعال رسپتور جای می¬دهد و براساس تابع امتیازدهی آنها را رتبه¬ بندی می¬کند. در حالت ایده¬ آل یک تابع امتیازدهی بهترین امتیاز (منفی¬ ترین انرژی آزاد اتصال لیگاند و رسپتور) را به کانفورماسیونی از لیگاند متصل به رسپتور اختصاص می¬دهد که از لحاظ انرژی در بهترین حالت خود باشد. یکی از روش¬های اندازه¬ گیری کارایی الگوریتم داکینگ مولکولی، بررسی قدرت نرم ¬افزار در پیش-بینی نحوه اتصال لیگاند کریستالوگرافی به همان رسپتور است که از طریق تعریف ریشه میانگین مربعات انحراف از حالت گریستالوگرافی اندازه¬ گیری می¬شود. اگرچه کیفیت دسته¬ بندی براساس RMSD در مورد مولکول¬های کوچک و بزرگ مشکل¬ساز است، این روش به طور گسترده به عنوان معیاری برای تعریف موفقیت یا شکست الگوریتم داکینگ به کاربرده می-شود. معیار دوم برای سنجش کارایی الگوریتم داکینگ مولکولی توانایی آن در پیش¬بینی تمایل اتصال لیگاندهای مختلف (انرژی آزاد پیوند شدن) است. چون مقیاس امتیازدهی داکینگ معمولا در محدوده داده¬های تجربی نیست، اغلب ارتباط بین امتیاز داکینگ xi و داده¬های تجربی yi با استفاده از ضریب ارتباطی پیرسون CPبیان می¬شود.
نتایج بدست امده از داکینگ شامل اشکال 3 بعدی از لیگاند متصل شده به ماکرومولکول می باشد که می توان با ابزار های مشاهد گر مانند pymol و rasmol مشاهده کرد و میتوان در بدست اوردن بهترین حالت از لیگاند برای اینترکشن با ماکرو مولکول به ما کمک کند.
@computational_science
#داکینگ_مولکولی
مقدمه
Docking (molecular)
داکینگ مولکولی روشی است که انرژی اتصال بین دو مولکول را به خوبی مشخص می کند. در واقع مطالعات داکینگ مولکولی برای تعیین متقابل اتصال دو مولکول مورد نظر و پیدا کردن بهترین جهت اتصال لیگاند با انرژی حداقل است.نتایج به دست آمده که کم ترین میزان انرژی را دارند می توانند به مقادیر عددی و کمی تبدیل شوند که این مقادیر کمی را می توان به صورت اطلاعات 3 بعدی از پروتئین-لیگاند تبدیل کرد و با نرم افزار های مناسب مثل rasmol و pymol مشاهده کرد.
در انجام فرایند داکینگ بین دو مولکول معمولا میانکنش هایی بین دو مولکول مورد نظر ایجاد می شود که به دست آوردن بهترین حالت اتصال که کمترین انرژی اتصال را دارد با استفاده از این میانکنش ها(force field) به دست می آید.
@computational_science
مقدمه
Docking (molecular)
داکینگ مولکولی روشی است که انرژی اتصال بین دو مولکول را به خوبی مشخص می کند. در واقع مطالعات داکینگ مولکولی برای تعیین متقابل اتصال دو مولکول مورد نظر و پیدا کردن بهترین جهت اتصال لیگاند با انرژی حداقل است.نتایج به دست آمده که کم ترین میزان انرژی را دارند می توانند به مقادیر عددی و کمی تبدیل شوند که این مقادیر کمی را می توان به صورت اطلاعات 3 بعدی از پروتئین-لیگاند تبدیل کرد و با نرم افزار های مناسب مثل rasmol و pymol مشاهده کرد.
در انجام فرایند داکینگ بین دو مولکول معمولا میانکنش هایی بین دو مولکول مورد نظر ایجاد می شود که به دست آوردن بهترین حالت اتصال که کمترین انرژی اتصال را دارد با استفاده از این میانکنش ها(force field) به دست می آید.
@computational_science
#داکینگ_مولکولی
میانکنش های درگیر
این میانکنش های بین 2 مولکول شامل 4 مورد زیر است:
1-نیروهای الکترواستاتیکElectrostatic forces - Forces)) که معمولا بین دو مولکول صورت می گیرند و شامل انواع نیروهای بار-بار، بار-دوقطبی و نیروهای دوقطبی-دوقطبی هستند.
2-نیروهای الکتروداینامیک(Electrodynamics forces) که عموما به نیروهای واندروالس معروف هستند.
3-نیروهای فضایی Steric forces))، این نیروها نیروهایی هستند که در اتم های مولکول های مختلف در اثر نزدیکی زیاد به یکدیگر به وجود می آیند و منجر به ایجاد واکنش می شوند و در نهایت انرژی اتصال را تحت تاثیر قرار می دهند.
4- نیروهای مرتبط با حلال (Solvent-related forces) که این نیروها در اثر واکنش شیمیایی بین مولکول های پروتئین یا لیگاند با مولکول های آب (حلال) به وجود می آیند.
تمام این نیروهای ذکر شده یک ویژگی مشترک دارند این ویژگی مشترک ماهیت الکترواستاتیکی این نیروها است.
@computational_science
میانکنش های درگیر
این میانکنش های بین 2 مولکول شامل 4 مورد زیر است:
1-نیروهای الکترواستاتیکElectrostatic forces - Forces)) که معمولا بین دو مولکول صورت می گیرند و شامل انواع نیروهای بار-بار، بار-دوقطبی و نیروهای دوقطبی-دوقطبی هستند.
2-نیروهای الکتروداینامیک(Electrodynamics forces) که عموما به نیروهای واندروالس معروف هستند.
3-نیروهای فضایی Steric forces))، این نیروها نیروهایی هستند که در اتم های مولکول های مختلف در اثر نزدیکی زیاد به یکدیگر به وجود می آیند و منجر به ایجاد واکنش می شوند و در نهایت انرژی اتصال را تحت تاثیر قرار می دهند.
4- نیروهای مرتبط با حلال (Solvent-related forces) که این نیروها در اثر واکنش شیمیایی بین مولکول های پروتئین یا لیگاند با مولکول های آب (حلال) به وجود می آیند.
تمام این نیروهای ذکر شده یک ویژگی مشترک دارند این ویژگی مشترک ماهیت الکترواستاتیکی این نیروها است.
@computational_science
#داکینگ_مولکولی
داکینگ مولکولی را می توان به 2 بخش جداگانه تقسیم کرد:
1- الگوریتم جستجو (Search algorithm) ، این الگوریتم می تواند کنفورماسیون بهینه و مناسب را بین 2 مولکول تعیین کند و بهترین جهت گیری اتصال را پیدا می کند. انواع الگوریتم هایی که به این منظور استفاده می شوند شامل موارد زیر می شوند:
• داینامیک مولکولی ( Molecular dynamics )
• روش مونت کارلو (Monte Carlo methods )
• الگوریتم های ژنتیک (Genetic algorithms)
• روش های مبتنی بر قطعه (Fragment-based methods)
• روش های مکمل نقطه (Point complementary methods )
• روش های هندسه فاصله (Distance geometry methods)
• جستجوی سیستماتیک (Systematic searches )
2- توابع امتیاز دهی (Scoring function) ، این روش های ریاضی برای پیش بینی قدرت تعامل غیرکوالانسی بین 2 مولکول مورد نظر به کار می رود. برای مثال می توان 2 تابع امتیاز دهی زیر بیان کرد:
• Empirical scoring function of Igemdock
Fitness = vdW + Hbond + Elec
• Binding Energy
∆G bind = ∆Gvdw + ∆Ghbond + ∆Gelect + ∆Gconform + ∆G tor + ∆G sol
@computational_science
داکینگ مولکولی را می توان به 2 بخش جداگانه تقسیم کرد:
1- الگوریتم جستجو (Search algorithm) ، این الگوریتم می تواند کنفورماسیون بهینه و مناسب را بین 2 مولکول تعیین کند و بهترین جهت گیری اتصال را پیدا می کند. انواع الگوریتم هایی که به این منظور استفاده می شوند شامل موارد زیر می شوند:
• داینامیک مولکولی ( Molecular dynamics )
• روش مونت کارلو (Monte Carlo methods )
• الگوریتم های ژنتیک (Genetic algorithms)
• روش های مبتنی بر قطعه (Fragment-based methods)
• روش های مکمل نقطه (Point complementary methods )
• روش های هندسه فاصله (Distance geometry methods)
• جستجوی سیستماتیک (Systematic searches )
2- توابع امتیاز دهی (Scoring function) ، این روش های ریاضی برای پیش بینی قدرت تعامل غیرکوالانسی بین 2 مولکول مورد نظر به کار می رود. برای مثال می توان 2 تابع امتیاز دهی زیر بیان کرد:
• Empirical scoring function of Igemdock
Fitness = vdW + Hbond + Elec
• Binding Energy
∆G bind = ∆Gvdw + ∆Ghbond + ∆Gelect + ∆Gconform + ∆G tor + ∆G sol
@computational_science
#داکینگ_مولکولی
انواع داکینگ:
1- Lock and Key or Rigid Docking
در این حالت هندسه و ساختار هر دو مولکول لیگاند و پروتئین ثابت و rigid نگه داشته می شوند.
2- Induced fit or Flexible Docking
در این نوع داکینگ لیگاند انعطاف پذیر نگه داشته می شود. و انرژی اتصال بین کنفورماسیون های مختلف لیگاند و پروتئین ثابت، محاسبه می شود.هر چند این حالت نسبت به حالت قبلی وقت گیرتر است ولی میانکنش های بین کنفورماسیون های مختلف لیگاند و پروتئین را محاسبه می کند و قابل اطمینان تر است.
@computational_science
#داکینگ_مولکولی
مراحل اصلی داکینگ ملکولی:
• مرحله اول: Building the Receptor
در این مرحله ساختار 3 بعدی مورد نظر باید از وب سایت PDB دانلود شود و تغییر داده شود. مثلا مولکول های آب از حفره ها حذف شود.
• مرحله دوم: Identification of the Active Site
بعد اینکه مولکول رسپتور ساخته شد باید جایگاههای فعال مولکول مورد نظر تعریف شوند.ممکن است مولکول مورد نظر چند جایگاه فعال داشته باشد که در این حالت باید یکی ازآنها که مناسب است انتخاب شود.
• مرحله سوم: Ligand Preparation
لیگاند می تواند از دیتابیس های مختلف مثل ZINC, PubChem به دست آید و یا ابزارهایی مثل Chemsketch طراحی و ترسیم شود.
• مرحله چهارم: Docking
در این مرحله لیگاند مورد نظر بر روی گیرنده داک می شود و فعل و انفعالات بررسی می شوند و با توجه به امتیاز دهی بهترین حالت اتصال به دست می آید.
@computational_science
انواع داکینگ:
1- Lock and Key or Rigid Docking
در این حالت هندسه و ساختار هر دو مولکول لیگاند و پروتئین ثابت و rigid نگه داشته می شوند.
2- Induced fit or Flexible Docking
در این نوع داکینگ لیگاند انعطاف پذیر نگه داشته می شود. و انرژی اتصال بین کنفورماسیون های مختلف لیگاند و پروتئین ثابت، محاسبه می شود.هر چند این حالت نسبت به حالت قبلی وقت گیرتر است ولی میانکنش های بین کنفورماسیون های مختلف لیگاند و پروتئین را محاسبه می کند و قابل اطمینان تر است.
@computational_science
#داکینگ_مولکولی
مراحل اصلی داکینگ ملکولی:
• مرحله اول: Building the Receptor
در این مرحله ساختار 3 بعدی مورد نظر باید از وب سایت PDB دانلود شود و تغییر داده شود. مثلا مولکول های آب از حفره ها حذف شود.
• مرحله دوم: Identification of the Active Site
بعد اینکه مولکول رسپتور ساخته شد باید جایگاههای فعال مولکول مورد نظر تعریف شوند.ممکن است مولکول مورد نظر چند جایگاه فعال داشته باشد که در این حالت باید یکی ازآنها که مناسب است انتخاب شود.
• مرحله سوم: Ligand Preparation
لیگاند می تواند از دیتابیس های مختلف مثل ZINC, PubChem به دست آید و یا ابزارهایی مثل Chemsketch طراحی و ترسیم شود.
• مرحله چهارم: Docking
در این مرحله لیگاند مورد نظر بر روی گیرنده داک می شود و فعل و انفعالات بررسی می شوند و با توجه به امتیاز دهی بهترین حالت اتصال به دست می آید.
@computational_science
#داکینگ_مولکولی
لیست نرم افزارهای موجود برای داکینگ پروتئین-لیگاند
1-Click Docking
AADS
ADAM
AutoDock
AutoDock Vina
BetaDock
Blaster
BSP-SLIM
DARWIN
DIVALI
DOCK
DockingServer
DockVision
EADock
eHiTS
EUDOC
FDS
FlexX
FlexAID
YUCCA
VoteDock
FlexPepDock
FLIPDock
FLOG
FRED
FTDOCK
GEMDOCK
Glide
GOLD
GPCRautomodel
HADDOCK
Hammerhead
ICM-Dock
idTarget
iScreen
Lead finder
LigandFit
LigDockCSA
LIGIN
LPCCSU
SwissDock
MCDOCK
MEDock
MolDock
MS-DOCK
ParDOCK
PatchDock
PLANTS
PLATINUM
PRODOCK
PSI-DOCK
PSO@AUTODOCK
PythDock
Q-Dock
QXP
rDock
SANDOCK
Score
SODOCK
SOFTDocking
Surflex-Dock
@computational_science
لیست نرم افزارهای موجود برای داکینگ پروتئین-لیگاند
1-Click Docking
AADS
ADAM
AutoDock
AutoDock Vina
BetaDock
Blaster
BSP-SLIM
DARWIN
DIVALI
DOCK
DockingServer
DockVision
EADock
eHiTS
EUDOC
FDS
FlexX
FlexAID
YUCCA
VoteDock
FlexPepDock
FLIPDock
FLOG
FRED
FTDOCK
GEMDOCK
Glide
GOLD
GPCRautomodel
HADDOCK
Hammerhead
ICM-Dock
idTarget
iScreen
Lead finder
LigandFit
LigDockCSA
LIGIN
LPCCSU
SwissDock
MCDOCK
MEDock
MolDock
MS-DOCK
ParDOCK
PatchDock
PLANTS
PLATINUM
PRODOCK
PSI-DOCK
PSO@AUTODOCK
PythDock
Q-Dock
QXP
rDock
SANDOCK
Score
SODOCK
SOFTDocking
Surflex-Dock
@computational_science
#نرم_افزارهای_مفید
FRODOCK 2.0: fast protein–protein docking server (2016)
پیش بینی کمپلکس های پروتئین-پروتئین از ساختارهایی اولیه یک چالش بسیار قوی ومهم در درک فرایندهای زیستی است.در این مقاله یک سرور کاربر پسند برای داکینگ پروتئینی که به عنوان نسخه پیشرفته است و FRODOCK نام دارد. این وب سرور حاوی ابزارهای بسیار کارآمد است و به منظور انتخاب مدل های پروتئین-پروتئین به کار می رود. میزان web interface بسیار بالا است و برای همه ی مرورگرهای ویندوز پاسخ گو است. این سرور به صورت خودکار و با دریافت 2 فایل PDB داکینگ پروتئین-پروتئین را انجام می دهد. در این سرور کاربر می تواند نوع اینترکشن های بین 2 مولکول را نیز انتخاب کند که این امر باعث می شود که نرخ داکینگ به خوبی صورت بگیرد. و سپس بعد از چند دقیقه نتایج داکینگ در صفحه نمایش داده می شود. که شامل روابط گرافیکی برای انتخاب یا بازیابی مدل های تولید شده است.که در شکل زیر مشاهده می کنیم. در این تصویر که خروجی سرور FRODOCK است مولکول های لیگاند و پروتئین در اینترکشن با هم نمایش داده شده اند و همچنین مولکول های حلال نیز نمایش داده شده اند. علاوه بر این یک سری اطلاعات تکمیلی و جزئی نیز در صفحه نتایج نمایش داده می شوند.
به طور کلی مزیت این وب سرور داکینگ این است که عمل داکینگ آن دقیق تر و قابل اعتماد تر است و جزئیات بیشتری در خروجی و نتایج به ما می دهد. همچنین در این سرور سرعت داک کردن مولکول ها نیز بالا است و حدود چند دقیقه طول می کشد. برای کسب اطلاعات بیشتر می توانید مقاله مورد نظر را مطالعه فرمایید.
@computational_science
FRODOCK 2.0: fast protein–protein docking server (2016)
پیش بینی کمپلکس های پروتئین-پروتئین از ساختارهایی اولیه یک چالش بسیار قوی ومهم در درک فرایندهای زیستی است.در این مقاله یک سرور کاربر پسند برای داکینگ پروتئینی که به عنوان نسخه پیشرفته است و FRODOCK نام دارد. این وب سرور حاوی ابزارهای بسیار کارآمد است و به منظور انتخاب مدل های پروتئین-پروتئین به کار می رود. میزان web interface بسیار بالا است و برای همه ی مرورگرهای ویندوز پاسخ گو است. این سرور به صورت خودکار و با دریافت 2 فایل PDB داکینگ پروتئین-پروتئین را انجام می دهد. در این سرور کاربر می تواند نوع اینترکشن های بین 2 مولکول را نیز انتخاب کند که این امر باعث می شود که نرخ داکینگ به خوبی صورت بگیرد. و سپس بعد از چند دقیقه نتایج داکینگ در صفحه نمایش داده می شود. که شامل روابط گرافیکی برای انتخاب یا بازیابی مدل های تولید شده است.که در شکل زیر مشاهده می کنیم. در این تصویر که خروجی سرور FRODOCK است مولکول های لیگاند و پروتئین در اینترکشن با هم نمایش داده شده اند و همچنین مولکول های حلال نیز نمایش داده شده اند. علاوه بر این یک سری اطلاعات تکمیلی و جزئی نیز در صفحه نتایج نمایش داده می شوند.
به طور کلی مزیت این وب سرور داکینگ این است که عمل داکینگ آن دقیق تر و قابل اعتماد تر است و جزئیات بیشتری در خروجی و نتایج به ما می دهد. همچنین در این سرور سرعت داک کردن مولکول ها نیز بالا است و حدود چند دقیقه طول می کشد. برای کسب اطلاعات بیشتر می توانید مقاله مورد نظر را مطالعه فرمایید.
@computational_science
#نرم_افزارهای_مفید FRODOCK 2.0 @computational_science