Оценка качества прогноза анти-SARS-CoV-2 активности с помощью веб-сервиса D3Targets-2019-nCoV

##plugins.themes.bootstrap3.article.sidebar##

pdf html html (English) Supplementary
Опубликован: Dec 25, 2020
DOI: https://doi.org/10.18097/BMCRM00140
Ключевые слова:
тестирование качества веб-сервиса; поиск новых антикоронавирусных соединений; молекулярный докинг; оценка молекулярного подобия; SARS-CoV-2

##plugins.themes.bootstrap3.article.main##

Н.С. Ионов
Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича, 119121, Москва, ул. Погодинская, 10
П.В. Погодин
Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича, 119121, Москва, ул. Погодинская, 10
В.В. Поройков
Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича, 119121, Москва, ул. Погодинская, 10

Аннотация

Проведена оценка веб-сервиса D3Targets-2019-nCoV, позволяющего на основании структурного сходства и молекулярного докинга предсказывать взаимодействие химических соединений с белками вируса SARS-CoV-2 и белками человека, вовлеченными в патогенез COVID-19. Качество прогноза оценено как сбалансированная точность, которая была рассчитана по результатам прогноза для структур химических соединений из сформированной нами тестовой выборки. В тестовую выборку вошло 35 активных и 59 неактивных молекул, включающих в себя соединения с установленным отсутствием активности в отношении выбранных мишеней и соединения, активные по отношению к мишеням SARS-CoV-2, не представленным в базе данных CoViLigands. Авторами анализируемого веб-сервиса не указаны пороги значений оценки сходства и оценочной функции докинга, используя которые можно было бы достоверно разделить соединения на активные и неактивные по отношению к белкам-мишеням. Поэтому нами была проведена оценка сбалансированной точности прогностических методов D3Targets-2019-nCoV при различных порогах отсечения активных веществ от неактивных. С использованием сформированной нами выборки установлено, что наибольшее значение сбалансированной точности (0.59) достигается при выборе активных молекул по результатам оценки 2D сходства (порог отсечения равен 46%). Оценка 3D сходства не позволила достичь значений сбалансированной точности, превышающих 0.5. Показано, что при использовании рекомендуемой авторами интегральной оценки сходства 2Dх3D, максимальное значение сбалансированной точности (0.57) достигается при пороге, равном 31%. При расчёте сбалансированной точности для результатов молекулярного докинга показано, что она не превышает 0.51. На примере препарата тидеглусиб показано, что значения оценочной функции при докинге к двум белкам-мишеням, активность в отношении которых установлена в эксперименте (3CLpro и GSK3B), существенно не отличаются от значений оценочной функции докинга к остальным 44 белкам-мишеням, активность в отношении которых не подтверждена экспериментально.

##plugins.themes.bootstrap3.article.details##

Как цитировать
Ионов N., Погодин P., & Поройков V. (2020). Оценка качества прогноза анти-SARS-CoV-2 активности с помощью веб-сервиса D3Targets-2019-nCoV. Biomedical Chemistry: Research and Methods, 3(4), e00140. https://doi.org/10.18097/BMCRM00140
Выпуск
Том 3 № 4 (2020)
Раздел
ПРОТОКОЛЫ ЭКСПЕРИМЕНТОВ, ПОЛЕЗНЫЕ МОДЕЛИ, ПРОГРАММЫ И СЕРВИСЫ

Библиографические ссылки

  1. Sohrabi, C., Alsafi, Z., O’Neill, N., Khan, M., Kerwan, A., Al-Jabir, A., Iosifidis, C., & Agha, R. (2020) World Health Organization declares global emergency: A review of the 2019 novel coronavirus (COVID-19). International Journal of Surgery. DOI
  2. Coronavirus disease 2019 (COVID-19). Situation report – 134. Retrieved October 25, 2020, from https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports/
  3. Koronavirus – simptomy, priznaki, obshchaya informaciya, otvety na voprosy — Minzdrav Rossii. Retrieved October 25, 2020, from https://covid19.rosminzdrav.ru/
  4. Covid19db | ReDO Project. Retrieved June 9, 2020, from http://www.redo-project.org/covid19db/
  5. Poroikov, V., Druzhilovskiy, D. Drug Repositioning: New Opportunities for Older Drugs. In: In Silico Drug Design, 1st Edition. Repurposing Techniques and Methodologies. Chapter 1. Editors: Kunal Roy. Elsevier, Academic Press, 2019, p.3-17. https://www.elsevier.com/books/in-silico-drug-design/roy/978-0-12-816125-8
  6. Liu, C., Zhou, Q., Li, Y., Garner, L. V., Watkins, S. P., Carter, L. J., ... & Albaiu, D. (2020). Research and development on therapeutic agents and vaccines for COVID-19 and related human coronavirus diseases. DOI
  7. Vremennye metodicheskie rekomendacii. Retrieved June 3, 2020, from https://static-0.rosminzdrav.ru/system/attachments/attaches/000/050/584/original/03062020_%D0%9CR_COVID-19_v7.pdf
  8. Beigel, J. H., Tomashek, K. M., Dodd, L. E., Mehta, A. K., Zingman, B. S., Kalil, A. C., ... & de Castilla, D. L. (2020). Remdesivir for the treatment of Covid-19. New England Journal of Medicine. DOI
  9. Pan, H., Peto, R., Karim, Q. A., Alejandria, M., Restrepo, A. M. H., Garcia, C. H., ... & Reddy, S. (2020). Repurposed antiviral drugs for COVID-19; interim WHO SOLIDARITY trial results. medRxiv. DOI
  10. Shi, Y., Zhang, X., Mu, K., Peng, C., Zhu, Z., Wang, X., Yang, Y., Xu, Z., & others. (2020). D3Targets-2019-nCoV: A Web Server to Identify Potential Targets for Antivirals Against 2019-nCoV. DOI:10.1016/j.apsb.2020.04.006
  11. Open Babel. Retrieved June 12, 2020, from http://openbabel.org/wiki/Main_Page
  12. Getting Started with the RDKit in Python — The RDKit 2020.03.1 documentation. Retrieved June 12, 2020, from https://www.rdkit.org/docs/GettingStartedInPython.html#mmff1
  13. Halgren, T. A. (1996). Merck molecular force field. I. Basis, form, scope, parameterization, and performance of MMFF94. Journal of Computational Chemistry, 17(5–6), 490–519. DOI:10.1002/(SICI)1096-987X(199604)17:5/6<490::AID-JCC1>3.0.CO;2-P
  14. D3Targets-2019-nCoV (CoViLigands database). Retrieved June 26, 2020, from https://www.d3pharma.com/D3Targets-2019-nCoV/CoViLigands/2019-nCoV.php
  15. Zhu, Z., Wang, X., Yang, Y., Zhang, X., Mu, K., Shi, Y., Peng, C., Xu, Z., & others. (2020). D3Similarity: A ligand-based approach for predicting drug targets and for virtual screening of active compounds against COVID-19. DOI
  16. Trott, O., & Olson, A. J. (2010). AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. Journal of computational chemistry, 31(2), 455-461. DOI
  17. Wang, J., Peng, C., Yu, Y., Chen, Z., Xu, Z., Cai, T., ... & Zhu, W. (2020). Exploring conformational change of adenylate kinase by replica exchange molecular dynamic simulation. Biophysical Journal, 118(5), 1009-1018. DOI
  18. Gaulton, A., Hersey, A., Nowotka Michałand Bento, A. P., Chambers, J., Mendez, D., Mutowo, P., Atkinson, F., Bellis, L. J., Cibrián-Uhalte, E., & others. (2016). The ChEMBL database in 2017. Nucleic Acids Research, 45(D1), D945--D954. DOI
  19. Stanford Coronavirus Antiviral Research Database. Retrieved July 03, 2020, from https://covdb.stanford.edu/search/?compound=EIDD-2801
  20. Wermuth, C.G. Similarity in drugs: reflections on analogue design. Drug Discov. Today, 2006, 11 (7-8), 348-354. DOI
  21. Filimonov, D. A., Druzhilovskiy, D. S., Lagunin, A. A., Gloriozova, T. A., Rudik, A. V., Dmitriev, A. V., ... & Poroikov, V. V. (2018). Computer-aided prediction of biological activity spectra for chemical compounds: opportunities and limitations. Biomedical Chemistry: Research and Methods, 1(1), e00004-e00004. DOI
  22. Lagunin, A., Zakharov, A., Filimonov, D., & Poroikov, V. (2011). QSAR modelling of rat acute toxicity on the basis of PASS prediction. Molecular informatics, 30(23), 241-250. DOI
  23. Druzhilovskiy, D.S., Stolbov, L.A., Savosina, P.I., Pogodin, P.V., Filimonov, D.A., Veselovsky, A.V., Tarasova, N.I., Nicklaus, M.C., Poroikov, V.V. (2020). Computational approaches to identify a hidden pharmacological potential in large chemical libraries. Supercomputing Frontiers and Innovations, 2020, Accepted.
  24. Xie, J., Liang, R., Wang, Y., Huang, J., Cao, X., Niu, B. (2020). Progress in Target Drug Molecules for Alzheimer’s Disease. Current Topics in Medicinal Chemistry, 20(1), 4–36. DOI
  25. Jin, Z., Du, X., Xu, Y., Deng, Y., Liu, M., Zhao, Y., Zhang, B., Li, X., Zhang, L., Duan, Y., & others. (2020). Structure of Mpro from COVID-19 virus and discovery of its inhibitors. bioRxiv. DOI