Предсказание аффинности прогестинов к ядерному рецептору прогестерона на основе данных с коррекцией RBA

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

pdf html html (English)
Опубликован: Dec 25, 2018
DOI: https://doi.org/10.18097/BMCRM00080
Ключевые слова:
MM-PBSA; молекулярная динамика; молекулярный докинг; аффинность; рецептор прогестерона

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

А.В. Микурова
Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича, 119121, Москва, Погодинская ул. 10
В.С. Скворцов
Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича, 119121, Москва, Погодинская ул. 10

Аннотация

Проведено моделирование комплексов 3 наборов стероидных и нестероидных прогестинов с лиганд-связывающим доменом ядерного рецептора прогестерона. Для моделирования комплексов использовали процедуры молекулярного докинга, продолжительную по времени симуляцию молекулярной динамики и последующий анализ методом MM-PBSA (MM-GBSA). С использованием характеристик, полученных методом MM-PBSA, а также данных двух выборок стероидных соединений, полученных разными группами, было построено уравнение предсказания величины относительной связывающей активности (Relative Binding Affinity, RBA). Величина RBA была скорректирована таким образом, чтобы во всех выборках активность сравнивалась с активностью прогестерона. Третья выборка данных использовалась в качестве тестовой. Полученное уравнение показало, что результаты предсказания могут быть применены как к стероидным молекулам, так и к нестероидным прогестинам.

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

Как цитировать
Микурова A., & Скворцов V. (2018). Предсказание аффинности прогестинов к ядерному рецептору прогестерона на основе данных с коррекцией RBA. Biomedical Chemistry: Research and Methods, 1(4), e00080. https://doi.org/10.18097/BMCRM00080
Выпуск
Том 1 № 4 (2018)
Раздел
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

Библиографические ссылки

  1. Lagarde, N., Delahaye, S., Jérémie, A., Ben Nasr, N., Guillemain, H., Empereurmot, C., ... & Zagury, J. F. (2017). Discriminating agonist from antagonist ligands of the nuclear receptors using different chemoinformatics approaches. Molecular informatics, 36(10), 1700020. DOI
  2. de Ziegler, D., & Fanchin, R. (2000). Progesterone and progestins: applications in gynecology. Steroids, 65(10-11), 671-679. DOI
  3. Lundgren, S. (1992). Progestins in Breast Cancer Treatment: A Reveiw. Acta Oncologica, 31(7), 709-722.. DOI
  4. Bursi, R., & Groen, M. B. (2000). Application of (quantitative) structure–activity relationships to progestagens: from serendipity to structure-based design. European journal of medicinal chemistry, 35(9), 787-796.Hillisch A., von Langen J., Menzenbach B., Droescher P., Kaufmann G., Schneider B., Elger W. (2003) Steroids, 68, 869-878. DOI
  5. Hillisch, A., von Langen, J., Menzenbach, B., Droescher, P., Kaufmann, G., Schneider, B., & Elger, W. (2003). The significance of the 20-carbonyl group of progesterone in steroid receptor binding: a molecular dynamics and structure-based ligand design study. Steroids, 68(10-13), 869-878. DOI
  6. Fedyushkina I.V., Skvortsov V.S., Romero Reyes I.V., Levina I.S. (2013). Molecular docking and 3D-QSAR on 16a,17a-cycloalkanoprogesterone analogues as progesterone receptor ligands, Biomeditsinskaya khimiya, 2013, vol: 59(6), 622-635. DOI
  7. Cramer, R. D., Patterson, D. E., & Bunce, J. D. (1988). Comparative molecular field analysis (CoMFA). 1. Effect of shape on binding of steroids to carrier proteins. Journal of the American Chemical Society, 110(18), 5959-5967. DOI
  8. Massova, I., & Kollman, P. A. (2000). Combined molecular mechanical and continuum solvent approach (MM-PBSA/GBSA) to predict ligand binding. Perspectives in drug discovery and design, 18(1), 113-135.Van Helden, S. P., Hamersma, H., & Van Geerestein, V. J. (1996). In Genetic Algorithms in Molecular Modeling, 159-192. DOI
  9. Van Helden, S. P., Hamersma, H., & Van Geerestein, V. J. (1996). Prediction of the progesterone receptor binding of steroids using a combination of genetic algorithms and neural networks. In Genetic Algorithms in Molecular Modeling (pp. 159-192). DOI
  10. Söderholm, A. A., Lehtovuori, P. T., & Nyrönen, T. H. (2006). Docking and three-dimensional quantitative structure− activity relationship (3D QSAR) analyses of nonsteroidal progesterone receptor ligands. Journal of medicinal chemistry, 49(14), 4261-4268. DOI
  11. SYBYL-X 2.1. Certara, Princeton, NJ, USA.
  12. Halgren, T. A. (1996). Merck molecular force field. II. MMFF94 van der Waals and electrostatic parameters for intermolecular interactions. Journal of Computational Chemistry, 17(5‐6), 520-552. DOI
  13. Berman, H., Henrick, K., & Nakamura, H. (2003). Announcing the worldwide protein data bank. Nature Structural and Molecular Biology, 10(12), 980.
  14. Kuntz, I. D., Blaney, J. M., Oatley, S. J., Langridge, R., & Ferrin, T. E. (1982). A geometric approach to macromolecule-ligand interactions. Journal of molecular biology, 161(2), 269-288. DOI
  15. Case, D. A., Cheatham, T. E., Darden, T., Gohlke, H., Luo, R., Merz, K. M., ... & Woods, R. J. (2005). The Amber biomolecular simulation programs. Journal of computational chemistry, 26(16), 1668-1688. DOI
  16. Mikurova, A. V., Skvortsov, V. S., & Raevsky, O. A. (2018). Computational Evaluation of Selectivity of Inhibition of Muscarinic Receptors M1-M4. Biomedical Chemistry: Research and Methods, 1(3), e00072-e00072. DOI
  17. Federal Research Center Computer Science and Control of Russian Academy of Sciences [Electronic resource]: site. - Moscow: FRC CS RAS.- URL: (application date: 09/12/2018)http://hhpcc.frccsc.ru(application date: 09/12/2018)