In silico скрининг потенциальных ингибиторов SARS-CoV-2, блокирующих тример HR1 белка S коронавируса

Андрианов А. М.; Фурс К. В.; Юшкевич А. М.; Гончар А. В.; Тузиков А. В.

In silico скрининг потенциальных ингибиторов SARS-CoV-2, блокирующих тример HR1 белка S коронавируса

Андрианов А. М., Фурс К. В., Юшкевич А. М., Гончар А. В., Тузиков А. В.

2022

https://doi.org/10.29235/1561-8323-2022-66-2-156-166

Сформирована виртуальная библиотека биологически активных молекул и осуществлен in silico скрининг низкомолекулярных химических соединений – потенциальных ингибиторов SARS-CoV-2, способных связываться с тримером HR1 белка S и блокировать образование 6-спирального пучка 6-HB (six-helix bundle), критического для слияния мембран вируса и клетки-мишени и его инфективности. Методами молекулярного моделирования выполнена оценка эффективности связывания идентифицированных соединений с тримером HR1 белка S. В результате обнаружены 12 молекул, характеризующихся высокой аффинностью связывания с этим функционально важным участком оболочки вируса. Полученные данные свидетельствуют о перспективности использования этих соединений в работах по созданию новых противовирусных препаратов – ингибиторов слияния SARSCoV-2, которые могут блокировать проникновение вируса в клетку хозяина.

Андрианов А. М., Фурс К. В., Юшкевич А. М., Гончар А. В., Тузиков А. В. In silico скрининг потенциальных ингибиторов SARS-CoV-2, блокирующих тример HR1 белка S коронавируса. Доклады Национальной академии наук Беларуси. 2022;66(2):156-166. https://doi.org/10.29235/1561-8323-2022-66-2-156-166

Цитирование

Список литературы

1. Holmes, K. V. SARS coronavirus: a new challenge for prevention and therapy / K. V. Holmes // J. Clin. Invest. - 2003. - Vol. 111, N 11. - P. 1605–1609. https://doi.org/10.1172/jci18819

2. Graham, R. L. A decade after SARS: strategies for controlling emerging coronaviruses / R. L. Graham, E. F. Donaldson, R. S. Baric // Nat. Rev. Microbiol. - 2013. - Vol. 11, N 12. - P. 836–848. https://doi.org/10.1038/nrmicro3143

3. Jiang, S. An emerging coronavirus causing pneumonia outbreak in Wuhan, China: calling for developing therapeutic and prophylactic strategies / S. Jiang, L. Du, Z. Shi // Emerg. Microbes Infect. - 2020. - Vol. 9, N 1. - P. 275–277. https://doi.org/10.1080/22221751.2020.1723441

4. More than just a common cold: Endemic coronaviruses OC43, HKU1, NL63, and 229E associated with severe acute respiratory infection and fatality cases among healthy adults / A. Veiga [et al.] // J. Med. Virol. - 2021. - Vol. 93, N 2. - P. 1002–1007. https://doi.org/10.1002/jmv.26362

5. Cui, J. Origin and evolution of pathogenic coronaviruses / J. Cui, F. Li, Z. L. Shi // Nat. Rev. Microbiol. - 2019. - Vol. 17, N 3. - P. 181–192. https://doi.org/10.1038/s41579-018-0118-9

6. Pan-coronavirus fusion inhibitors as the hope for today and tomorrow / X. Wang [et al.] // Prot. Cell. – 2021. – Vol. 12, N 2. – P. 84–88. https://doi.org/10.1007/s13238-020-00806-7

7. Peptide-based pan-CoV fusion inhibitors maintain high potency against SARS-CoV-2 Omicron variant / S. Xia [et al.] // Cell Res. - 2022. https://doi.org/10.1038/s41422-022-00617-x

8. A pan-coronavirus fusion inhibitor targeting the HR1 domain of human coronavirus spike / S. Xia [et al.] // Sci. Adv. - 2019. - Vol. 5, N 4. https://doi.org/10.1126/sciadv.aav4580

9. Inhibition of SARS-CoV-2 (previously 2019-nCoV) infection by a highly potent pan-coronavirus fusion inhibitor targeting its spike protein that harbors a high capacity to mediate membrane fusion / S. Xia [et al.] // Cell Res. - 2020. - Vol. 30, N 4. - P. 343–355. https://doi.org/10.1038/s41422-020-0305-x

10. Peptides as drug candidates: Limitations and recent development perspectives / Y. A. Haggag [et al.] // Biomed. J. Sci. & Tech. Res. - 2018. - Vol. 8, N 4. - P. 6659–6662. https://doi.org/10.26717/bjstr.2018.08.001694

11. Exponential consensus ranking improves the outcome in docking and receptor ensemble docking / K. PalacioRodríguez [et al.] // Sci. Rep. - 2019. - Vol. 9, N 1. – Art. 1. https://doi.org/10.1038/s41598-019-41594-3

12. Can machine learning consistently improve the scoring power of classical scoring functions? Insights into the role of machine learning in scoring functions / C. Shen [et al.] // Brief. Bioinform. - 2021. - Vol. 22, N 1. - P. 497-514. https://doi.org/10.1093/bib/bbz173

Источник

Информация

Автор

Андрианов А. М. Институт биоорганической химии Национальной академии наук Беларуси
Фурс К. В. Объединенный институт проблем информатики Национальной академии наук Беларуси
Юшкевич А. М. Объединенный институт проблем информатики Национальной академии наук Беларуси
Гончар А. В. Объединенный институт проблем информатики Национальной академии наук Беларуси
Тузиков А. В. Объединенный институт проблем информатики Национальной академии наук Беларуси

Страницы

156-166

Год издания

2022

Ключевые слова

Коллекции

Доклады Национальной академии наук Беларуси