Výpočetní zdroj pro objevování drog - Computational Resource for Drug Discovery - Wikipedia

Výpočetní zdroje pro objevování drog (CRDD) je jedním z důležitých silikonových modulů Otevřený zdroj pro objevování drog (OSDD). Webový portál CRDD poskytuje počítačové prostředky související s objev drog na jedné platformě. Poskytuje výpočetní zdroje pro výzkumné pracovníky s pomocí počítače design léku, diskusní fórum a prostředky k údržbě Wikipedia související s objevem léků, předpovídat inhibitory a předpovídat ADME-Tox vlastnost molekul Jedním z hlavních cílů CRDD je podpora otevřeného zdroje software v oblasti chemoinformatika a farmakoinformatika.

Funkce

V rámci CRDD byly shromážděny a zkompilovány všechny zdroje související s návrhem léků podporovaných počítačem. Tyto zdroje jsou uspořádány a prezentovány na CRDD, takže uživatelé mohou získat zdroje z jednoho zdroje.

  • Identifikace cíle poskytuje zdroje důležité pro hledání cílů drog s informacemi o anotace genomu, anotace proteomu potenciální cíle a proteinová struktura
  • Virtuální screening kompiluje zdroje důležité pro virtuální screening jako techniky QSAR, dokovací QSAR, chemoinformatika a siRNA /miRNA
  • Návrh léčiv poskytuje zdroje důležité pro navrhování inhibitorů / molekul léčiv, jako je optimalizace olova, farmainformatika, ADMET a klinická informatika

Příspěvek Společenství

V rámci této kategorie byla vyvinuta platforma, kde komunita může přispět v procesu objevování drog.

  • DrugPedia: Wikipedia for Drug Discovery je Wiki vytvořená pro shromažďování a kompilaci informací souvisejících s návrhem léků pomocí počítače. Je vyvíjen pod záštitou projektu Open Source Drug Discovery (OSDD) a pokrývá širokou škálu témat kolem drog jako Bioinformatika, Cheminfiormatika, klinická informatika atd.
  • Indipedia: Wikipedia pro Indie je Wiki pro shromažďování a sestavování informací o drogách souvisejících s Indií. Účelem je poskytnout komplexní informace o Indii vytvořené pro Indy Indy. Je vyvíjen pod záštitou projektu Open Source Drug Discovery (OSDD).
  • Bylo zahájeno fórum CRDD s cílem diskutovat o výzvě při vývoji výpočetních zdrojů pro objevování drog.

Domorodý vývoj: software a webové služby

Kromě shromažďování a kompilace zdrojů vyvíjejí členové CRDD nový software a webové služby. Všechny vyvinuté služby jsou pro akademické použití zdarma. Následuje několik hlavních nástrojů vyvinutých v CRDD.[Citace je zapotřebí ]

Vývoj databází

  • HMRBase: Je to ručně kurátor databáze z Hormony a jejich Receptory. Jde o kompilaci sekvenčních dat po rozsáhlém manuálním vyhledávání literatury a z veřejně dostupných databází. HMRbase lze prohledávat na základě různých datových typů. Vzhledem k vysokému dopadu endokrinní výzkum v biomedicínských vědách by se Hmrbase mohla stát předním datovým portálem pro výzkumníky. Nejvýznamnějšími rysy Hmrbase jsou informace o páru hormon-receptor, mapování peptidových úseků na proteinové sekvence hormonů a receptorů, anotace domén Pfam, možnosti kategorického procházení, online odesílání dat.[1] Tato databáze je integrována do drogovépedie, aby mohla přispívat veřejnost.
  • BIAdb: Databáze pro Benzylisochinolin Alkaloidy. Databáze benzylisochinolinových alkaloidů je pokusem o shromáždění rozptýlených informací souvisejících s BIA. Mnoho BIA vykazuje terapeutické vlastnosti a lze je považovat za silné kandidáty na léky. Tato databáze bude sloužit také výzkumným pracovníkům působícím v oblasti syntetické biologie, protože vývoj léčivých alkaloidů pomocí syntetického procesu je jednou z důležitých výzev. Tato databáze je integrována do drogovépedie, aby mohla přispívat veřejnost.[2]
  • AntigenDB: Tato databáze obsahuje více než 500 antigeny shromážděné z literatury a dalších imunologických zdrojů. Tyto antigeny pocházejí ze 44 důležitých patogenních druhů. V AntigenDB obsahuje záznam databáze informace týkající se sekvence, struktury, původu atd. Antigenu s dalšími informacemi, jako jsou B a T-buňka epitopy, MHC vazba, funkce, genová exprese a posttranslační modifikace, pokud jsou k dispozici. AntigenDB také poskytuje odkazy na hlavní interní a externí databáze.[3]
  • PolysacDB: PolysacDB je určen k poskytování komplexních informací o antigenních polysacharidy mikrobiálního původu (bakteriální a plísňový ), protilátky proti nim, navrhované epitopy, strukturní detaily, navrhované funkce, testovací systém, informace o zkřížené reaktivitě a mnoho dalšího. Jedná se o ručně upravenou databázi, ze které byla shromážděna většina dat PubMed a PubMed Central literární databáze.
  • TumorHope: TumorHope je ručně upravená komplexní databáze experimentálně charakterizovaných nádor naváděcí peptidy. Tyto peptidy rozpoznávají nádorové tkáně a mikroprostředí spojené s nádorem, včetně nádoru metastáza.
  • ccPDB: Databáze ccPDB je navržena tak, aby poskytovala služby vědecké komunitě pracující v oblasti anotace proteinů funkcí nebo struktur. Tato databáze datových sad je založena na Proteinová datová banka (PDB), kde byly všechny datové soubory odvozeny z PDB.[4]
  • OSDDchem: Chemická databáze OSDDChem je otevřeným úložištěm informací o syntetizovaných, polosyntetizovaných, přírodních a prakticky navržených molekulách komunity OSDD.
  • CancerDR: CancerDR je databáze 148 protinádorové léky a jejich účinnost proti přibližně 1000 rakovinným buněčným liniím. Jedná se o cílové léky, CancerDR udržuje komplexní informace o těchto lécích, které jsou jejich cílem gen / protein a buněčné linie.

Software vyvinut

  • MycoTB: Abychom pomohli vědecké komunitě, rozšířili jsme koncepci flexibilního systému pro vytváření samostatného softwaru MycoTB pro Okna Uživatelé. MycoTB je jedním z počítačových programů vyvinutých v rámci programu OSDD / CRDD. Tento software umožňuje uživateli vybudovat si na svých osobních počítačích vlastní flexibilní systém pro správu a anotování celého proteomu MycoTB.

Zdroje vytvořeny

  • CRAG: Výpočtovými prostředky pro shromažďování genomů (CRAG) bylo pomáhat uživatelům při shromažďování genomů z krátkého čtení sekvencí (SRS). Následující hlavní cíl; i) Shromažďování a kompilace výpočetních zdrojů, ii) Stručný popis sestavovatelů genomu, iii) Údržba SRS a souvisejících údajů, iv) Služba komunitě pro shromažďování jejich genomů
  • CRIP: Výpočtové zdroje pro předpovídání interakcí protein-makromolekulární (CRIP) vyvinuté za účelem poskytnutí interakce související se zdroji. Tato stránka udržuje velké množství zdrojů v interakčním světě proteinů, který zahrnuje protein - protein, protein -DNA, protein – ligand, protein–RNA.
  • BioTherapi: Bioinformatika pro terapeutické peptidy a proteiny (BioTherapi) vyvinutá pro výzkumné pracovníky působící v oblasti proteinových / peptidových terapeutik. V současné době neexistuje jednotná platforma, která by poskytovala tento druh informací. Tato stránka obsahuje všechny relevantní informace o použití peptidů / proteinů v léčivech a syntéze nových peptidů. Rovněž pokrývá problémy při jejich formulaci, syntéze a procesu dodání
  • Stránka HivBio: HIV Bioinformatika (HIVbio) obsahuje různé typy informací o Virus lidské imunodeficience (HIV) životní cyklus a infekce.
  • GDPbio: GDPbio (Predikce nemocí a osobních léků pomocí bioinformatiky založená na genomu) je projekt zaměřený na poskytnutí různých zdrojů souvisejících s analýzou genomu, zejména pro predikci náchylnosti k chorobám konkrétního jednotlivce a personalizovaného vývoje léčiv s cílem zlepšit veřejné zdraví.
  • AminoFAT: Server pro funkční poznámky pro aminokyseliny (AminoFAT) je navržen tak, aby sloužil komunitě bioinformatiky. Cílem je vyvinout co nejvíce nástrojů pro pochopení funkce aminokyselin v proteinech na základě struktury proteinů v PDB. Široká znalost funkce proteinů by pomohla při identifikaci nových cílů léčiva.

Webové služby pro chemoinformatiku

Poprvé na světě tým CRDD vyvinul platformu otevřeného zdroje, která umožňuje uživatelům předvídat inhibitory proti novému M. Tuberkulóza cíle léčiv a další důležité vlastnosti molekul léčiv, jako je ADMET. Následuje seznam několika serverů.

  • MetaPred: Webový server pro predikci Cytochrom P450 Isoforma odpovědná za metabolizaci molekuly léčiva. MetaPred Server předpovídá metabolizující izoformu CYP molekuly / substrátu léčiva na základě modelů SVM vyvinutých pomocí deskriptorů CDK. Tento server bude užitečný pro výzkumné pracovníky působící v oblasti objevování drog. Tato studie ukazuje, že je možné vyvinout bezplatné webové servery v oblasti chemoinformatiky. To povzbudí další výzkumné pracovníky, aby vyvinuli webový server pro veřejné použití, což může vést ke snížení nákladů na objevování nových molekul léků.[5]
  • ToxiPred: Server pro predikci vodné toxicity malých chemických molekul v T. pyriformis.
  • KetoDrug: Webový server pro vazebnou predikci afinity ketoxazolových derivátů proti Hydroláza amidu mastných kyselin (FAAH). Jedná se o uživatelsky přívětivý webový server pro predikci vazebné afinity malých chemických molekul proti FAAH.
  • KiDoQ: KiDoQ, webový server byl vyvinut, aby sloužil vědecké komunitě pracující v oblasti navrhování inhibitorů proti Dihydrodipikolinát syntáza (DHDPS), potenciální cílový enzym léčiva jedinečné bakteriální DAP / lysinové dráhy.[6]
  • GDoQ: GDoQ (Predikce inhibitorů GLMU pomocí QSAR a AutoDock ) je open source platforma vyvinutá pro predikci inhibitorů proti Mycobacterium tuberculosis (M.Tb) lékový cíl N-acetylglukosamin-1-fosfát uridyltransferáza (GLMU) protein. Toto je potenciální lékový cíl zapojený do syntézy bakteriální buněčné stěny. Tento server používá k předpovědi hodnoty inhibiční aktivity (IC50) chemických sloučenin pro protein GLMU molekulární dokování a strategie QSAR.[7]
  • ROCR: ROCR je balíček R pro hodnocení a vizualizaci výkonu klasifikátoru. Jedná se o flexibilní nástroj pro vytváření ROC grafů, křivek citlivosti / specifičnosti, plochy pod křivkou a křivky přesnosti / vyvolání. Parametrizaci lze vizualizovat vybarvením křivky podle cut-off.
  • WebCDK: Webové rozhraní pro CDK knihovna, je to webové rozhraní pro predikci deskriptorů chemických látek pomocí knihovny CDK.
  • Farmakokinetika: Analýza farmakokinetických dat určuje vztah mezi režimem dávkování a expozicí těla léčivu, měřeno nelineární křivkou závislosti času na koncentraci. Zahrnuje funkci AUC pro výpočet plochy pod křivkou. Zahrnuje také funkce pro odhad poločasu pro biexponenciální model a dvoufázovou lineární regresi

Predikce a analýza lékových cílů

  • RNApred: Predikce proteinů vázajících RNA ze své aminokyselinové sekvence.[8]
  • ProPrint: Predikce interakce mezi proteiny z jejich aminokyselinové sekvence.[9]
  • DomPrint: Domprint je server predikce interakce doména-doména (DDI).
  • MycoPrint: MycoPrint je webové rozhraní pro průzkum interaktomu Mycobacterium tuberculosis H37Rv (Mtb) predikovaný metodou "mapování interakcí domény" (DIM).
  • ATPint: Server pro předpovídání ATP interagující zbytky v proteinech.[10]
  • FADpred: Identifikace FAD interagující zbytky v proteinech.[11]
  • GTPbinder: Predikce bílkovin GTP interagující zbytky.[12]
  • NADbinder: Predikce vazebných zbytků NAD v proteinech.[13]
  • PreMier: Návrh mutantů antibakteriálních peptidů.[14]
  • DMAP: DMAP: Navrhování mutantů antibakteriálních peptidů
  • icaars: Predikce a klasifikace aminoacyl tRNA syntetázy pomocí domén PROSITE [15]
  • CBtope: Predikce konformačního epitopu B-buněk v sekvenci z jeho aminokyselinové sekvence.[16]
  • DesiRM: Návrh doplňkových a nesouladných siRNA pro umlčení genu.[17]
  • GenomeABC: Server pro srovnávání asemblerů genomu.

Reference

  1. ^ Rashid, Mamoon; Singla, Deepak; Sharma, Arun; Kumar, Manish; Raghava, Gajendra PS (2009). „Hmrbase: databáze hormonů a jejich receptorů“. BMC Genomics. 10: 307. doi:10.1186/1471-2164-10-307. PMC  2720991. PMID  19589147.
  2. ^ Singla, Deepak; Sharma, Arun; Kaur, Jasjit; Panwar, Bharat; Raghava, Gajendra PS (2010). „BIAdb: Upravená databáze benzylisochinolinových alkaloidů“. Farmakologie BMC. 10: 4. doi:10.1186/1471-2210-10-4. PMC  2844369. PMID  20205728.
  3. ^ Ansari, H. R .; Flower, D. R .; Raghava, G. P. S. (2009). „AntigenDB: databáze imunoinformatiky patogenních antigenů“. Výzkum nukleových kyselin. 38 (Problém s databází): D847–53. doi:10.1093 / nar / gkp830. PMC  2808902. PMID  19820110.
  4. ^ Nucleic Acids Research, 2011
  5. ^ Mishra, Nitish K; Agarwal, Sandhya; Raghava, Gajendra PS (2010). „Predikce izoformy cytochromu P450 odpovědné za metabolizaci molekuly léčiva“. Farmakologie BMC. 10: 8. doi:10.1186/1471-2210-10-8. PMC  2912882. PMID  20637097.
  6. ^ Garg, Aarti; Tewari, Rupinder; Raghava, Gajendra PS (2010). „KiDoQ: využití energetických skóre založených na dokování k vývoji modelu založeného na ligandu pro predikci antibakteriálních látek“. BMC bioinformatika. 11: 125. doi:10.1186/1471-2105-11-125. PMC  2841597. PMID  20222969.
  7. ^ Singla, Deepak; Anurag, Meenakshi; pomlčka, Debasis; Raghava, Gajendra PS (2011). „Webový server pro predikci inhibitorů proti bakteriálnímu cílovému proteinu GlmU“. Farmakologie BMC. 11: 5. doi:10.1186/1471-2210-11-5. PMC  3146400. PMID  21733180.
  8. ^ Kumar, M; Gromiha, MM; Raghava, GP (2010). „SVM predikce proteinů vázajících RNA pomocí vazebných zbytků a evolučních informací“. Journal of Molecular Recognition. 24 (2): 303–13. doi:10.1002 / jmr.1061. PMID  20677174.
  9. ^ Rashid, M. a Raghava, G. P. S. (2010) Jednoduchý přístup k predikci interakcí protein – protein. Současná věda o proteinech a peptidech (v tisku).
  10. ^ Chauhan, JS; Mishra, NK; Raghava, GP (2009). "Identifikace ATP vazebných zbytků proteinu z jeho primární sekvence". BMC bioinformatika. 10: 434. doi:10.1186/1471-2105-10-434. PMC  2803200. PMID  20021687.
  11. ^ Mishra, Nitish K .; Raghava, Gajendra P. S. (2010). „Predikce zbytků interagujících s FAD v proteinu z jeho primární sekvence pomocí evolučních informací“. BMC bioinformatika. 11: S48. doi:10.1186 / 1471-2105-11-S1-S48. PMC  3009520. PMID  20122222.
  12. ^ Chauhan, JS; Mishra, NK; Raghava, GP (2010). „Predikce zbytků interagujících s GTP, dipeptidů a tripeptidů v proteinu z jeho evolučních informací“. BMC bioinformatika. 11: 301. doi:10.1186/1471-2105-11-301. PMC  3098072. PMID  20525281.
  13. ^ Ansari, HR; Raghava, GP (2010). "Identifikace zbytků interagujících s NAD v proteinech". BMC bioinformatika. 11: 160. doi:10.1186/1471-2105-11-160. PMC  2853471. PMID  20353553.
  14. ^ Agarwal; et al. (2011). „Identifikace zbytků působících manózu pomocí místního složení“. PLOS ONE. 6 (9): e24039. Bibcode:2011PLoSO ... 624039A. doi:10.1371 / journal.pone.0024039. PMC  3172211. PMID  21931639.
  15. ^ Panwar, Bharat; Raghava, Gajendra PS (2010). „Predikce a klasifikace aminoacyl tRNA syntetáz pomocí domén PROSITE“. BMC Genomics. 11: 507. doi:10.1186/1471-2164-11-507. PMC  2997003. PMID  20860794.
  16. ^ Ansari, HR; Raghava, Gajendra PS (2010). "Identifikace konformačních B-buněčných epitopů v antigenu z jeho primární sekvence". Výzkum imunomu. 6: 6. doi:10.1186/1745-7580-6-6. PMC  2974664. PMID  20961417.
  17. ^ Ahmed, F; Raghava, Gajendra PS (2011). „Návrh vysoce efektivních komplementárních a neshodných siRNA pro umlčení genu“. PLOS ONE. 6 (8): e23443. Bibcode:2011PLoSO ... 623443A. doi:10.1371 / journal.pone.0023443. PMC  3154470. PMID  21853133.

Další čtení