Approche de Criblage Virtuel Basée Sur La Structure en Plusieurs Étapes Pour L'identification D'inhibiteurs Potentiels de L'hélicase SARS-CoV-2 NSP13 - PMC

09/05/2022 17:32 Approche de criblage virtuel basée sur la structure en plusieurs étapes pour l'identification d'inhibiteurs potentiels de l'hélicas…
J Enzyme Inhib Med Chem. 2022 ; 37(1): 563–572.

Publié en ligne le 10 janvier 2022. doi: 10.1080/14756366.2021.2022659
Approche de criblage virtuel basé e sur la structure en plusieurs é tapes pour

l'identification d'inhibiteurs potentiels de l'hé licase SARS-CoV-2 NSP13
Mahmoud A. El Hassab , a Wagdy M. Eldehna , n Sara T. Al-Rashood , c Amal Alharbi , c Razan O. Eskandrani , c
Hamad M. Alkahtani , c Eslam B. Elkaeed , d et Sahar M. Abou-Seri e
Abstrait
En raison de son rô le crucial dans le cycle de vie du virus, l'enzyme hélicase SARS-COV-2 NSP13 a été
exploitée comme cible prometteuse pour identifier un nouvel inhibiteur potentiel à l'aide d'approches de
découverte de médicaments basées sur la structure en plusieurs étapes. Tout d'abord, un pharmacophore
3D a été généré sur la base des données collectées à partir d'une étude d'empreinte digitale d'interaction
protéine-ligand (PLIF) utilisant des interactions clés entre des fragments co-cristallisés et le site actif de
l'hélicase NSP13. La base de données ZINC a été examinée à travers le pharmacophore 3D généré
récupérant 13 résultats potentiels. Tous les hits récupérés ont dépassé le score de référence des frag‐
ments co-cristallisés à l'étape d'amarrage moléculaire et les meilleurs composés à cinq hits ont été
sélectionnés pour une analyse plus approfondie. Pour terminer,FWM-1 ) lié à l'enzyme hélicase NSP13,
qui a identifié FWM-1 comme un puissant inhibiteur potentiel de l'hélicase NSP13 avec une énergie libre
de liaison égale à -328,6 ± 9,2 kcal/mol.
Mots-clés : Hélicase SARS CoV-2 NSP13, empreinte d'interaction protéine-ligand, pharmacophore basé
sur la structure, amarrage, simulations de dynamique moléculaire
Résumé graphique
Retour au som
1. Introduction
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8757614/ 1/15
Il y a deux ans, le monde a été frappé par une infection respiratoire à croissance rapide causée par le co‐
ronavirus 2 (SRAS-CoV-2) lié au syndrome respiratoire aigu sévère. En raison de la propagation rapide de
l'infection dans plus de 200 pays, l'Organisation mondiale de la santé (OMS) a dû déclarer l'infection
comme maladie pandémique en mars 2020 1 . Jusqu'à présent, le virus avait infecté plus de 243 millions
de personnes et en avait tué près de 4,9 millions. Les mesures de sécurité restreintes prises par la plupart
des pays du monde ne suffisent pas notamment pour prévenir les vagues successives d'infections du
COVID-19. Hormis le Remdisvir, la FDA n'a approuvé aucun médicament spécifique pour le COVID-19.
Malheureusement, le Remdisvir lui-même n'a pas réussi à démontrer des résultats satisfaisants dans la
diminution des niveaux de mortalité et la prévention de la dyspnée associée à l'infection 2–4. De meilleurs
résultats ont été obtenus avec les vaccins récemment approuvés, cependant, l'atteinte des conditions nor‐
males est encore dépassée et le nombre d'infections continue de croître, en particulier avec l'émergence
de nouvelles variantes virales qui pourraient être plus résistantes aux vaccins. En conséquence, il existe
un besoin urgent de développer rapidement un traitement efficace spécifique pour l'infection au COVID-
19.
Les efforts scientifiques ont identifié de nombreuses enzymes jouant un rô le crucial dans le cycle de vie
du virus SARS-CoV-2. Ces enzymes sont notamment l'ARN polymérase dépendante de l'ARN, la protéase
de type papine, la glycoprotéine de pointe, l'hélicase, la méthyltransférase et la protéase principale
(Mpro) 5 . Le ciblage de l'une de ces enzymes représente une méthode efficace pour identifier une théra‐
pie potentielle pour l'infection au COVID-19.
Parmi les cibles précitées, l'enzyme hélicase joue un rô le essentiel dans la réplication de l'ARN viral de
concert avec le complexe réplication-transcription (NSP7/NSP8/NSP12) 6 . Il a deux fonctions rappor‐
tées, d'une part, il catalyse le déroulement de l'ARN viral double brin dans une direction 5 'à 3', et d'autre
part, il joue un rô le vital dans la formation de la coiffe virale 5' de l'ARNm 7 , 8. Malgré son rô le crucial,
l'enzyme hélicase se présente comme une cible sous-représentée, prenant moins d'attention que l'ARN
polymérase dépendante de l'ARN et le Mpro. Néanmoins, le ciblage de l'enzyme hélicase pourrait ouvrir
un nouvel horizon pour la thérapie combinée contre le virus SARS-CoV-2 qui pourrait facilement surmon‐
ter toute résistance apparue. De plus, l'enzyme hélicase est hautement conservée parmi les différentes
souches de coronavirus, comme en témoigne une seule mutation d'acide aminé entre le SARS COV et le
SARS-CoV-2 9 . Ainsi, les inhibiteurs de l'hélicase SARS-CoV-2 pourraient servir d'antiviral à large spectre
efficace contre les infections COVID actuelles et futures 9 . À cette fin, notre équipe a été amenée à mettre
en œuvre des approches informatiques pour accélérer la découverte de médicaments d'inhibiteurs de
l'hélicase SARS-CoV-2.
La structure cristalline de l'hélicase SARS-CoV-2 a été rapportée par de nombreux chercheurs ouvrant la
voie à des études de conception de médicaments assistées par ordinateur. L'étude Pan-Dataset Density
Analysis (PanDDA) a rapporté la structure cristallographique aux rayons X de l'hélicase SARS-CoV-2 liée à
divers fragments 9 . La structure résolue de l'enzyme contient 5 domaines, un domaine de liaison au zinc
N-terminal (ZBD), un domaine "tige" hélicoïdal, un domaine bêta-tonneau 1B et deux sous-domaines
d'hélicase "de type RecA" 1A et 2A qui contiennent les résidus responsable de la liaison et de l'hydrolyse
des nucléotidesFigure 1. Dans ce travail, nous avons cherché à appliquer une approche de criblage virtuel
en plusieurs étapes comprenant le pharmacophore 3D, l'amarrage moléculaire, la dynamique moléculaire
et les calculs MMPBSA pour cribler la base de données ZINC 15 à la recherche d'un nouvel inhibiteur po‐
tentiel de l'enzyme hélicase.
Retour au som
Figure 1.
(A) Aperçu de la structure de l'hélicase SARS-CoV-2 avec des domaines étiquetés et colorés individuellement, (B) Vue
rapprochée de la forme de liaison AMP en utilisant la même couleur 9 .
2. Matériels et méthodes
2.1. PLIF et pharmacophore 3D
Five crystal structures of SARS-COV-2 helicase in complex with five different fragment inhibitors PDB IDs:
5RL9, 5RLJ, 5RLN, 5RLO and 5RLW were acquired from PDB and used for PLIF study. MOE 2019 was im‐
plemented to generate the PLIF data using its default PLIF generation wizard. Initially, all the proteins
were prepared using the in-built QuickPrep wizard available in the MOE suite10. Then, all five entries
were superimposed forming a consensus binding site containing the five fragments. Finally, the PLIF wi‐
zard was implemented to prepare and generate the interaction data. The query generator tool panel in
the MOE was employed to construct the 3D pharmacophore by converting the gather data into their ac‐
tual 3D coordinates. In the query generator wizard, the featured coverage was set to 20% to make effi‐
cient use of the whole binding site. Finally, Zinc database was screened using the pharmacophore to find
prospective SARS-CoV-2 helicase inhibitors.
2.2. Database generation for pharmacophore screening
Zinc Drug-like database with 250 Million compounds (available at http://zinc.docking.org) was downloa‐
ded and converted into a single database file with extension .mdb by MOE suite (MOE, 2019.
https://www.chemcomp.com). Energy minimisation of the database was conducted under AMBER12:
EHT force field10.
2.3. Pharmacophore-based virtual screening
The prepared database was screened through the generated pharmacophore model using MOE pharma‐
cophore software to match all the features in the pharmacophore hypothesis. The tolerating distance was
designated to 2.0 Å and a fitness score was used to rank the database hits based on their RMSD with the
hypothesis involving site matching, vector alignments, and volume terms. Compounds that passed the
pharmacophore filter were further evaluated through docking-based virtual screening.
Retour au som
2.4. Docking-based virtual screening
A rough validation procedure was performed and RMSD was calculated between the co-crystallised li‐
gand and re docked poses for all the PDB IDs used in the PLIF study. The best co-crystallised reference
and the hits obtained from the pharmacophore were docked into the 5RLW using Vina Autodock software
after preparing the protein and ligands in the pdbqt format11. The binding site was determined from the
binding of the co-crystallised reference using the grid box function in the M.G.L 1.5.6 tools. The docking
results were then analysed using a discovery studio visualiser to generate 2D and 3D for the selected hits.
2.5. Molecular dynamics (MD)
2.5.1. MD production To conduct the required molecular dynamics (MD) simulations, Groningen Machine
for Chemical Simulations GROMACS 5.1.1 software was employed12. To validate the retrieved virtual
screening results, three MD simulation experiments were conducted. Two simulation experiments were
performed on the enzyme in complex with the FWM-1 and the crystal reference. And in the third one was
performed using the free enzyme a lone. GROMOS96 force field was implemented to generate the ligand
topologies using the GlycoBioChem PRODRG2 Server13. Later on, each of the generated ligand topologies
was joined with the enzyme topology to generate the complex topology. As previously published by our
group, the typical scheme for enzyme–ligand simulations by GROMACS was applied, starting with system
solvation using single point charge (SPC) water model and ending with neutralisation by adding the sui‐
table number of counter-ions14–17.
The three solvated neutralised systems were energy minimised under GROMOS96 43a1 force field using
the steepest descent minimisation algorithm with a maximum of 50,000 steps and <10.0 kJ/mol force un‐
der. All the systems were equilibrated to the used temperature (310 K) and pressure (1 atm) using NPT
ensemble for 8 ns preceded by NVT ensemble for 2 ns. To compute the long-range electrostatic values, the
particle mesh Ewald (PME) method with a 12 Å cut-off and 12 Å Fourier spacing was implemented. All
The systems were subjected to a production stage of 150 ns. Every two consecutive steps were separated
by 2 fs and the structural coordinates were saved every 30 ps. V-rescale weak coupling method (modified
Berendsen thermostat) and Parrinello–Rahman method were used to regulate the temperature (310 K)
and the pressure (1 atm) throughout the simulation18,19.
The root means square deviation (RMSD) and root means square fluctuation (RMSF) of the entire system
and each residue respectively, were calculated from the generated trajectories from the production step.
To further analyse the predicted binding mode of FWM-1, various scripts of GROMACS were used to cal‐
culate the distances of the formed hydrogen bonds between the FWM-1and the NSP13 helicase enzyme.
2.5.2. MM-PBSA calculation and per residue contribution To compute the binding-free energy calculations
using the MM–PBSA approach, the following equation was employed (further details are provided in the
Supporting information):
ΔG(Binding) = G( Complexe −
) g ( Récepteur −
) g ( ligand )
Ces calculs ont été effectués pour les deux complexes de référence hélicase- FWM-1 et hélicase-cristal en
utilisant le package g-mmpbsa 20 . La contribution énergétique de chaque résidu a été calculée par dé‐
composition de l'énergie libre totale par résidu.
3. Résultats et discussion
Retour au som
3.1. PLIF et pharmacophore 3D
L'empreinte digitale d'interaction protéine-ligand (PLIF) utilise une petite base de données de ligands ac‐
tifs ou de fragments liés à la même cible dans le même site de liaison 21 . La technique vise à élucider et à
établir les interactions les plus stables et cruciales expliquant les activités des ligands 22 . Ces interactions
peuvent être davantage utilisées dans des études de chimie computationnelle, y compris des protocoles
de criblage virtuel visant la découverte de nouveaux médicaments. La génération d'un pharmacophore
3D est l'un des protocoles les plus importants résultant de l'analyse des interactions PLIF. En outre, le
pharmacophore 3D généré pourrait être mis en œuvre comme un filtre de dépistage pour récupérer des
composés actifs contre d'énormes bases de données généralement en millions 23 , 24 .
Dans la présente étude, cinq structures cristallines de l'hélicase SARS-COV-2 en complexe avec cinq inhi‐
biteurs de fragments différents découverts dans l'étude PanDDA ont été utilisées (ID PDB : 5RL9, 5RLJ,
5RLN, 5RLO et 5RLW). Initialement, les cinq structures cristallines ont été préparées et alignées mon‐
trant les cinq fragments s'adaptant à différentes sous-poches dans le même site de liaison. DansFigure 2,
une matrice de représentation de chaque interaction est une colonne verticale sur le résidu correspon‐
dant avec un carré noir indiquant la présence d'une interaction spécifique.figure 3est un histogramme
avec l'axe X en tant que résidus d'acides aminés et l'axe Y affiche des barres noires représentant la fré‐
quence d'occurrence parmi les structures cristallines.
Figure 2.
Matrice d'interaction PLIF.
Figure 3.
Histogramme d'interaction PLIF.
Retour au som
Upon inspection of the PLIF outcomes, five amino acid residues (Glu261, Gly287, His290, Lys320, and
Arg442) exhibited the most stable interactions. Closer insights revealed that no specific residue was in‐
volved in the interaction with all the studied fragments Figure 3. Finally, the PLIF data were used to gene‐
rate a structure-based 3D pharmacophore to discover potential helicase inhibitors. The pharmacophore
is composed of three types of features namely; hydrogen donor, hydrogen acceptor, and an aromatic
centre. The three pharmacophoric features were distributed across six components; three hydrogen do‐
nors, two hydrogen acceptors, and one aromatic centre Figure 4.
Figure 4.
(A) The generated 3D pharmacophore showing three pharmacophoric features: pink (H-bond donor), cyan (H-bond ac‐
ceptor) and orange (aromatic centre). (B) The generated 3D pharmacophore within the pocket.
The generated pharmacophore was used to filter 250 million compounds from ZINC 15 database25. Only
13 compounds conferred all the pharmacophoric features and were then evaluated against SARS-CoV-2
helicase enzyme through a molecular docking study.
3.2. Docking studies
Computer-aided drug design provides various tools to aid and shorten drug discovery costs and time.
Among those tools is molecular docking which predicts interactions between proposed ligands and tar‐
gets. Additionally, analysis of these interactions nudges futuristic optimisation and development of pro‐
posed ligands26.
Retour au som
Les 13 composés résultants de la recherche pharmacophorique ont été ancrés dans le site actif de l'héli‐
case SARS-CoV-2. Avant de commencer l'amarrage des composés touchés, une expérience de récupéra‐
tion de pose a été menée par le ré-amarrage des cinq ligands co-cristallisés dans leur enzyme. Toutes les
structures ligand-protéine régénérées avaient une valeur RMSD inférieure à 2 Å par rapport au ligand co-
cristallisé indiquant un protocole d'amarrage valide. L'étape précédente a mis en évidence le ligand co-
cristallisé du PDB ID : 5RLW comme le meilleur ligand atteignant un score de liaison de -6,5 Kcal/mole.
Par la suite, la protéine 5RLW et son ligand co-cristallisé ont été sélectionnés pour la conduction d'amar‐
rage et l'analyse comparative des résultats d'amarrage respectivement. Tous les composés ont atteint des
affinités de liaison plus élevées que le fragment de référence (-6.FWM-1, FWM-2, FWM-3, FWM-4 et
FWM-5 ) ont été sélectionnés pour une analyse plus approfondie. La structure 2D des cinq composés sé‐
lectionnés et leurs interactions sont fournies dansChiffres 5et6.
Figure 5.
Structures 2D des cinq composés à succès générés.
Figure 6.
Présentation 2D des hits ancrés FWM1-5 [(A–E), respectivement] dans l'hélicase active montrant les interactions impor‐
tantes en pointillés.
Retour au som
Les cinq composés présentent une liaison puissante par le biais de plusieurs types d'interactions avec
l'hélicase. Par exemple, le composé FWM-1 a montré un score de liaison de -12,4 Kcal/mole et a été en‐
gagé dans de nombreux types et nombres d'interactions. Les composés de plomb récupérés s'intègrent
parfaitement dans le site actif de l'hélicase formant une liaison H avec GLY285, ASP374, GLU375, SER377,
ASP401, GLN404, ARG443 et GLY538 ainsi que des interactions hydrophobes avec ALA312, ALA316,
LYS288, SER289 et GLU375 . De la même manière, FWM-2 , FWM-3 , FWM-4 et FWM-5 ont réalisé des
modes d'interaction similaires avec des scores de -10,9, -9,1, -11,1 et -10,2 Kcal/mole respectivement,
comme indiqué dansTableau 1.
Tableau 1.
Score de liaison et interactions clés entre les hits ancrés FWM1-5 avec l'enzyme hélicase.
Composé Score Résidus impliqués dans les interactions des Résidus impliqués dans les
(Kcal/mole) liaisons H interactions hydrophobes
FWM-1 −12,4 GLY285, ASP374, GLU375, SER377, ASP401, ALA312, ALA316, LYS288, SER289 et
GLN404, ARG443 et GLY538 GLU375
FWM-2 −10,9 ASP374, SER377, ARG567, ARG443 et GLY538 ALA312, ALA316, LYS288, SER289 et
GLU375
FWM-3 −9,1 GLY285, GLY287, LYS288 et HIS290 GLY285, ARG443 et GLY538
FWM-4 −11,1 GLY287, LYS288, SER289, ARG443 et GLY538 ALA316 et LYS288
FWM-5 −10,2 LYS288, ASP374, ASP401, ARG567, GLN404 et ALA313, ALA316, ARG443 et GLU375
GLY538
Des informations approfondies sur la liaison prédite de FWM-1 , comme illustré dansFigure 7ont révélé
une orientation optimale dans le site actif de l'enzyme hélicase SARS-COV-2. Comme indiqué dans la litté‐
rature, le site de liaison de l'hélicase SARS-COV et de même de l'hélicase SARS-COV-2 est situé entre les
domaines 1A et 2A. Ce site de liaison compose certains acides aminés essentiels nécessaires à la liaison à
l'ATP ; ASP374, GLU375, SER377, ASP401, GLN404, ARG443, LYS288, SER289, ARG567 et GLY538. Fait in‐
téressant, FWM-1a pu s'intégrer parfaitement dans le domaine de liaison à l'ATP, formant des liaisons hy‐
drogène avec GLY285, ASP374, GLU375, GLN404, ARG443 et GLY538. Une stabilisation supplémentaire
de la pose de liaison a été assurée par l'oxygène et le soufre de l'amide et de la thiourée, respectivement
qui ont agi comme des groupes accepteurs pour les hydrogènes de SER377 et ASP401. De plus, le groupe
chlorophényle a lui-même orienté la sous-poche hydrophobe constituée d'ALA312, ALA313 et ALA316
pour assurer une stabilité maximale grâ ce à l'interaction hydrophobe. Il convient de mentionner qu'au‐
cun fragment co-cristallisé n'a pu se lier aux acides aminés rapportés dans la poche de liaison à l'ATP. Ceci
est attribué à la petite taille des fragments et à leurs groupes de fonctions limités. Ainsi ils ne pouvaient
être orientés que dans une petite sous-poche formant un petit nombre d'interactions. En revanche, les in‐
hibiteurs complets proposésLes FWM1-5 ont le mélange parfait de tailles, de groupes de fonctions po‐
laires et non polaires. En conséquence, les cinq hits récupérés ont pu remplir le domaine de liaison à
l'ATP, permettant diverses interactions avec les acides aminés nécessaires.
Retour au som
Figure 7.
Représentation 3D pour FWM-1 (représentation en bâ ton épais) ancrée dans le site actif de l'hélicase (présentation en
ruban, les acides aminés d'interaction clés sont représentés en représentation en bâ ton fin) montrant des interactions
significatives en pointillés.
En conclusion, le FWM-1 est un candidat prometteur qui perturberait efficacement la liaison de l'ATP à
l'enzyme hélicase SARS-COV2. Cette perturbation représente une stratégie puissante pour lutter contre
l'activité ATPase de l'enzyme hélicase du SRAS-COV2, empêchant une étape fondamentale du cycle de vie
du virus. En conséquence, le complexe récupéré entre l'enzyme hélicase FWM-1 et SARS-COV2 a été étu‐
dié et examiné plus en détail par simulation de dynamique moléculaire et calculs MPBSA.
3.3. Dynamique moléculaire
3.3.1. Analyse RMSD et RMSF La simulation de la dynamique moléculaire (MD) est une technique inévi‐
table dans les études impliquant la découverte de médicaments in silico . MD fournit de nombreux para‐
mètres, données et chiffres importants nécessaires à diverses études de modélisation informatique et
moléculaire. L'une des applications les plus courantes du MD est la détermination précise de la force de
liaison entre un ligand et sa cible. D'autres applications sont bien rapportées comme l'étude de la nature
des macromolécules et la caractérisation de l'effet de certaines mutations sur le profil de résistance de
nombreux médicaments 27 . Par conséquent, il était logique de profiter du MD pour approuver davantage
notre protocole d'approche de dépistage virtuel. Trois expériences de simulation MD ont été menées sur
l'hélicase libre, l'hélicase co-cristallisée et le FWM -1- hélicase. Fait intéressant, la RMSD calculée pour
l'hélicase libre a atteint plus de 5 Å , tandis que la RMSD du ligand co-cristallisé et des complexes FWM - 1
- hélicase a atteint 2,95 et 1,6 Å respectivement à leurs déviations maximales.Figure 8. La capacité de
FWM-1 à produire une valeur RMSD aussi faible est un indicateur puissant de sa capacité à restreindre la
nature flexible dynamique de l'hélicase par la formation d'un complexe stable.
Retour au som
Figure 8.
Analyse RMSD pour les simulations MD pour l'enzyme native (bleu), la référence co-cristallisée (rouge) et FWM-1 (vert).
Comme prévu, les résultats obtenus à partir des calculs RMSF pour tous les résidus dans les trois sys‐
tèmes correspondaient parfaitement aux résultats RMSD. Le complexe FWM - 1- hélicase a montré un ni‐
veau significativement plus faible de fluctuation des résidus par rapport à la référence co-cristallisée et à
l'enzyme libreFigure 9. Il convient de noter que la grande flexibilité de l'hélicase SARS-COV2, telle que dé‐
crite à partir des valeurs élevées de RMSD et de RMSF, est cohérente avec sa fonction de traitement du gé‐
nome viral en tant qu'étape centrale du cycle de réplication du virus. Compte tenu de la supériorité de
FWM-1 pour limiter le mouvement de l'enzyme hélicase, il est prévu d'inhiber l'enzyme à des niveaux
très puissants.
Figure 9.
L'analyse RMSF pour les simulations MD pour l'enzyme native (bleu), la référence co-cristallisée (rouge) et le FWM-1
(vert).
Une inspection plus poussée de la stabilité du complexe FWM - 1 - hélicase a été effectuée en mesurant la
distance moyenne, ainsi que l'erreur standard pour chaque liaison hydrogène formée entre FWM-1Retour et sa au som
cible. Il est bien rapporté qu'une liaison hydrogène n'est considérée comme valide que si la distance entre
le donneur de liaison hydrogène et l'accepteur est maintenue à moins de 3,5 Å . Comme représenté sur la
Tableau 2etFigure 10, FWM-1 a pu remplir le critère précédent pour toutes ses interactions de liaison hy‐
drogène tout au long de la phase de production de la simulation MD.
Figure 10.
The percentage of existence for each formed Hydrogen bond between FWM-1 and the helicase.
Table 2.
The average distances of all the hydrogen bonds formed between FWM-1 and SARS-COV-2 helicase through the entire
150 ns MD simulation.
Hydrogen bond name Average distance (Å) ± SD
Hydrogen bond with GLY285 2.71 ± 0.06
Hydrogen bond with ASP374 2.88 ± 0.09
Hydrogen bond with GLU375 3.15 ± 0.36
Hydrogen bond with SER377 2.49 ± 0.17
Hydrogen bond with GLN404 2.31 ± 0.07
Hydrogen bond with ARG443 1.78 ± 0.05
Hydrogen bond with GLY538 2.91 ± 0.13
3.3.2. Binding free energy calculations using MM-PBSA approach The binding free energies between
FWM-1 and co-crystallised reference with SARS COV-2 helicase were calculated from all the conforma‐
tions in the saved trajectories using the MM-PBSA approach. The g_mmpbsa package generated by
Kumari et al. 20, was used to calculate all the MM-PBSA binding free energy forms (van der Waal energy,
Electrostatic energy, Polar solvation energy, and SASA energy) for the two complexes of SARS-COV-2Retour
heli‐ au som
case with FWM-1 and co-crystallised reference (Table 3). The calculated binding energy shows a signifi‐
cantly higher affinity for FWM-1 compared to co-crystallised reference which is consistent with the re‐
sults from the docking and MD calculations.
Table 3.
The binding free energy and the interaction energies for both FWM-1 and co-crystallised complexes.
Complex ΔEbinding ΔEelectrostatic ΔEVander Waal ΔEpolar solvation SASA

(kJ/mol) (kJ/mol) (kJ/mol) (kJ/mol) (kJ/mol)
FWM-1 −328.6 ± 9.2 −157.7 ± 8.9 −214.6 ± 11.8 72.4 ± 6.3 −28.7.1 ± 1.6
Co-crystallised −159.7 ± 6.7 −86.2 ± 5.4 −127.6 ± 8.2 75.3 ± 6.1 −21.2 ± 1.1

reference
Further insights into the binding between FWM-1 and the helicase enzyme were provided via the calcu‐
lation of every residue contribution in terms of binding free energy. This contribution was calculated by
decomposing the total binding free energy of the system into per residue contribution energy, Figure 11.
As depicted from Figure 11, all the Key interacting amino acids GLY285, ASP374, GLU375, SER377,
ASP401, GLN404, ARG443, and GLY538 showed favourable significant contribution to binding free
energy. In agreement with docking, MD, and MMPBSA results, the results of per residue decomposition
predicted the great potentiality for FWM-1 to produce a strong stable complex with the helicase enzyme.
Figure 11.
The per residue contribution for the binding free energy for FWM-1 (green) and co-crystallised ligand (red).
4. Future prospects
In this work, we aimed at both the identification of potential inhibitors for SARS-CoV-2 NSP13 helicase
enzyme as well as the establishment of a valid virtual screening approach for further COVID-19 drug dis‐
covery. Interestingly, our team has identified certain required pharmacophoric features essential for the
design of potential SARS-CoV-2 NSP13 helicase enzyme inhibitors. The promising results shown by FWM-
1, as a lead candidate, encourage further experimental studies to biologically evaluate its potential acti‐
vity and also to provide practical means for further optimisation. Retour au som
5. Conclusions
Since 2019, the world has been in a fierce confrontation with the respiratory pandemic infection of
COVID-19 caused by SARS-Cov-2. Till now, the world health organisation reported more than 243 million
cases and nearly 4.9 million deaths worldwide. Restoring normal life conditions is still far from reaching
even with strict safety measures and massive vaccination programs. Developing specific therapy repre‐
sents the best mean to accelerate restoring normal human activities and put an end to the successive
waves of infection striking many countries. In this work, the SARS-COV-2 NSP13 helicase was selected as
an attractive drug target for the development of COVID-19 therapy. In continuance of our team effort,
here we report the application of a multi-stage virtual screening approach to identify potential lead com‐
pounds against NSP13 helicase enzyme. Firstly, protein-ligand fingerprinting study using the key ligand-
target interactions was conducted to facilitate the generation of a Structure-based pharmacophore. 250
million compounds from the ZINC15 molecular database set were virtually screened through the genera‐
ted 3D pharmacophore. Only 13 compounds with function groups fulfilling all the pharmacophore fea‐
tures were selected for a molecular docking step into the NSP13 active site. All the 13 hits exceeded the
docking score benchmark and the highest scoring five compounds were selected for binding mode analy‐
sis. MD simulation and binding free energy calculations for the best lead FWM-1, revealed superior bin‐
ding affinity (−328.6 ± 9.2 Kcal/mole) and stability with NSP13 helicase enzyme. Further inspection of
the per-residue energy contribution of the binding site amino acids with FWM-1 revealed a highly favou‐
rable contribution of the key amino acids in the ATP-binding domain.
Supplementary Material
Supplemental Material:
Click here for additional data file.(57K, pdf)
Funding Statement
The present work was financially supported from the Researchers Supporting Project number (RSP-
2021/103), King Saud University, Riyadh, Saudi Arabia.
Author contributions
All the authors contributed equally to this work.
Disclosure statement
The authors declare no conflict of interest.
References
1. Wang C, Wang Z, Wang G, et al. . COVID-19 in early 2021: current status and looking forward. Sig Transduct Target Ther
2021;6:114. [PMC free article] [PubMed] [Google Scholar]
2. Beigel JH, Tomashek KM, Dodd LE, et al. . Remdesivir for the treatment of Covid-19 — final report. New Eng J Med Retour au som
2020;383:1813–26. [PMC free article] [PubMed] [Google Scholar]
3. Young B, Tan TT, Leo YS.. The place for remdesivir in COVID-19 treatment. Lancet Infect Dis
2021;21: 20–1. [PMC free article]
[PubMed] [Google Scholar]
4. Ohl ME, Miller DR, Lund BC, et al. . Association of remdesivir treatment with survival and length of hospital stay among US
veterans hospitalized with COVID-19. JAMA Network Open
2021;4:e2114741. [PMC free article] [PubMed] [Google Scholar]
5. Zhou Y-W, Xie Y, Tang L-S, et al. . Therapeutic targets and interventional strategies in COVID-19: mechanisms and clinical studies.
Sig Transduct Target Ther
6. Chen J, Malone B, Llewellyn E, et al. . Structural basis for helicase-polymerase coupling in the SARS-CoV-2 replication-
transcription complex. Cell
7. Tanner JA, Watt RM, Chai Y-B, et al. . The severe acute respiratory syndrome (SARS) coronavirus NTPase/helicase belongs to a
distinct class of 5' to 3' viral helicases. J Biol Chem
8. Ivanov KA, Thiel V, Dobbe JC, et al. . Multiple enzymatic activities associated with severe acute respiratory syndrome coronavirus
helicase. J Virol
9. Newman JA, Douangamath A, Yadzani S, et al. . Structure, mechanism and crystallographic fragment screening of the SARS-CoV-2
NSP13 helicase. Nat Commun
10. Case DA, Cheatham TE, Darden T, et al. . The amber biomolecular simulation programs. J Comput Chem
2005;26:1668–88. [PMC
free article] [PubMed] [Google Scholar]
11. Eberhardt J, Santos-Martins D, Tillack AF, et al. . AutoDock Vina 1.2.0: new docking methods, expanded force field, and python
bindings. J Chem Info Model
2021;61:3891–8. [PubMed] [Google Scholar]
12. Abraham MJ, Murtola T, Schulz R, et al. . GROMACS: high performance molecular simulations through multi-level parallelism
from laptops to supercomputers. SoftwareX
2015;1–2:19–25. [Google Scholar]
13. Schü ttelkopf AW, van Aalten DMF.. PRODRG: a tool for high-throughput crystallography of protein-ligand complexes. Acta
Crystallogr D Biol Crystallogr
14. Hassab MAE, Fares M, Amin MKA-H, et al. . Toward the identification of potential α-ketoamide covalent inhibitors for SARS-CoV-
2 main protease: fragment-based drug design and MM-PBSA calculations. Processes
2021;9:1004. [Google Scholar]
15. El Hassab MA, Shoun AA, Al-Rashood ST, et al. . Identification of a new potential SARS-COV-2 RNA-dependent RNA polymerase
inhibitor via combining fragment-based drug design, docking, molecular dynamics, and MM-PBSA calculations. Front Chem
16. El Hassab MA, Ibrahim TM, Al-Rashood ST, et al. . In silico identification of novel SARS-COV-2 2'-O-methyltransferase (nsp16)
inhibitors: structure-based virtual screening, molecular dynamics simulation and MM-PBSA approaches. J Enzyme Inhib Med Chem
17. El Hassab MA, Ibrahim TM, Shoun AA, et al. . In silico identification of potential SARS COV-2 2′-O-methyltransferase inhibitor:
fragment-based screening approach and MM-PBSA calculations. RSC Adv
2021;11:16026–33. [Google Scholar]
18. Berendsen HJC, Postma JPM, Van Gunsteren WF, et al. . Molecular dynamics with coupling to an external bath. J Chem Phys
1984;81:3684–90. [Google Scholar]
19. Parrinello M, Rahman A.. Polymorphic transitions in single crystals: a new molecular dynamics method. J Appl Phys
1981;52:7182–90. [Google Scholar]
20. Kumari R, Kumar R, Lynn A.. g_mmpbsa-a GROMACS tool for high-throughput MM-PBSA calculations. J Chem Info Model
21. Brewerton SC.

The use of protein-ligand interaction fingerprints in docking. Curr Op Drug Disc Dev
2008;11:356–64. [PubMed]
[Google Scholar]
Retour
22. Deng Z, Chuaqui C, Singh J.. Structural Interaction Fingerprint (SIFt): a novel method for analyzing three-dimensional protein- au som
ligand binding interactions. J Med Chem
23. El-Hasab MA, El-Bastawissy EE, El-Moselhy TF.. Identification of potential inhibitors for HCV NS3 genotype 4a by combining
protein-ligand interaction fingerprint, 3D pharmacophore, docking, and dynamic simulation. J Biomol Struct Dyn
2018;36:1713–27.
[PubMed] [Google Scholar]
24. El-Hassab MA, El-Bastawissy EE, El-Moselhy TF.. Identification d'inhibiteurs potentiels du VHC NS5b de génotype 4a en
combinant simulation dynamique, empreinte d'interaction protéine-ligand, pharmacophore 3D, docking et QSAR 3D . J Biomol
Struct Dyn 2020; 38 : 4521–35. [ PubMed ] [ Google Scholar ]
25. Irwin JJ, Shoichet BK.. ZINC-une base de données gratuite de composés disponibles dans le commerce pour le criblage virtuel . J
Chem Info Model 2005; 45 :177–82. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
26. Pinzi L, Rastelli G.. Amarrage moléculaire : changements de paradigmes dans la découverte de médicaments . Int J Mol Sci 2019;
20 : 4331. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
27. Liu X, Shi D, Zhou S, et al. . Simulations de dynamique moléculaire et découverte de nouveaux médicaments . Exp Op Drug Disc
2018 ; 13 : 23–37. [ PubMed ] [ Google Scholar ]
Retour au som

Approche de Criblage Virtuel Basée Sur La Structure en Plusieurs Étapes Pour L'identification D'inhibiteurs Potentiels de L'hélicase SARS-CoV-2 NSP13 - PMC

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Approche de Criblage Virtuel Basée Sur La Structure en Plusieurs Étapes Pour L'identification D'inhibiteurs Potentiels de L'hélicase SARS-CoV-2 NSP13 - PMC

Transféré par

Droits d'auteur :

Formats disponibles

09/05/2022 17:32 Approche de criblage virtuel basée sur la structure en plusieurs étapes pour l'identification d'inhibiteurs potentiels de l'hélicas…

J Enzyme Inhib Med Chem. 2022 ; 37(1): 563–572.

Approche de criblage virtuel basé e sur la structure en plusieurs é tapes pour

2.1. PLIF et pharmacophore 3D

2.2. Database generation for pharmacophore screening

2.3. Pharmacophore-based virtual screening

2.5. Molecular dynamics (MD)

3.1. PLIF et pharmacophore 3D

Matrice d'interaction PLIF.

Histogramme d'interaction PLIF.

3.2. Docking studies

Structures 2D des cinq composés à succès générés.

FWM-3 −9,1 GLY285, GLY287, LYS288 et HIS290 GLY285, ARG443 et GLY538

FWM-4 −11,1 GLY287, LYS288, SER289, ARG443 et GLY538 ALA316 et LYS288

3.3. Dynamique moléculaire

Hydrogen bond name Average distance (Å) ± SD

Hydrogen bond with GLY285 2.71 ± 0.06

Hydrogen bond with ASP374 2.88 ± 0.09

Hydrogen bond with ASP374 3.25 ± 0.32

Hydrogen bond with GLU375 3.15 ± 0.36

Hydrogen bond with SER377 2.49 ± 0.17

Hydrogen bond with ASP401 2.85 ± 0.02

Hydrogen bond with GLN404 2.31 ± 0.07

Hydrogen bond with ARG443 1.78 ± 0.05

Hydrogen bond with GLY538 2.91 ± 0.13

Complex ΔEbinding ΔEelectrostatic ΔEVander Waal ΔEpolar solvation SASA

FWM-1 −328.6 ± 9.2 −157.7 ± 8.9 −214.6 ± 11.8 72.4 ± 6.3 −28.7.1 ± 1.6

Co-crystallised −159.7 ± 6.7 −86.2 ± 5.4 −127.6 ± 8.2 75.3 ± 6.1 −21.2 ± 1.1

Click here for additional data file.(57K, pdf)

All the authors contributed equally to this work.

The authors declare no conflict of interest.

21. Brewerton SC.

Vous aimerez peut-être aussi