컴퓨터를 이용한 신약 설계는, 시간과 비용을 크게 감소시키는, 효율성이 입증 된 기술이다. 그 중에 ‘Molecular Docking’ 은 컴퓨터를 이용한 신약개발 연구에 매우 중요한 단계로 특정 단백질의 binding site에 맞는 리간드의 최적 포즈를 찾아낼 수 있도록 단백질-리간드의 상호작용을 모델링하여 단백질-리간드 결합 구조를 예측하는 것이 목적이다. 분자도킹은 빠른 시간 내에 대량의 데이터를 효율적으로 다룰 수 있지만, 도킹 스코어의 부정확성과 타겟단백질(target protein)의 유동성을 충분히 고려하지 않은 채 계산이 이루어져 상대적으로 정확도가 떨어진다. 이러한 분자 ...
컴퓨터를 이용한 신약 설계는, 시간과 비용을 크게 감소시키는, 효율성이 입증 된 기술이다. 그 중에 ‘Molecular Docking’ 은 컴퓨터를 이용한 신약개발 연구에 매우 중요한 단계로 특정 단백질의 binding site에 맞는 리간드의 최적 포즈를 찾아낼 수 있도록 단백질-리간드의 상호작용을 모델링하여 단백질-리간드 결합 구조를 예측하는 것이 목적이다. 분자도킹은 빠른 시간 내에 대량의 데이터를 효율적으로 다룰 수 있지만, 도킹 스코어의 부정확성과 타겟단백질(target protein)의 유동성을 충분히 고려하지 않은 채 계산이 이루어져 상대적으로 정확도가 떨어진다. 이러한 분자 도킹의 효율성 및 정확도를 증가시키기 위한 방법이 본 논문에서 제안되었다. 본 연구에서는 PDB(Protein Data Bank)에 있는 200개의 단백질-리간드 결합정보를 이용하였다. 각 샘플에 대하여 생성된 여러 개의 리간드 conformer를 이용해 docking을 수행하였고, 그 docking pose들을 여러 가지 클러스터링 기법을 이용해 테스트하였다. 그 결과 hierarchical clustering기법을 사용하였을 때 65% 이상의 확률로 정답이 상위 5개 군집 내에 존재함을 확인 할 수 있었다. 이로써 상위 5 군집의 대푯값을 뽑아 Molecular Dynamics를 시행함으로 써 정확도와 효율성을 갖춘 binding pose의 예측이 가능해 질 수 있다.
컴퓨터를 이용한 신약 설계는, 시간과 비용을 크게 감소시키는, 효율성이 입증 된 기술이다. 그 중에 ‘Molecular Docking’ 은 컴퓨터를 이용한 신약개발 연구에 매우 중요한 단계로 특정 단백질의 binding site에 맞는 리간드의 최적 포즈를 찾아낼 수 있도록 단백질-리간드의 상호작용을 모델링하여 단백질-리간드 결합 구조를 예측하는 것이 목적이다. 분자도킹은 빠른 시간 내에 대량의 데이터를 효율적으로 다룰 수 있지만, 도킹 스코어의 부정확성과 타겟단백질(target protein)의 유동성을 충분히 고려하지 않은 채 계산이 이루어져 상대적으로 정확도가 떨어진다. 이러한 분자 도킹의 효율성 및 정확도를 증가시키기 위한 방법이 본 논문에서 제안되었다. 본 연구에서는 PDB(Protein Data Bank)에 있는 200개의 단백질-리간드 결합정보를 이용하였다. 각 샘플에 대하여 생성된 여러 개의 리간드 conformer를 이용해 docking을 수행하였고, 그 docking pose들을 여러 가지 클러스터링 기법을 이용해 테스트하였다. 그 결과 hierarchical clustering기법을 사용하였을 때 65% 이상의 확률로 정답이 상위 5개 군집 내에 존재함을 확인 할 수 있었다. 이로써 상위 5 군집의 대푯값을 뽑아 Molecular Dynamics를 시행함으로 써 정확도와 효율성을 갖춘 binding pose의 예측이 가능해 질 수 있다.
Chemoinformatics is very useful technologies because of reduction time consumption and less cost. In chemoinformatics, ‘Molecular Docking’ is frequently used by researchers. Molecular Docking is to find best pose in the certain protein’s binding site. Purpose of molecular docking is to predict prote...
Chemoinformatics is very useful technologies because of reduction time consumption and less cost. In chemoinformatics, ‘Molecular Docking’ is frequently used by researchers. Molecular Docking is to find best pose in the certain protein’s binding site. Purpose of molecular docking is to predict protein-ligand structure by modeling protein-ligand interaction. Molecular docking can handle large amounts of data in a short time, but it has a problem with docking score inaccuracy. When molecular docking modeling on interaction, they do not consider protein’s flexibility, so it can relatively lead to inaccuracy. In this study, we aim to increase the efficiency of molecular docking, so that we clustered to make sure the best binding pose is always within the top cluster. The ultimate goal of this study is to ensure that the original ligand is always on the top cluster through clustering. In this study, we used the 200 protein-ligand complex in Protein Data Bank(PDB) and clustered these 200 protein model’s multiple conformers that made by protein-ligand docking. As a result, we confirmed the original ligand in the top cluster and get 65% success rates by using Hierarchical clustering. Hereby, we can predict the accuracy and efficiency of the binding pose by extracting the representative values of the upper 5 clusters and performing the Molecular dynamics.
Chemoinformatics is very useful technologies because of reduction time consumption and less cost. In chemoinformatics, ‘Molecular Docking’ is frequently used by researchers. Molecular Docking is to find best pose in the certain protein’s binding site. Purpose of molecular docking is to predict protein-ligand structure by modeling protein-ligand interaction. Molecular docking can handle large amounts of data in a short time, but it has a problem with docking score inaccuracy. When molecular docking modeling on interaction, they do not consider protein’s flexibility, so it can relatively lead to inaccuracy. In this study, we aim to increase the efficiency of molecular docking, so that we clustered to make sure the best binding pose is always within the top cluster. The ultimate goal of this study is to ensure that the original ligand is always on the top cluster through clustering. In this study, we used the 200 protein-ligand complex in Protein Data Bank(PDB) and clustered these 200 protein model’s multiple conformers that made by protein-ligand docking. As a result, we confirmed the original ligand in the top cluster and get 65% success rates by using Hierarchical clustering. Hereby, we can predict the accuracy and efficiency of the binding pose by extracting the representative values of the upper 5 clusters and performing the Molecular dynamics.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.