Schrödinger の全世界のオフィスは、社員全員が休息を取り、リフレッシュするための全社的な取り組みの一環として、8月17日から21日までの1週間、休業いたします。この期間中は、お問い合わせへの対応が制限される場合がございますので、あらかじめご了承ください。科学・技術サポートチームのメンバーは、緊急のサポート案件への対応のみ行います。

お問い合わせ

Protein Preparation Workflow

一般的な構造上の問題を修正し、信頼性の高い全原子タンパク質モデルを構築するための、使いやすいツール

 

概要

構造 を基盤としたモデリングプロジェクトを成功させるには、正確なソフトウェアだけでなく、正確な初期構造も不可欠です。実験から得られた構造にありがちな問題を放置すると、時間やリソースの浪費につながりかねません。Schrödingerの「Protein Preparation Workflow 」は、研究者がプロジェクトの初期段階から構造の正確性を確保できるよう支援することを目的としており、幅広いモデリング用途に最適な、信頼性の高い「構造 」を提供します。

経験豊富なモデラーなら、正確な初期構造が、計算機支援による創薬の成功に不可欠であることを知っています。残念ながら、高解像度のX線結晶構造データ構造 を使用する場合であっても、研究者は、水素原子の欠落、不完全な側鎖やループ、プロトン化状態の不明確さ、および反転した構造残基 といった一般的な問題を修正するために、多大な時間と労力を費やすことがあります。

Protein Preparation Workflow は、構造 のデータ作成において最も頻繁に使用されるツールや手法を集約・自動化・統合しつつ、研究者を単一の柔軟性に欠けるプロセスに無理やり縛り付けることはありません。データ作成ワークフロー全体を通じて、ユーザーは各操作を適用するかどうかを選択でき、中間構造がすべてプロジェクトテーブルに整理されているため、結果を同僚と共有したり、特殊なアプローチが必要な場合に外部アプリケーションを利用したりすることも極めて容易になります。

Protein Preparation Workflow は、些細な構造修正を行うための単なる一連のユーティリティにとどまらず、構造 を基盤とした創薬プロジェクトの初期段階で妥当な出発点を確保するための堅牢なソリューションであり、正確なタンパク質モデルに依存して研究を行うあらゆる化学者にとって、魅力的な選択肢となっています。

特長

パフォーマンス

SchrödingerのProtein Preparation Workflow を利用することで、研究者は生のPDBデータ（構造 ）を、数時間や数日ではなく、わずか数分で全原子・完全に準備されたタンパク質モデルに変換できるほか、その後のすべてのモデリングシミュレーションの精度も確保できます。

Protein Preparation Workflow は、以下の機能により、構造 の作成効率を向上させます：

  • ローカルデータベースやPDBウェブサイトから、PDBファイル全体、あるいはPDBファイル内の任意の鎖を自動的にインポートします
  • 不足している水素原子を自動的に追加する
  • 適切な形式電荷と力場の処理を確保するために、金属の酸化数を正しく設定する
  • HETグループへの結合順序を列挙する
  • ユーザーの判断により、共結晶化した水分子を除去する
  • ACEおよびNMAを用いてタンパク質の末端を封止する残基
  • 原子が欠落している、または占有数が複数ある残基 をハイライト表示する
  • Prime（Schrödingerが開発した、構造 のタンパク質予測プログラム）向けの構造前処理
  • 直感的なグラフィカルツールを使用して、さまざまな残基 、HETグループ、およびチェーン間を簡単に移動できます
  • リガンド の最も可能性の高いプロトン化状態、およびその他のプロトン化状態に伴うエネルギー損失を、迅速かつ簡単に特定できます。
  • ヒスチジンの最適なプロトン化状態を決定する残基
  • アルギニン、グルタミン、ヒスチジンの側鎖において、位置が入れ替わっている可能性のある重原子を修正する
  • 体系的なクラスターベースのアプローチを用いてタンパク質の水素結合ネットワークを最適化し、これにより調製時間を大幅に短縮する
  • 水素原子を自由に最小化しつつ、応力のかかった結合、角度、および衝突を緩和するために十分な重原子の移動を許容する、制約付き最小化を実行する

参考文献

  1. Penicillium verruculosum由来のエンドグルカナーゼの熱安定性を向上させるためのジスルフィド結合の改変

    Anna Bashirova、Subrata Pramanik、Pavel Volkov、Aleksandra Rozhkova、Vitaly Nemashkalov、Ivan Zorov、Alexander Gusakov、Arkady Sinitsyn、Ulrich Schwaneberg、および Mehdi D. Davari、『Int J Mol Sci』、2023年、20(7)、1602

  2. モノクローナル抗体におけるメチオニン酸化リスクのインシリコ評価に関する新規手法：2シェルモデルからの改良

    Davide Tavella、David R. Ouellette、Raffaella Garofalo、Kai Zhu、Jianwen Xu、Eliud O. Oloo、Christopher Negron、Peter M. Ihnat、『PLoS ONE』、2022年、17(12)

  3. ヒトβ-トリプターゼに対する新規の自己会合性二量体阻害剤

    Giardina, S.F.; Werner, D.S.; Pingle, M.; Feinberg, P.B.; Foreman, K.W.; Bergstrom, D.E.; Arnold, L.D.; Barany, F.,J. Med. Chem.,2020, 63(6), 3004–3027

  4. プロピオン酸クロベタゾールは、ヘムを介したヒトシトクロムP450 3A5の選択的阻害剤である

    Wright, W.C.; Chenge, J.; Wang, J.; Girvan, H.M.; Yang, L.; チャイ, S.C.; フーバー, A.D.; ウー, J.; オラディメジ, P.O.; マンロー, A.W.; チェン, T.,J. Med. Chem.,2020, 63 (3), 1415–1433

  5. 急性骨髄性白血病におけるMUSASHIのRNA結合活性に対する低分子による標的治療

    Minuesa, G.; Albanese, S. K.; Xie, W.; Kazansky, Y.; Worroll, D. ほか,『Nature Communications』,2019, 10, 2691 (2019)

  6. MM-GBSAを用いたβ-ラクタマーゼTEM1における機能喪失型変異の予測

    Negron, C.; Pearlman, D.A.; del Angel, G.,PLoS ONE,2019, 14(3), e0214015

  7. 分子動力学軌跡から算出された記述子を用いたERK2キナーゼ阻害剤の化合物空間 の特性評価

    Ash, J.; Fourches, D.,J. Chem. Inf. Model.,2017, 57 (6), 1286–1299

  8. 一般的なHLA-B*57:01変異体によって引き起こされる薬物有害反応：分子ドッキング研究

    Van Den Driessche, G.; Fourches, D.,J. Cheminform.,2017, 9 (13), 1-17

  9. アミノ酸の単一点変異がタンパク質の安定性に及ぼす影響の予測――分子動力学（MD）に基づく相対自由エネルギー計算の大規模検証

    Steinbrecher, T.; Zhu, C.; Wang, L.; Abel, A.; Negron, C.; Pealman, D.; Feyfant, E.; Duan, J.; Sherman, W.,J. Mol. Biol. ,2017, 429 (7), 948-963

  10. 自由エネルギーの摂動を用いたGPCRリガンドの結合親和性の予測

    Lenselink, E.B.; Louvel, J.; Forti, A.F.; van Veldhoven, J.P.D.; de Vries, H.; Mulder-Krieger, T.; McRobb, F.M.; Negri, A.; Goose, J.; Abel, R.; van Vlijmen, H.W.T.; Wang, L.; Harder, E.; Sherman, W.; IJzerman, A.P.; Beuming, T.,ACS Omega,2016, 1, 293-304

  11. クロストリジウム・ディフィシル（Clostridium difficile）の二成分性毒素CDTの酵素活性および細胞毒性を阻害するナノボディの選別

    Unger, M; Eichhoff, AM; Schumacher, L; Strysio, M; Menzel, M; Schwan, C; Alzogaray, V; Zylberman, V; Seman, M; Brandner, J; Rohde, H; Zhu, K; Haag, F; Mittrücker, H; Goldbaum, F; Aktories, K; Koch-Nolte, F., 『Scientific Reports』,2015, 5(7850), 1-10

  12. フラグメント最適化における正確な結合自由エネルギーの予測

    Steinbrecher, T.B.; Dahlgren, M.; Cappel, D.; Lin, T.; Wang, L.; Krilov, G.; Abel, R.; Friesner, R.; Sherman, W.,J. Chem. Inf. Model.,2015, 55 (11), 2411–2420

  13. 海洋由来のシポレノールA-4-O-3′,4′-ジクロロ安息香酸エステルは、BrkおよびFAKシグナル伝達経路の抑制を通じて、in vitroおよびin vivoにおいて乳がんの増殖と運動性を抑制する

    Akl, M.R.; Foudah, A.I.; Ebrahim, H.Y.; Meyer, S.A.; El Sayed, K.A.,『Mar. Drugs』,2014, 12(4), 2282-2304

  14. 構造 を用いた仮想スクリーニングによる、選択的かつATP非競合性のCDK5/p25阻害剤としてのチエノキノロン誘導体の発見

    Chatterjee, A.; Cutler, S.J.; Doerksen, R.J.; Khan, I.A.; Williamson, J.S.,Bioorg. Med. Chem.,2014, 22, 6409-6421

  15. d-アルギニンデヒドロゲナーゼのチロシンからフェニルアラニンへの還元半反応に関する、活性部位変異体の機構的および計算機シミュレーションによる研究

    Gannavaram, S.; Sirin, S.; Sherman, W.; Gadda, G.,『Biochemistry』,2014, 53(41), 6574-6583

  16. 物理学に基づく酵素設計：結合親和性と触媒活性の予測

    Sirin, S.; Pearlman, D.A.; Sherman, W.,『Proteins』,2014, 82(12), 3397-409

  17. 酵素設計への計算機的アプローチ：ドッキングおよびMM-GBSAスコアリングを用いたω-アミノトランスフェラーゼの触媒活性の予測

    Sirin, S.; Kumar, R.; Martinez, C.; Karmilowicz, M.J.; Ghosh, P.; Abramov, Y.A.; Martin, V.; Sherman, W.,J. Chem. Inf. Model.,2014, 54(8), 2334-2346

  18. タンパク質およびリガンド の調製：パラメータ、プロトコル、およびバーチャルスクリーニングにおけるエンリッチメントへの影響

    Sastry, G.M.; Adzhigirey, M.; Day, T.; Annabhimoju, R.; Sherman, W.,J. Comput. Aid. Mol. Des.,2013, 27(3), 221-234

  19. ポリペプチドとGlide

    Tubert-Brohman, I.; Sherman, W.; Repasky, M.; Beuming, T.,J. Chem. Inf. Model.,2013, 53(7), 1689-1699

  20. データ融合による仮想スクリーニングの精緻化：2次元フィンガープリント、形状、ドッキングからのヒット候補の統合

    Sastry, G.M.; Inakollu, V.S.; Sherman, W,J. Chem. Inf. Model.,2013, 53, 1531-1542