一种简便实现IFP（分子相互作用指纹）的方法

DrugScience

发布于 2021-02-04 14:58:16

1.2K0

一个乌龙，Bioinformation看成了Bioinformatics，然后就是只能自娱自乐了。

PS：搞这个需要点极客精神

背景：

分子间相互作用指纹（IFP）是虚拟筛选（VS）中的一种新型的方法，能够提高VS质量。该方法可以对比对接输出的蛋白配体相互作用和参考配体相互作用。作者开发出一种基于Python的IFP软件，该软件依赖于开源代码软件-OpenBabel，并提供完全免费的IFP计算工具，任何人都可以使用它，并可以根据需要进行修改。

简介：

基于结构的虚拟筛选（SBVS）通常依赖于打分函数。实际上，打分函数简化了复杂的配体-靶标结合作用模式。最近，interaction fingerprinting（IFP，相互作用指纹）概念的出现提供了一种表现配体受体相互作用模式的替代方法，IFP可以的显示分子间相互作用力的细节以及作用力特异性。IFP是一种将三维（3D）蛋白质-配体相互作用转换为一维（1D）比特字符串的方法。IFP可用于来比较配体之间与蛋白质相互作用力的差异与。本文中，作者开发了PyPLIF，一种基于Python的开源计算IFP工具。

图1. IFP计算的相互作用力。图片来源Bioinformation

方法：

PyPLIF通过根据自定义选择的残基和相互作用类型将配体蛋白的分子相互作用转换为bit字符串。对于每个残基来说，七个比特位可以代表七个相互作用类型：（i）非极性的（范德华力），（ii）face toface（π-π相互作用），（iii）edge to face（π-π相互作用），（iv）氢键（残基为供体），（v）氢键（残基为受体），（vi）静电相互作用（残基带正电荷）和（vii）静电相互作用（残基带负电荷）。随后，使用Tanimoto系数（Tc）检查相似性，相似性分数处于 0.000– 1.000之间，其中0.000表示无相似性，而1.000表示完全一致。

图2. Tanimoto系数计算。图片来源Bioinformation

图3. PyPlif输出结果展示。图片来源Bioinformation

结果与讨论：

作者使用PyPLIF来对雌激素α受体（ERα）拮抗剂进行测试。为了测试PyPLIF能否提高SBVS的筛选质量，作者首先通过根据结构对配体进行了分类，由于残基ASP351对蛋白受体与配体的结合非常重要，作者为残基ASP351添加了氢键过滤器，EF1％提高至53.84。这个结果表明使用PyPLIF进行VS后续分析可以大大提高药物筛选的质量。

参考文献：

Radifar, M., N. Yuniarti, andE.P. Istyastono, PyPLIF: Python-based Protein-Ligand InteractionFingerprinting. Bioinformation, 2013. 9(6): p. 325-8.

下载地址：http://code.google.com/p/pyplif

Example：

#打开Install.txt,安装要求进行操作
catINSTALL.txt
#安装
./setup.shforce
#进入docs文件夹
cddocs
#显示帮助命
pyplif-h
#显示：
Usage:pyplif.py [options]

Options:
  -h, --help            show this help message and exit
  -c FILE, --config=FILE
                        read config from FILE
  -o FILE, --output=FILE
                        write result to FILE
  -f, --fixed           Only using protein reference,ignoring the flexible
                        residue(s)
  -d, --debug_mode      Activate debug mode
  -a, --autocharge      assign formal charge with open babel
  -r, --protref         Using the protein reference instead of
                        binding_site_fixed.mol2in PLANTS
#查看config.txt文件内容
catconfig.txt
#参考蛋白配体，参考蛋白配体，蛋白配体所在文件夹，需要计算的受体残基，输出文件
protein_referenceH1_site.mol2
ligand_referenceDoxepin.mol2
protein_ligand_folder  ./results
residue_of_choiceVAL80 TRP103 LEU104 ASP107 TYR108 SER111 THR112 ILE115 TRP158 ILE162 PHE199PHE424 TRP428 TYR431 PHE432 PHE435 HIS450 ILE454 TRP455 TYR458 ASN460
output_fileH1_ifp.csv
#建立一个result文件夹
mkdirresult
#在result文件夹中创建新的文件命名为feature.csv
#格式应为
catfeature.csv
#显示
name，score
mol1,1
mol2,2
mol3,3
#此时result文件夹中文件应为
#protein_bindingsite_fixed.mol2文件为计算的受体残基文件
mol1,mol2,mol3,protein_bindingsite_fixed.mol2,feature.csv
#docs文件夹下文件应该为
#只是必须的
config.txt  Doxepin.mol2（参考配体）  H1_protein.mol2  H1_site.mol2（你可以将这个文件作为protein_bindingsite_fixed.mol2，并复制到result中） result（文件夹）
#当前目录为docs文件夹
#输入
pylif-c config.txt
#输出：
Totaltime taken 0.864 s.
#输出文件：
H1_ifp.csv
#查看
catH1_ifp.csv
#结果
#首先是Doxepin.mol2  ，参考配体，然后接着他的ifp
#第二个分子为2.mol2，得分(对接打分排名)为1，与参考配体ifp相似度系数为1.000，后面接着ifp指纹
#第三个分子为3_entry.mol2，得分(对接打分排名)为2，与参考配体ifp相似度系数为1.000，后面接着ifp指纹

                                                                         VAL80  TRP103 LEU104 ASP107 TYR108SER111 THR112 ILE115 TRP158 ILE162 PHE199 PHE424 TRP428 TYR431 PHE432 PHE435HIS450 ILE454 TRP455 TYR458 ASN460
Doxepin.mol2                                                                 000000000000000000000100010110100001000000100100010000001010000000000010000001010000101000010100001010000101000000000001000000000000010000000000000
PyPLIF-0.1.1/docs/results/2.mol21
        1.000 000000000000000000000100010110100001000000100100010000001010000000000010000001010000101000010100001010000101000000000001000000000000010000000000000
PyPLIF-0.1.1/docs/results/3_entry.mol22
        1.000 000000000000000000000100010110100001000000100100010000001010000000000010000001010000101000010100001010000101000000000001000000000000010000000000000
PyPLIF-0.1.1/docs/results/H1_ligands_entry.mol23
        0.000 000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
PyPLIF-0.1.1/docs/results/H1_ligands_protonated_entry.mol24
        0.000 000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-12-27，如有侵权请联系 cloudcommunity@tencent.com 删除

python

本文分享自 FindKey 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

python

登录后参与评论

0 条评论

热度

一种简便实现IFP（分子相互作用指纹）的方法

一种简便实现IFP（分子相互作用指纹）的方法

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐