摘要：本此视频中，以KRASG12D为概念验证案例，证明该方法可准确预测已知隐秘口袋（包括隐匿数十年的Switch-II口袋）。最后，我们将展示该自动化蛋白质采样与隐秘口袋检测流程在19种蛋白质（涵盖24类独特口袋类型）中的验证结果。
内容简介
为拓展可成药蛋白质组范围（涵盖KRAS等难成药靶点），我们开发了一套自动化工作流，使非专业人员也能评估蛋白质的配体结合能力。某些危及生命的疾病相关蛋白难以治疗，究其根本是缺乏明确的分子抑制剂结合口袋。典型代表KRAS蛋白——一种参与超过25%人类癌症的GTP酶。尽管学术界与工业界投入巨大努力寻找其可用口袋，但KRAS在过去三十余年中始终被视为不可成药靶点。
仅需蛋白质结构数据（X射线晶体、冷冻电镜、AI预测等），本工作流即可通过加权集成路径采样方法捕获稀有蛋白质构象状态，并运用马尔可夫状态模型组协同分析形成口袋的关键残基。进一步地，我们采用神经网络模型评估口袋内配体结合潜力，据此对预测口袋进行可药性排序。该流程能识别通过两种机制形成的口袋：稀有蛋白质构象选择或探针分子诱导契合。
本此视频会议中，以KRASG12D为概念验证案例，证明该方法可准确预测已知隐秘口袋（包括隐匿数十年的Switch-II口袋）。最后，我们将展示该自动化蛋白质采样与隐秘口袋检测流程在19种蛋白质（涵盖24类独特口袋类型）中的验证结果。
主讲人
David LeBard, Head of Science at OpenEye
David在复杂生物系统的理论和计算建模方面均有背景，致力于促进工业界和学术界的合作，以寻找药物发现问题的解决方案，包括类药分子的被动渗透性建模、生物分子的稀有事件采样以及蛋白质中隐秘口袋的识别。
关于OpenEye隐秘口袋识别工作流（Cryptic Pocket Detection Floes）
对于某些靶标蛋白质，现有的静态结构可能缺乏明显的小分子结合位点，或者可见的口袋可能具有使其对药物开发具有挑战性的特性（例如，高家族相似性）。OpenEye隐秘口袋识别工作流（Cryptic Pocket Detection Floes）旨在揭示隐藏的结合位点，并帮助评估这些靶点的成药性。工作流通过使用加权系综分子动力学（MD）模拟来采样，然后分析产生的轨迹数据以识别潜在的隐秘口袋，其他OpenEye药物发现工具可在此基础进行后续的研究与探索。
更多关于OpenEye隐秘口袋识别工作流请访问：Cryptic Pocket Detection Floes
