Вычислительные ресурсы для открытия лекарств - Computational Resource for Drug Discovery

Вычислительные ресурсы для открытия лекарств (CRDD) является одним из важных силиконовых модулей Открытый исходный код для открытия лекарств (OSDD). Веб-портал CRDD предоставляет компьютерные ресурсы, связанные с открытие лекарств на единой платформе. Он предоставляет вычислительные ресурсы для исследователей в области компьютерных технологий. дизайн лекарства, дискуссионный форум и ресурсы для поддержки Википедия связанных с открытием лекарств, предсказывать ингибиторы и предсказывать ADME-Tox свойство молекул Одна из основных целей CRDD - продвигать открытый исходный код программного обеспечения в области химиоинформатика и фармакоинформатика.

Функции

В рамках CRDD собраны и собраны все ресурсы, связанные с компьютерным дизайном лекарств. Эти ресурсы организованы и представлены на CRDD, поэтому пользователи могут получать ресурсы из одного источника.

  • Идентификация цели предоставляет ресурсы, важные для поиска мишеней для наркотиков, с информацией о аннотация генома, аннотация протеома, потенциальные цели и структура белка
  • Виртуальный скрининг объединяет ресурсы, важные для виртуального скрининга, такие как методы QSAR, стыковка QSAR, химиоинформатика и миРНК /miRNA
  • Дизайн лекарств предоставляет ресурсы, важные для разработки ингибиторов / молекул лекарств, таких как оптимизация свинца, фармацевтика, ADMET и клиническая информатика.

Вклад сообщества

В рамках этой категории была разработана платформа, на которой сообщество может внести свой вклад в процесс открытия лекарств.

  • DrugPedia: Wikipedia for Drug Discovery - это Wiki, созданная для сбора и обобщения информации, связанной с компьютерным дизайном лекарств. Он разработан в рамках проекта Open Source Drug Discovery (OSDD) и охватывает широкий круг вопросов, связанных с лекарствами, такими как Биоинформатика, Химинформатика, клиническая информатика и др.
  • Индия: Википедия для Индия это Wiki для сбора и обобщения информации о наркотиках, связанных с Индией. Он предназначен для предоставления исчерпывающей информации об Индии, созданной для индейцев индейцами. Он разработан под эгидой проекта Open Source Drug Discovery (OSDD).
  • Форум CRDD был запущен для обсуждения проблемы разработки вычислительных ресурсов для открытия лекарств.

Местное развитие: программное обеспечение и веб-сервисы

Помимо сбора и компиляции ресурсов, члены CRDD разрабатывают новое программное обеспечение и веб-сервисы. Все разработанные сервисы бесплатны для академического использования. Ниже приведены несколько основных инструментов, разработанных в CRDD.[нужна цитата ]

Разработка баз данных

  • HMRBase: это вручную созданный база данных из Гормоны и их Рецепторы. Это компиляция данных о последовательностях после обширного ручного поиска литературы и из общедоступных баз данных. HMRbase можно искать по множеству типов данных. Благодаря высокому влиянию эндокринные исследования В биомедицинских науках Hmrbase может стать ведущим порталом данных для исследователей. Основными особенностями Hmrbase являются информация, связанная с парой гормон-рецептор, картирование участков пептидов на белковые последовательности гормонов и рецепторов, аннотации домена Pfam, варианты просмотра по категориям, отправка данных в режиме онлайн.[1] Эта база данных интегрирована в наркопедию, поэтому публика может внести свой вклад.
  • BIAdb: база данных для Бензилизохинолин Алкалоиды. База данных бензилизохинолиновых алкалоидов - это попытка собрать разрозненную информацию, относящуюся к BIA. Многие BIA обладают терапевтическими свойствами и могут рассматриваться как кандидаты в сильнодействующие лекарства. Эта база данных также будет полезна исследователям, работающим в области синтетической биологии, поскольку разработка важных с медицинской точки зрения алкалоидов с использованием синтетического процесса является одной из важных задач. Эта база данных интегрирована в наркопедию, поэтому публика может внести свой вклад.[2]
  • AntigenDB: Эта база данных содержит более 500 антигены собраны из литературы и других иммунологических ресурсов. Эти антигены происходят от 44 важных патогенных видов. В AntigenDB запись в базе данных содержит информацию о последовательности, структуре, происхождении и т. Д. Антигена с дополнительной информацией, такой как B и Т-клетка эпитопы, MHC связывание, функция, экспрессия генов и посттрансляционные модификации, если они доступны. AntigenDB также предоставляет ссылки на основные внутренние и внешние базы данных.[3]
  • PolysacDB: PolysacDB предназначен для предоставления исчерпывающей информации об антигенных полисахариды микробного происхождения (бактериальный и грибковый ), антитела против них, предлагаемые эпитопы, структурные детали, предлагаемые функции, систему анализа, информацию, связанную с перекрестной реактивностью, и многое другое. Это база данных, созданная вручную, где большая часть данных была собрана из PubMed и PubMed Central литературные базы данных.
  • TumorHope: TumorHope - это управляемая вручную обширная база данных экспериментально охарактеризованных опухоль самонаводящиеся пептиды. Эти пептиды распознают опухолевые ткани и микросреду, связанную с опухолью, включая опухоль. метастаз.
  • ccPDB: База данных ccPDB предназначена для предоставления услуг научному сообществу, работающему в области аннотации функций или структуры белков. Эта база данных наборов данных основана на Банк данных белков (PDB), где все наборы данных были получены из PDB.[4]
  • OSDDchem: химическая база данных OSDDChem - это открытое хранилище информации о синтезированных, полусинтезированных, природных и виртуально сконструированных молекулах от сообщества OSDD.
  • CancerDR: CancerDR - это база данных из 148 противораковые препараты и их эффективность против около 1000 линий раковых клеток. Это целевые препараты, CancerDR хранит исчерпывающую информацию об этих целевых препаратах. ген / белок и Сотовые линии.

Программное обеспечение разработано

  • MycoTB: Чтобы помочь научному сообществу, мы расширили концепцию гибкой системы для создания автономного программного обеспечения MycoTB для Windows Пользователи. MycoTB - одна из компьютерных программ, разработанных в рамках программы OSDD / CRDD. Это программное обеспечение позволяет пользователю создавать собственную гибкую систему на своих персональных компьютерах для управления и аннотирования всего протеома MycoTB.

Ресурсы созданы

  • CRAG: Вычислительные ресурсы для сборки геномов (CRAG) призваны помочь пользователям в сборке геномов с помощью короткого секвенирования чтения (SRS). Следуя основной цели; i) Сбор и компиляция вычислительных ресурсов, ii) Краткое описание сборщиков генома, iii) Ведение SRS и связанных данных, iv) Услуги сообществу для сборки их геномов
  • CRIP: Вычислительные ресурсы для прогнозирования белок-макромолекулярных взаимодействий (CRIP), разработанные для обеспечения взаимодействия, связанного с ресурсами. Этот сайт поддерживает большое количество ресурсов о мире взаимодействия белков, включая белок-белок, белок-ДНК, белок – лиганд, белок–РНК.
  • BioTherapi: Биоинформатика терапевтических пептидов и белков (BioTherapi), разработанная для исследователей, работающих в области белковой / пептидной терапии. В настоящее время не существует единой платформы, предоставляющей такую ​​информацию. Этот сайт включает всю необходимую информацию об использовании пептидов / белков в лекарствах и синтезе новых пептидов. Он также охватывает проблемы в их формулировании, синтезе и процессе доставки.
  • Сайт HivBio: HIV Bioinformatics (HIVbio) содержит различную информацию о Вирус иммунодефицита человека (ВИЧ) жизненный цикл и инфекция.
  • GDPbio: GDPbio (Прогнозирование заболеваний на основе генома и личные лекарства с использованием биоинформатики) - это проект, ориентированный на предоставление различных ресурсов, связанных с анализом генома, в частности, для прогнозирования восприимчивости к болезням конкретного человека и разработки индивидуальных лекарств с целью улучшения общественного здоровья.
  • AminoFAT: Сервер функциональных аннотаций для аминокислот (AminoFAT) разработан для обслуживания сообщества биоинформатиков. Цель состоит в том, чтобы разработать как можно больше инструментов для понимания функции аминокислот в белках на основе структуры белка в PDB. Обширное знание функции белков поможет в идентификации новых мишеней для лекарств.

Веб-сервисы для химиоинформатики

Впервые в мире команда CRDD разработала платформу с открытым исходным кодом, которая позволяет пользователям прогнозировать ингибиторы против нового M. Туберкулез мишени для лекарств и другие важные свойства молекул лекарств, такие как ADMET. Ниже приведен список нескольких серверов.

  • MetaPred: веб-сервер для прогнозирования Цитохром P450 Изоформа, отвечающая за метаболизм молекулы лекарства. MetaPred Server предсказывает метаболизирующую изоформу CYP молекулы / субстрата лекарственного средства на основе моделей SVM, разработанных с использованием дескрипторов CDK. Этот сервер будет полезен исследователям, работающим в области открытия лекарств. Это исследование демонстрирует возможность разработки бесплатных веб-серверов в области химиоинформатики. Это побудит других исследователей разработать веб-сервер для публичного использования, что может привести к снижению затрат на открытие новых молекул лекарств.[5]
  • ToxiPred: Сервер для прогнозирования токсичности малых химических молекул в воде T. pyriformis.
  • KetoDrug: веб-сервер для прогнозирования аффинности связывания производных кетоксазола с Амид гидролаза жирных кислот (FAAH). Это удобный веб-сервер для прогнозирования сродства связывания малых химических молекул с FAAH.
  • KiDoQ: KiDoQ, веб-сервер, был разработан для обслуживания научного сообщества, работающего в области разработки ингибиторов против Дигидродипиколинатсинтаза (DHDPS), потенциальный фермент-мишень для лекарственного средства уникального бактериального пути DAP / лизина.[6]
  • GDoQ: GDoQ (Прогнозирование ингибиторов GLMU с помощью QSAR и AutoDock ) - это платформа с открытым исходным кодом, разработанная для прогнозирования ингибиторов против Микобактерии туберкулеза (M.Tb) лекарственная мишень N-ацетилглюкозамин-1-фосфатуридилтрансфераза (GLMU) белок. Это потенциальная лекарственная мишень, участвующая в синтезе клеточной стенки бактерий. Этот сервер использует молекулярную стыковку и стратегии QSAR для прогнозирования значения ингибирующей активности (IC50) химических соединений для белка GLMU.[7]
  • ROCR: ROCR - это пакет R для оценки и визуализации производительности классификатора. Это гибкий инструмент для создания графиков ROC, кривых чувствительности / специфичности, площади под кривой и кривой точности / отзыва. Параметризацию можно визуализировать, раскрасив кривую в соответствии с отсечкой.
  • WebCDK: веб-интерфейс для CDK библиотека, это веб-интерфейс для прогнозирования дескрипторов химических веществ с использованием библиотеки CDK.
  • Фармакокинетика: анализ фармакокинетических данных определяет взаимосвязь между режимом дозирования и воздействием лекарственного средства на организм, что измеряется нелинейной кривой зависимости концентрации от времени. Он включает функцию AUC для вычисления площади под кривой. Он также включает функции для оценки периода полураспада для биэкспоненциальной модели и двухфазной линейной регрессии.

Прогнозирование и анализ мишеней для лекарств

  • RNApred: Прогнозирование РНК-связывающих белков по целой аминокислотной последовательности.[8]
  • ProPrint: Прогнозирование взаимодействия между белками на основе их аминокислотной последовательности.[9]
  • DomPrint: Domprint - это сервер прогнозирования взаимодействия домена и домена (DDI).
  • MycoPrint: MycoPrint - это веб-интерфейс для исследования интерактивного Микобактерии туберкулеза H37Rv (Mtb), предсказанный методом «карты взаимодействия доменов» (DIM).
  • ATPint: сервер для прогнозирования АТФ взаимодействующие остатки в белках.[10]
  • FADpred: Идентификация FAD взаимодействующие остатки в белках.[11]
  • GTPbinder: предсказание белка GTP взаимодействующие остатки.[12]
  • NADbinder: Прогнозирование остатков связывания NAD в белках.[13]
  • PreMier: Дизайн мутантов антибактериальных пептидов.[14]
  • DMAP: DMAP: конструирование мутантов антибактериальных пептидов
  • icaars: Прогнозирование и классификация аминоацил тРНК синтетазы с использованием доменов PROSITE [15]
  • CBtope: Прогнозирование конформационного эпитопа В-клеток в последовательности на основе его аминокислотной последовательности.[16]
  • DesiRM: Дизайн комплементарных и несоответствующих миРНК для подавления гена.[17]
  • GenomeABC: сервер для тестирования ассемблеров генома.

Рекомендации

  1. ^ Рашид, Мамун; Сингла, Дипак; Шарма, Арун; Кумар, Маниш; Рагхава, Гаджендра П.С. (2009). «Hmrbase: база данных гормонов и их рецепторов». BMC Genomics. 10: 307. Дои:10.1186/1471-2164-10-307. ЧВК  2720991. PMID  19589147.
  2. ^ Сингла, Дипак; Шарма, Арун; Каур, Джасджит; Панвар, Бхарат; Рагхава, Гаджендра П.С. (2010). «BIAdb: тщательно подобранная база данных бензилизохинолиновых алкалоидов». BMC Фармакология. 10: 4. Дои:10.1186/1471-2210-10-4. ЧВК  2844369. PMID  20205728.
  3. ^ Ansari, H.R .; Flower, D. R .; Рагхава, Г. П. С. (2009). «AntigenDB: иммуноинформатическая база данных антигенов патогенов». Исследования нуклеиновых кислот. 38 (Выпуск базы данных): D847–53. Дои:10.1093 / нар / gkp830. ЧВК  2808902. PMID  19820110.
  4. ^ Исследование нуклеиновых кислот, 2011 г.
  5. ^ Мишра, Нитиш К; Агарвал, Сандхья; Рагхава, Гаджендра П.С. (2010). «Прогнозирование изоформы цитохрома P450, ответственной за метаболизм молекулы лекарства». BMC Фармакология. 10: 8. Дои:10.1186/1471-2210-10-8. ЧВК  2912882. PMID  20637097.
  6. ^ Гарг, Арти; Тевари, Рупиндер; Рагхава, Гаджендра П.С. (2010). «KiDoQ: использование энергетических баллов на основе стыковки для разработки модели на основе лигандов для прогнозирования антибактериальных эффектов». BMC Bioinformatics. 11: 125. Дои:10.1186/1471-2105-11-125. ЧВК  2841597. PMID  20222969.
  7. ^ Сингла, Дипак; Анураг, Минакши; тире, Дебасис; Рагхава, Гаджендра П.С. (2011). "Веб-сервер для прогнозирования ингибиторов бактериального целевого белка GlmU". BMC Фармакология. 11: 5. Дои:10.1186/1471-2210-11-5. ЧВК  3146400. PMID  21733180.
  8. ^ Кумар, М; Громиха, ММ; Рагхава, ГП (2010). «Прогнозирование РНК-связывающих белков на основе SVM с использованием связывающих остатков и эволюционной информации». Журнал молекулярного распознавания. 24 (2): 303–13. Дои:10.1002 / jmr.1061. PMID  20677174.
  9. ^ Рашид М. и Рагхава Г. П. С. (2010) Простой подход для прогнозирования межбелковых взаимодействий. Современная наука о белках и пептидах (в печати).
  10. ^ Чаухан, JS; Мишра, Н.К .; Рагхава, ГП (2009). «Идентификация АТФ-связывающих остатков белка по его первичной последовательности». BMC Bioinformatics. 10: 434. Дои:10.1186/1471-2105-10-434. ЧВК  2803200. PMID  20021687.
  11. ^ Мишра, Нитиш К .; Рагхава, Гаджендра П. С. (2010). «Предсказание взаимодействующих остатков с FAD в белке по его первичной последовательности с использованием информации об эволюции». BMC Bioinformatics. 11: S48. Дои:10.1186 / 1471-2105-11-S1-S48. ЧВК  3009520. PMID  20122222.
  12. ^ Чаухан, JS; Мишра, Н.К .; Рагхава, ГП (2010). «Прогнозирование остатков, взаимодействующих с GTP, дипептидов и трипептидов в белке на основе его эволюционной информации». BMC Bioinformatics. 11: 301. Дои:10.1186/1471-2105-11-301. ЧВК  3098072. PMID  20525281.
  13. ^ Ансари, HR; Рагхава, ГП (2010). «Идентификация взаимодействующих остатков NAD в белках». BMC Bioinformatics. 11: 160. Дои:10.1186/1471-2105-11-160. ЧВК  2853471. PMID  20353553.
  14. ^ Агарвал; и другие. (2011). «Идентификация взаимодействующих с маннозой остатков с использованием местного состава». PLoS ONE. 6 (9): e24039. Bibcode:2011PLoSO ... 624039A. Дои:10.1371 / journal.pone.0024039. ЧВК  3172211. PMID  21931639.
  15. ^ Панвар, Бхарат; Рагхава, Гаджендра П.С. (2010). «Прогнозирование и классификация аминоацил тРНК синтетаз с использованием доменов PROSITE». BMC Genomics. 11: 507. Дои:10.1186/1471-2164-11-507. ЧВК  2997003. PMID  20860794.
  16. ^ Ансари, HR; Рагхава, Гаджендра П.С. (2010). «Идентификация конформационных эпитопов В-клеток в антигене по его первичной последовательности». Иммуномные исследования. 6: 6. Дои:10.1186/1745-7580-6-6. ЧВК  2974664. PMID  20961417.
  17. ^ Ахмед, Ф; Рагхава, Гаджендра П.С. (2011). «Разработка высокоэффективных комплементарных и несоответствующих миРНК для подавления гена». PLoS ONE. 6 (8): e23443. Bibcode:2011ПРИЛОЖЕНИЕ ... 623443A. Дои:10.1371 / journal.pone.0023443. ЧВК  3154470. PMID  21853133.

дальнейшее чтение