Target docking

O processo de target docking é semelhante ao do blind docking, com as mesmas etapas de preparação da exotoxina A e dos ligantes no AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009). Todavia, o preparo da grid foi diferente, uma vez que a grid se estendeu apenas na região indicada pelo blind docking como o sítio de ligação mais promissor. Assim, a grid da exotoxina A foi feita com 82 pontos na dimensão X com centro de 52,946, 92 pontos na dimensão Y com centro 40,471 e 108 pontos na dimensão Z com centro 8,702. O espaçamento dessa grid foi de 0,375 angstrom.

Para os parâmetro do docking, a proteína ainda foi configurada como rígida e foi utilizado as configurações padrões do AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009) no ligante e nos parâmetros do docking. Nos parâmetros de busca, foi utilizado a opção Algoritmo Genético com 50 conformações, com 25.000.000 avaliações no máximo, com um tamanho de população de 150 e com o máximo número de gerações de 27000. Ademais, como output, foi utilizado o Algoritmo Genético Lamarckiano.

Dados obtidos:

Os dados do target docking foram a média dos valores do maior cluster para evitar a análise de outliners.

Figura 1: Gráfico do desempenho dos compostos no indicador de energia de ligação target

Fonte: Autoras

É perceptível que as Amostras 2, 11 e 13 tiveram o melhor desempenho nesse critério, com valores menores que -12. Ademais, as Amostras 3, 9, 8 e 1 também apresentaram um rendimento excelente, com dados menores que -11. O PJ34 só teve um desempenho melhor que a Amostra 10, demonstrando que os derivados do grupo controle resultaram em inibidores mais potentes.

Figura 2: Gráfico do desempenho dos compostos no indicador de constante de inibição target com dados em nM

Fonte: Autoras

É possível perceber que as Amostras 2, 11 e 13 tiveram um desempenho excelente na constante de inibição, enquanto a Amostra 10 teve claramente o pior rendimento. Já o PJ34 foi superado por 12 das 13 amostras, embora tenha tido um desempenho parecido com as Amostras 5, 6 e 7.

Figura 3: Gráfico do desempenho dos compostos no indicador de eficiência do ligante no target

Fonte: Autoras

Nesse indicador, a Amostra 11 teve o melhor desempenho, com o único valor menor que -0,5. Além dela, a Amostra 2 e o PJ34 também se destacaram, enquanto as Amostras 6 e 10 tiveram o pior rendimento.

FORLI, Stefano et al. Computational protein–ligand docking and virtual drug screening with the AutoDock suite. Nature protocols, v. 11, n. 5, p. 905-919, 2016. Disponível em: < https://www.nature.com/articles/nprot.2016.051 >. Acesso em: 5 ago. 2024.

MORRIS, G. M. et al. AutoDock4 and AutoDockTools4: automated docking with selective receptor flexibility. J. Computational Chemistry, v. 30, n. 16, p. 2785-2791, 2009. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2760638/. Acesso em: 11 ago. 2024.