大规模虚拟筛选

为您的浏览器带来数十亿分子规模的搜索

LSVS-1

将数十亿分子规模的搜索带到您的浏览器


LSVS速度rocs快速rocs

图1:ROC和FASTROC的速度。

LSVS-2-fastrocs-rocs

图2:DUD-E数据集上ROC和FAStROC的虚拟筛选性能。

猎户座:轻松高效地提供规模

在3D中搜索数十亿或数百亿个分子需要计算。OpenEye的云计算化学平台,猎户座,提供按需的容错计算资源,以满足LSVS强烈但不规则的需求。

LSV:基于配体的

188app彩票 , OpenEye的同类领先的形状和化学特征相似工具6是3D潜在客户发现和潜在客户跳转中使用最广泛的工具之一。7CPU实现速度很快,超过200个分子/CPU/秒,而支持GPU的版本(FastROCS)速度大大加快(700000个分子/GPU/秒),但在虚拟筛选中具有相同的总体性能(图2)FastROC的高速和性能使其非常适合于十亿分子规模的LSV。

阿斯利康最近的工作4说明了通过Orion将FastRoc与云计算资源耦合的巨大威力。搜索超过120亿个分子只需要一个小时,自动放大和缩小。与搜索较小的库相比,这些大规模搜索产生了更多样化、更好的点击率(参见图3).4

LSVS-3-支架

图3:Bemis-Murcko脚手架在前10,000点击的数量与搜索库的大小。


复古弗雷德混合动力车

图4:回顾性虚拟筛选性能FRED和HYBRID,比较在DUD集合。空模型2D指纹的性能,以供参考。

LSV:基于结构的

弗雷德,我S精心设计,平衡高性能和高速,8允许轻松处理以前非常大的库。与其他工具(包括HYBRID)相比,9,表明FRED在虚拟筛选中表现很好(参见图4

利用Orion的能力来提供FastROCS和FRED所需要的计算资源,使以前在技术上或财务上难以解决的搜索变得触手可及。作为概念的证明,OpenEye已经进行了FastROCS和FRED虚拟屏幕的Enamine REAL数据库对抗热休克蛋白90,HSP-90 (PDB code 1UYG, (参见图3),并将分数最高的分子提交生物测试。


LSVS-4-stucture-based

图5:HSP-90的活性位点和同源配体,PDB编码1UYG。

前瞻性超大规模虚拟筛选:FastROCS

FastROCS能够在不到30分钟的时间内搜索烯胺真实集合中类似于1UYG配体的分子。最活跃的hit(IC50 16μm)和查询配体(IC50 53.5μm)如图6所示。FastROCS成功识别出一种新的化学支架,其活性略高于查询配体。

LSVS-5-fastrocs

图6:1UYG配体的2D描述(左),53.5右边是FastROCS虚拟屏幕上最活跃的一击,16嗯。


LSVS-6-fred

图8:最活跃的撞击来自FRED虚拟屏幕,4嗯。

未来的超大规模虚拟筛查:FRED

FRED用于在Orion上不到24小时的时间内将整个Enamine REAL集合对接到1UYG受体,在峰值容量下使用约45000个CPU(图7).据我们所知,这是迄今为止进行的规模最大的对接研究,几乎比之前最大的对接计算(吕洋报道的1.7亿化合物)还要大一个数量级).5排名靠前的分子,也是最活跃的hit(IC50 4μm),如图8所示。该分子的姿势概括了同源配体的关键相互作用,同时占据了结合位点的不同区域。FRED成功识别了一种新的化学支架,其活性大大优于同源配体。

LSVS-compute-resources-orion-enamine

图7:计算Orion用于将Enamine REAL集合对接到HSP-90的资源

总结

猎户座正在掀起大规模云计算的革命,使虚拟屏幕的规模达到前所未有的水平。

FastROCS可以在几秒钟内搜索数百万个分子数据库,在不到一小时内搜索数十亿个分子数据库,快速提供多个可操作的点击。

弗雷德将对接技术提升到了十亿分子水平,这是第一个实现对接的工具。

想知道更多关于大规模虚拟筛选猎户座?

引用

  1. 画,k . l .;Baiman h;Khwaounjoo p;Yu, b;化学空间的大小估计:它有多大?药学杂志2012, 64, 490-5.
  2. Bohacek r s;McMartin c;王志强,基于结构的药物设计的艺术与实践:从分子模型的角度。医学研究修订版1996、16 3-50。
  3. 烯胺真正的图书馆。https://enamine.net/library-synthesis/real-compounds/real-database
  4. Grebner c;Malmerberg大肠;Shewmaker, a;巴蒂斯塔,j .;尼科尔斯,a;云中的虚拟屏幕:多大才算足够大?J Chem Inf模型2019https://doi.org/10.1021/acs.jcim.9b00779
  5. 律,j .;王,美国;Balius t.e.;辛格,即;Levit, a;莫洛兹,y s;阿米拉·m·j·;格瓦拉t;Algaa大肠;Tolmachova k; Tolmachev, A. A.; Shoichet, B. K.; Roth, B. L.; Irwin, J. J., Ultra-large library docking for discovering new chemotypes.自然2019, 566, 224 - 229。
  6. 霍金斯;a·g·斯基尔曼;“形状匹配和对接作为虚拟筛选工具的比较。”化学2007, 50, 74-82.
  7. 库马尔,a;张开元,形状相似方法的发展及其在药物发现中的应用。前化学2018, 6, 315.
  8. McGann, M., FRED和HYBRID在标准化数据集上的对接性能。J计算机辅助Mol Des2012, 26, 897-906.
Baidu