WikiDer > Структурная биоинформатика

Structural bioinformatics
Трехмерная структура белка

Структурная биоинформатика это филиал биоинформатика что связано с анализом и предсказанием трехмерной структуры биологических макромолекулы такие как белки, РНК, и ДНК. Он имеет дело с обобщениями о макромолекулярных трехмерных структурах, таких как сравнение общих складок и локальных мотивов, принципы молекулярного сворачивания, эволюции и взаимодействий связывания, а также взаимосвязи структура / функция, работая как с экспериментально решенными структурами, так и с вычислительными моделями. Период, термин структурный имеет то же значение, что и в структурная биология, а структурную биоинформатику можно рассматривать как часть вычислительной структурной биологии. Основными задачами структурной биоинформатики являются создание новых методов работы с данными о биологических макромолекулах для решения задач в биологии и получения новых знаний.[1]

Вступление

Белковая структура

Структура белка напрямую связана с его функцией. Присутствие некоторых химических групп в определенных местах позволяет белкам действовать как ферменты, катализируя несколько химических реакций.[2] В целом белковые структуры подразделяются на четыре уровня: первичный (последовательности), вторичный (локальная конформация полипептидной цепи), третичный (трехмерная структура белковой складки) и четвертичный (ассоциация нескольких полипептидных структур). Структурная биоинформатика в основном занимается взаимодействием между структурами с учетом их пространственных координат. Таким образом, первичная структура лучше анализируется в традиционных разделах биоинформатики. Однако последовательность подразумевает ограничения, которые позволяют формировать консервативные локальные конформации полипептидной цепи, такие как альфа-спираль, бета-листы и петли (вторичная структура[3]). Кроме того, слабые взаимодействия (например, водородные связи) стабилизируют складку белка. Взаимодействия могут быть внутрицепочечными, т.е., когда они встречаются между частями одного и того же белкового мономера (третичная структура) или между цепями, т.е., находясь между разными структурами (четвертичная структура).

Визуализация структуры

Структурная визуализация BACTERIOPHAGE T4 LYSOZYME (PDB ID: 2LZM). (Мультфильм; (B) Линии; (C) Поверхность; (D) Палки.

Визуализация структуры белков - важная проблема структурной биоинформатики.[4] Это позволяет пользователям наблюдать статические или динамические представления молекул, а также обнаруживать взаимодействия, которые могут быть использованы для вывода об изученных молекулярных механизмах. Наиболее распространенные типы визуализации:

  • Мультфильм: этот тип визуализации белков подчеркивает различия в вторичной структуре. В целом, α-спираль представлен в виде винта, β-тяжи как стрелки, и петли как линии.
  • Линии: каждый аминокислотный остаток представлен тонкими линиями, что обеспечивает низкую стоимость графического рендеринга.
  • Поверхность: на этой визуализации показана внешняя форма молекулы.
  • Палочки: каждая ковалентная связь между атомами аминокислот представлена ​​в виде стержня. Этот тип визуализации чаще всего используется для визуализации взаимодействия между аминокислоты.

Структура ДНК

Классический ДНК структура дуплексов была первоначально описана Уотсон и Крик (и вклад Розалинд Франклин). Молекула ДНК состоит из трех веществ: фосфатной группы, пентозы и азотистого основания (аденин, тимин, цитозин, или же гуанин). Структура двойной спирали ДНК стабилизируется водородными связями, образованными между парами оснований: аденин с тимином (A-T) и цитозин с гуанином (C-G). Многие исследования в области структурной биоинформатики были сосредоточены на понимании взаимодействий между ДНК и небольшими молекулами, что было целью нескольких исследований по разработке лекарств.

Взаимодействия

Взаимодействия - это контакты, устанавливаемые между частями молекул на разных уровнях. Они отвечают за стабилизацию белковых структур и выполняют разнообразный спектр действий. В биохимия, взаимодействия характеризуются близостью групп атомов или областей молекул, которые оказывают влияние друг на друга, например электростатические силы, водородная связь, и гидрофобный эффект. Белки могут выполнять несколько типов взаимодействий, например: белок-белковые взаимодействия (ИПП), белок-пептидные взаимодействия[5], белок-лигандные взаимодействия (PLI)[6], и взаимодействие белок-ДНК.

Контакты между двумя аминокислотными остатками: Q196-R200 (PDB ID- 2X1C) [7]

Расчет контактов

Вычисление контактов - важная задача в структурной биоинформатике, важная для правильного предсказания структуры и фолдинга белка, термодинамической стабильности, взаимодействий белок-белок и белок-лиганд, анализа стыковки и молекулярной динамики и т. Д.[8]

Традиционно вычислительные методы использовали пороговое расстояние между атомами (также называемое отсечкой) для обнаружения возможных взаимодействий.[9] Это обнаружение выполняется на основе евклидова расстояния и углов между атомами определенных типов. Однако большинство методов, основанных на простом евклидовом расстоянии, не могут обнаружить закрытые контакты. Следовательно, методы без обрезания, такие как Триангуляция Делоне, приобрели известность в последние годы. Кроме того, комбинация набора критериев, например физико-химических свойств, расстояния, геометрии и углов, использовалась для улучшения определения контакта.[8]

Критерии расстояния для определения контакта[8]
ТипКритерии максимального расстояния
Водородная связь3,9 Å
Гидрофобное взаимодействие5 Å
Ионное взаимодействие6 Å
Ароматическая укладка6 Å

Банк данных белков (PDB)

Количество структур из PDB. (A) Общий рост выпущенных структур в Protein DataBank за год. (B) Рост структур, нанесенных в PDB, в результате экспериментов по рентгеновской кристаллографии, ЯМР-спектроскопии и трехмерной электронной микроскопии в год. Источник: https://www.rcsb.org/stats/growth

В Банк данных белков (PDB) представляет собой базу данных данных о трехмерной структуре больших биологических молекул, таких как белки, ДНК, и РНК. PDB управляется международной организацией под названием Worldwide Protein Data Bank (wwPDB), который состоит из нескольких местных организаций, таких как. PDBe, PDBj, RCSB и BMRB. Они несут ответственность за бесплатное хранение копий данных PDB в Интернете. Количество структурных данных, доступных в PDB, увеличивается каждый год, обычно Рентгеновская кристаллография, ЯМР-спектроскопия, или же криоэлектронная микроскопия.

Формат данных

Формат PDB (.pdb) - это устаревший текстовый формат файла, используемый для хранения информации о трехмерных структурах макромолекул, используемых в банке данных белков. Из-за ограничений в концепции структуры формата, формат PDB не допускает больших структур, содержащих более 62 цепочек или 99999 записей атомов.[10]

PDBx / mmCIF (файл макромолекулярной кристаллографической информации) - это стандартный текстовый формат файла для представления кристаллографической информации.[11] С 2014 года формат PDB был заменен в качестве стандартного распространения архива PDB файловым форматом PDBx / mmCIF (.cif). В то время как формат PDB содержит набор записей, идентифицируемых ключевым словом длиной до шести символов, формат PDBx / mmCIF использует структуру на основе ключа и значения, где ключ - это имя, которое идентифицирует некоторую функцию, а значение - это информация о переменной.[12]

Другие структурные базы данных

В добавок к Банк данных белков (PDB), существует несколько баз данных структур белков и других макромолекул. Примеры включают:

  • MMDB: Экспериментально определенные трехмерные структуры биомолекул, полученные из банка данных белков (PDB).[13]
  • База данных нуклеиновых кислот (NDB): Экспериментально определенная информация о нуклеиновых кислотах (ДНК, РНК).[14]
  • Структурная классификация белков (SCOP): Полное описание структурных и эволюционных отношений между структурно известными белками.[15]
  • ТОПОФИТ-БД: Структурные выравнивания белков на основе метода TOPOFIT.[16]
  • Сервер электронной плотности (EDS): Карты электронной плотности и статистика соответствия кристаллических структур и их карт.[17]
  • CASP: Центр прогнозов Глобальный, всемирный эксперимент по предсказанию структуры белка CASP.[18]
  • Сервер PISCES для создания неизбыточных списков белков: Создает список PDB по критериям идентичности последовательности и структурного качества.[19]
  • База знаний по структурной биологии: Инструменты, помогающие в разработке исследования белков.[20]
  • ProtCID: База данных общих интерфейсов белков с похожими интерфейсами белок-белок в кристаллических структурах гомологичных белков.[21]

Сравнение конструкций

Структурное выравнивание

Структурное выравнивание это метод сравнения трехмерных структур на основе их формы и конформации.[22] Его можно использовать для вывода об эволюционной взаимосвязи между набором белков даже с низким сходством последовательностей. Структурное выравнивание подразумевает наложение трехмерной структуры на вторую, вращение и перемещение атомов в соответствующих положениях (как правило, с использованием Cα атомы или даже тяжелые атомы основной цепи C, N, О, и Cα). Обычно качество центровки оценивается на основе среднеквадратичное отклонение (RMSD) атомных позиций, т.е., среднее расстояние между атомами после наложения:

где δя это расстояние между атомами я и либо эталонный атом, соответствующий другой структуре, либо средняя координата N эквивалентные атомы. Как правило, результат RMSD измеряется в Ангстрем (Å) единица, что эквивалентно 10−10 м. Чем ближе к нулю значение RMSD, тем более похожи структуры.

Структурные сигнатуры на основе графиков

Структурные подписи, также называемые отпечатками пальцев, макромолекула представления паттернов, которые можно использовать для вывода о сходствах и различиях. Сравнения большого набора белков с использованием RMSD по-прежнему представляет собой проблему из-за высоких вычислительных затрат на структурное выравнивание. Структурные сигнатуры, основанные на образцах расстояний в графах между парами атомов, использовались для определения векторов идентификации белков и для обнаружения нетривиальной информации.[23] Кроме того, алгебра линейная и машинное обучение может использоваться для кластеризации сигнатур белков, обнаружения взаимодействий белок-лиганд, прогнозирования ΔΔG, и предлагая мутации на основе Евклидово расстояние.[24]

Прогнозирование структуры

Сюжет Рамачандрана, созданный человеком PCNA (PDB ID 1AXC). Красная, коричневая и желтая области представляют собой предпочтительные, разрешенные и «щедро разрешенные» области, как определено ProCheck. Этот график можно использовать для проверки неправильно смоделированных аминокислот.

Атомные структуры молекул могут быть получены несколькими методами, такими как Рентгеновская кристаллография (XRC), ЯМР-спектроскопия, и 3D электронная микроскопия; однако эти процессы могут быть дорогостоящими, а иногда трудно создать некоторые структуры, такие как мембранные белки. Следовательно, необходимы вычислительные подходы для определения трехмерной структуры макромолекул. Методы прогнозирования структуры подразделяются на сравнительное моделирование и de novo моделирование.

Сравнительное моделирование

Сравнительное моделирование, также известное как моделирование гомологии, соответствует методологии построения трехмерных структур из аминокислота последовательность целевого белка и шаблон с известной структурой. В литературе описано, что эволюционно родственные белки имеют тенденцию представлять консервативную трехмерную структуру.[25] Кроме того, последовательности отдаленно родственных белков с идентичностью ниже 20% могут иметь различные складки.[26]

De novo моделирование

В структурной биоинформатике de novo моделирование, также известный как ab initio Моделирование относится к подходам для получения трехмерных структур из последовательностей без необходимости гомологичной известной трехмерной структуры. Несмотря на новые алгоритмы и методы, предложенные в последние годы, предсказание структуры белка de novo по-прежнему считается одной из нерешенных проблем современной науки.[27]

Проверка структуры

После моделирования структуры необходим дополнительный этап проверки структуры, поскольку многие алгоритмы и инструменты как сравнительного, так и «нового» моделирования используют эвристика попытаться собрать трехмерную конструкцию, что может привести к множеству ошибок. Некоторые стратегии проверки состоят из расчета энергетических баллов и сравнения их с экспериментально определенными структурами. Например, Оценка ДОФЭ это показатель энергии, используемый Инструмент МОДЕЛЛЕР для определения лучшей модели.[28]

Другой стратегией проверки является вычисление двугранных углов φ и ψ основной цепи всех вычетов и построение Рамачандран сюжет. Боковая цепь аминокислоты и природа взаимодействий в позвоночнике ограничивает эти два угла, и, таким образом, визуализация допустимых конформаций может быть выполнена на основе Рамачандран сюжет. Большое количество аминокислот, размещенных в недопустимых положениях диаграммы, свидетельствует о низком качестве моделирования.

Инструменты прогнозирования

Список часто используемых программных инструментов для предсказание структуры белка, в том числе сравнительное моделирование, белковая нить, de novo предсказание структуры белка, и прогноз вторичной структуры доступен в список программ для предсказания структуры белков.

Молекулярный док

Изображение стыковки лиганда (зеленый) с белком-мишенью (черный).

Молекулярный док (также называемый только стыковкой) - это метод, используемый для прогнозирования координат ориентации молекулы (лиганд) при соединении с другим (рецептором или мишенью). Молекулярный докинг направлен на прогнозирование возможных положений (режимов связывания) лиганд когда он взаимодействует с определенными участками рецептора, обычно ограниченными рамкой. Инструменты стыковки могут использовать силовые поля для оценки рейтинга лучших поз, которые способствовали лучшему взаимодействию.

Обычно протоколы стыковки используются для прогнозирования взаимодействий между небольшими молекулами и белками. Однако стыковка также может использоваться для обнаружения ассоциаций и режимов привязки между белки, пептиды, ДНК или РНК молекулы углеводы, и другие макромолекулы.

Виртуальный просмотр

Виртуальный просмотр (VS) - это вычислительный подход, используемый для быстрого скрининга больших библиотек соединений на предмет открытие лекарств. Обычно виртуальный скрининг использует алгоритмы стыковки для ранжирования небольших молекул с наибольшим сродством к целевому рецептору.

В последнее время было использовано несколько инструментов для оценки использования виртуального скрининга в процессе открытия новых лекарств. Однако такие проблемы, как отсутствие информации, неточное понимание свойств молекул, подобных лекарству, слабые функции оценки или недостаточные стратегии стыковки, препятствуют процессу стыковки. Следовательно, в литературе описано, что это все еще не считается зрелой технологией.[29][30]

Молекулярная динамика

Пример: молекулярная динамика толерантной к глюкозе β-глюкозидазы[31]

Молекулярная динамика (MD) - это вычислительный метод моделирования взаимодействий между молекулы и их атомы в течение заданного периода времени.[32] Этот метод позволяет наблюдать за поведением молекул и их взаимодействиями, рассматривая систему в целом. Для расчета поведения систем и, таким образом, определения траекторий, МД может использовать Уравнение движения Ньютона, в дополнение к использованию молекулярная механика методы оценки сил, возникающих между частицами (силовые поля).[33]

Приложения

Информатика подходы, используемые в структурной биоинформатике:

  • Выбор цели - потенциальные цели идентифицируются путем сравнения их с базами данных известных структур и последовательностей. Важность цели может быть определена на основе опубликованной литературы. Цель также может быть выбрана на основе ее белковый домен. Белковый домен - это строительные блоки, которые можно перестраивать для образования новых белков. Первоначально их можно изучать изолированно.
  • Отслеживание Рентгеновская кристаллография Испытания - рентгеновская кристаллография может использоваться для выявления трехмерной структуры белка. Но для того, чтобы использовать рентгеновские лучи для изучения кристаллов протеина, должны быть сформированы чистые кристаллы протеина, что может потребовать множества испытаний. Это приводит к необходимости отслеживать условия и результаты испытаний. Кроме того, контролируемые алгоритмы машинного обучения могут использоваться для хранимых данных для определения условий, которые могут увеличить выход чистых кристаллов.
  • Анализ кристаллографических данных рентгеновского излучения. Дифракционная картина, полученная в результате бомбардировки электронами рентгеновскими лучами, является преобразование Фурье распределения электронной плотности. Существует потребность в алгоритмах, которые могут деконволюционировать преобразование Фурье с частичной информацией (из-за отсутствия информации о фазе, поскольку детекторы могут измерять только амплитуду дифрагированных рентгеновских лучей, а не фазовые сдвиги). Техника экстраполяции, такая как Многоволновая аномальная дисперсия может использоваться для создания карты электронной плотности, которая использует местоположение атомов селена в качестве ориентира для определения остальной структуры. Стандарт Шариковая модель генерируется из карты электронной плотности.
  • Анализ данных ЯМР-спектроскопии - Спектроскопия ядерного магнитного резонанса эксперименты производят двумерные (или более высокие) данные, причем каждый пик соответствует химической группе в образце. Методы оптимизации используются для преобразования спектров в трехмерные структуры.
  • Сопоставление структурной информации с функциональной информацией - Структурные исследования могут использоваться в качестве зонда для структурно-функциональной взаимосвязи.

инструменты

Список инструментов структурной биоинформатики
Программного обеспеченияОписание
МЧСMolecular Operating Environment (MOE) - это обширная платформа, включающая структурное моделирование белков, семейств белков и антител.
SBLБиблиотека структурной биоинформатики: приложения для конечных пользователей и передовые алгоритмы
BALLViewМолекулярное моделирование и визуализация
STINGВизуализация и анализ
PyMOLВьювер и моделирование
VMDЗритель, молекулярная динамика
КорольAn Открытый исходный код Ява кинемаг зритель
STRIDEОпределение вторичной структуры по координатам
MolProbityВеб-сервер проверки структуры
ПРОЧЕКПроверка структуры веб-сервис
CheShiftОнлайн-приложение для проверки структуры белка
3D-mol.jsМолекулярная программа просмотра веб-приложений, разработанных с использованием Javascript
ПРОПКАБыстрое предсказание значений pKa белка на основе эмпирических соотношений структура / функция
КАРАКомпьютерное назначение резонанса
Док-серверВеб-сервер молекулярной стыковки
StarBiochemПрограмма просмотра белков на языке Java с функцией прямого поиска в базе данных белков.
ЛОПАТАСреда разработки приложений структурной протеомики
PocketSuiteВеб-портал для различных веб-серверов для привязки анализа на уровне сайта. PocketSuite разделен на :: PocketDepth (Предсказание сайта привязки)

PocketMatch (сравнение сайтов связывания), PocketAlign (выравнивание сайтов связывания) и PocketAnnotate (аннотации сайтов связывания).

MSLПрограммная библиотека C ++ для молекулярного моделирования с открытым исходным кодом для реализации методов структурного анализа, прогнозирования и проектирования.
PSSpredПрогнозирование вторичной структуры белка
ПротейWebtool для предложения пар мутаций
SDMСервер для прогнозирования влияния мутаций на стабильность белков.

Смотрите также

Рекомендации

  1. ^ Гу Дж, Борн PE (2011). Структурная биоинформатика (2-е изд.). Хобокен: Джон Уайли и сыновья. ISBN 978-1-118-21056-7. OCLC 778339075.
  2. ^ Гу Дж, Борн ЧП (16 марта 2009 г.). Структурная биоинформатика. Джон Вили и сыновья. ISBN 978-0-470-18105-8.
  3. ^ Коцинкова Л., Ярешова М., Бишка Дж., Парулек Дж., Хаузер Х., Козликова Б. (февраль 2017 г.). «Сравнительная визуализация вторичных структур белков». BMC Bioinformatics. 18 (Дополнение 2): 23. Дои:10.1186 / s12859-016-1449-z. ЧВК 5333176. PMID 28251875.
  4. ^ Ши М., Гао Дж, Чжан М.К. (июль 2017 г.). «Web3DMol: интерактивная визуализация структуры белков на основе WebGL». Исследования нуклеиновых кислот. 45 (W1): W523 – W527. Дои:10.1093 / нар / gkx383. ЧВК 5570197. PMID 28482028.
  5. ^ Стэнфилд Р.Л., Уилсон И.А. (февраль 1995 г.). «Белково-пептидные взаимодействия». Текущее мнение в структурной биологии. 5 (1): 103–13. Дои:10.1016 / 0959-440X (95) 80015-S. PMID 7773739.
  6. ^ Клебе Г. (2015). «Белково-лигандные взаимодействия как основа действия лекарств». В Scapin G, Patel D, Arnold E (ред.). Многогранная роль кристаллографии в открытии современных лекарств. НАТО «Наука ради мира и безопасности». Серия А: Химия и биология. Дордрехт: Спрингер. С. 83–92. Дои:10.1007/978-3-642-17907-5_4. ISBN 978-3-642-17906-8.
  7. ^ "Proteus | Сторонник PROTein Engineering |". proteus.dcc.ufmg.br. Получено 2020-02-26.
  8. ^ а б c Мартинс П.М., Майринк В.Д., де Сильвейра С., да Сильвейра СН, де Лима Л.Х., де Мело-Минарди РК (2018). «Как более точно рассчитать контакты белковых остатков?». Материалы 33-го ежегодного симпозиума ACM по прикладным вычислениям - SAC '18. По, Франция: ACM Press: 60–67. Дои:10.1145/3167132.3167136. ISBN 978-1-4503-5191-1. S2CID 49562347.
  9. ^ da Silveira CH, Pires DE, Minardi RC, Ribeiro C, Veloso CJ, Lopes JC и др. (Февраль 2009 г.). «Сканирование с отсечкой белков: сравнительный анализ методов, зависимых от отсечки и без отсечки, для поиска контактов в белках» (PDF). Белки. 74 (3): 727–43. Дои:10.1002 / prot.22187. PMID 18704933. S2CID 1208256.
  10. ^ «Общие вопросы по PDBx / mmCIF». mmcif.wwpdb.org. Получено 2020-02-26.
  11. ^ wwPDB.org. «wwPDB: форматы файлов и PDB». www.wwpdb.org. Получено 2020-02-26.
  12. ^ "Ресурсы словаря PDBx / mmCIF". mmcif.wwpdb.org. Получено 2020-02-26.
  13. ^ «Ресурсная группа по макромолекулярным структурам». www.ncbi.nlm.nih.gov. Получено 2020-04-13.
  14. ^ «База данных нуклеиновых кислот (NDB)». ndbserver.rutgers.edu. Получено 2020-04-13.
  15. ^ «SCOP: структурная классификация белков». 2007-09-11. Архивировано из оригинал на 2007-09-11. Получено 2020-04-13.
  16. ^ Ильин В.А., Абызов А., Леслин С.М. (июль 2004 г.). «Структурное выравнивание белков с помощью нового метода TOPOFIT, как наложение общих объемов в точке топомакса». Белковая наука. 13 (7): 1865–74. Дои:10.1110 / пс. 04672604. ЧВК 2279929. PMID 15215530.
  17. ^ «EDS - Уппсальский сервер электронной плотности». eds.bmc.uu.se. Получено 2020-04-13.
  18. ^ «Дом - Центр прогнозов». www.predictioncenter.org. Получено 2020-04-13.
  19. ^ ":: Dunbrack Lab". dunbrack.fccc.edu. Получено 2020-04-13.
  20. ^ "Структурная биология KnowlegebaseSBKB - SBKB". sbkb.org. Получено 2020-04-13.
  21. ^ «База данных общего интерфейса белков». dunbrack2.fccc.edu. Получено 2020-04-13.
  22. ^ «Структурное выравнивание (геномика)». ScienceDaily. Получено 2020-02-26.
  23. ^ Пирес DE, де Мело-Минарди RC, душ Сантуш MA, да Силвейра CH, Санторо MM, Мейра W (декабрь 2011). «Матрица сканирования отсечки (CSM): структурная классификация и предсказание функции по образцам расстояния между остатками белков». BMC Genomics. 12 Дополнение 4 (S4): S12. Дои:10.1186 / 1471-2164-12-S4-S12. ЧВК 3287581. PMID 22369665.
  24. ^ Мариано округ Колумбия, Сантос Л.Х., Мачадо К.Д., Верли А.В., де Лима Л.Х., де Мело-Минарди РК (январь 2019 г.). «Вычислительный метод для предложения мутаций в ферментах на основе изменения структурной сигнатуры (SSV)». Международный журнал молекулярных наук. 20 (2): 333. Дои:10.3390 / ijms20020333. ЧВК 6359350. PMID 30650542.
  25. ^ Качановский С., Зеленкевич П. (март 2010 г.). «Почему похожие белковые последовательности кодируют похожие трехмерные структуры?» (PDF). Счета теоретической химии. 125 (3–6): 643–650. Дои:10.1007 / s00214-009-0656-3. ISSN 1432-881X. S2CID 95593331.
  26. ^ Chothia C, Lesk AM (апрель 1986). «Связь между расхождением последовательности и структуры в белках». Журнал EMBO. 5 (4): 823–6. Дои:10.1002 / j.1460-2075.1986.tb04288.x. ЧВК 1166865. PMID 3709526.
  27. ^ "Так много чего нужно знать". Наука. 309 (5731): 78–102. Июль 2005 г. Дои:10.1126 / science.309.5731.78b. PMID 15994524.
  28. ^ Уэбб Б., Сали А. (сентябрь 2014 г.). «Сравнительное моделирование структуры белков с помощью MODELLER». Текущие протоколы в биоинформатике. 47 (1): 5.6.1–32. Дои:10.1002 / 0471250953.bi0506s47. ЧВК 4186674. PMID 25199792.
  29. ^ Дхасмана А., Раза С., Джахан Р., Лохани М., Ариф Дж. М. (01.01.2019). «Глава 19 - Высокопроизводительный виртуальный скрининг (HTVS) природных соединений и исследование их биомолекулярных механизмов: подход In Silico». В Ахмад Хан М.С., Ахмад I, Чаттопадхьяй Д. (ред.). Новый взгляд на фитомедицину. Академическая пресса. С. 523–548. Дои:10.1016 / b978-0-12-814619-4.00020-3. ISBN 978-0-12-814619-4.
  30. ^ Вермут К.Г., Виллоутреикс Б., Гризони С., Оливье А., Роше Дж. П. (январь 2015 г.). «Стратегии поиска новых соединений свинца или оригинальных рабочих гипотез». В Wermuth CG, Aldous D, Raboisson P, Rognan D (eds.). Практика медицинской химии. Академическая пресса. С. 73–99. Дои:10.1016 / B978-0-12-417205-0.00004-3. ISBN 978-0-12-417205-0.
  31. ^ Коста Л.С., Мариано Д.К., Роча Р.Э., Крамл Дж., Сильвейра С.Х., Лидл К.Р. и др. (Сентябрь 2019 г.). «Молекулярная динамика дает новое представление о толерантности к глюкозе и механизмах ингибирования β-глюкозидаз». Молекулы. 24 (18): 3215. Дои:10.3390 / молекул24183215. ЧВК 6766793. PMID 31487855.
  32. ^ Олдер Б.Дж., Уэйнрайт Т.Е. (август 1959 г.). «Исследования молекулярной динамики. I. Общий метод». Журнал химической физики. 31 (2): 459–466. Bibcode:1959ЖЧФ..31..459А. Дои:10.1063/1.1730376. ISSN 0021-9606.
  33. ^ Юсиф, Рагид Хусам (2020). «Изучение молекулярных взаимодействий между неокулином и рецепторами сладкого вкуса человека с помощью вычислительных подходов» (PDF). Sains Malaysiana. 49 (3): 517–525. Дои:10.17576 / jsm-2020-4903-06.

дальнейшее чтение