网络药理学之薛定谔Schrödinge Maestro:6、分子对接(Glide、Ligand docking)和可视化

本人是win11,薛定谔版本是12.9

官网:https://www.schrodinger.com/

本篇文章的示例大分子蛋白PDB ID4KNN,小分子配体的MOL IDMOL004004

本文部分图源来自知乎https://zhuanlan.zhihu.com/p/416698194,推荐为原作者贡献阅读量捏。

1.Ligand docking讲解(可跳过)

在右上角的操作区的tasks搜索Ligand docking,打开面板如下:

1.1.Ligands

1.2.Settings

  • HTVS:高通量筛选,一般用来筛选很多个小分子
  • SP:和HTVS算法原理差不多,但是会降低采样的彻底性。
  • XP:开始和SP是一样的,但是采样更严格,运行时间比SP长。对于形状互补更严格,所以一般用于排除假阳性。但是需要额外的license

补充:如果你需要虚拟筛选一个很大的数据库,建议先用SP,按照打分排序,取前10%-30%,用XP重新对接。并勾选write xp descriptor information

还有一个virtual screening模块,相当于先用HTVS、再sp、再xp

1.3.Output

1.4.job settings

2.Ligand docking实战

在右上角的操作区的tasks搜索Ligand docking,打开面板如下:

默认从文件中加载glide-grid1.zip并勾选display receptor show grid boxes

选择配体:use ligands from files,并加载ligprep_1-out.maegz。最后直接run即可。

对接完成后会得到glide-dock_SP_1_pv.maegz文件,且左侧工作区会生成多个名字和小分子配体名字一样的条目,实际上对接后的构象,在我这是MOL004004

我们点击操作区的table,显示如下,只用看docking score这一列。

可以看到,最好的结果是-5.559,只能说有作用力,但对接得不算特别好。

3.可视化

待更ing

相关推荐
yingjie1102 天前
Scanpy vs Seurat 深度对比:Python 与 R 的单细胞分析框架谁更强?
开发语言·python·r语言·生物信息学·单细胞转录组·seurat·scanpy
Biomamba生信基地5 天前
单细胞文献复现理论自测题
生物信息学·单细胞测序
追风少年ii5 天前
分子对接--3维构象定量关系(3D-QSAR)
数据分析·分子动力学·分子对接
魏思凡7 天前
Glide 源码学习系列
源码·glide
Biomamba生信基地8 天前
保姆级教空间转录组分析| 01. 绪论
生物信息学·单细胞分析·空间转录组
Biomamba生信基地9 天前
《Advanced Science》前沿工具发布:STAID,空间反卷积自优化深度学习框架
论文阅读·深度学习·生物信息学·模型训练
Biomamba生信基地15 天前
biomart同源基因转换的“HTTP 404 Not found“解决方案
生物信息学·单细胞测序
Biomamba生信基地19 天前
NC: 单细胞图谱揭示过敏性哮喘Th2细胞机制
论文阅读·生物信息学·单细胞测序·染色质可及性
Biomamba生信基地20 天前
视频回放:《Frontiers In Immunology》生信文章一作专访
机器学习·生物信息学·泛凋亡
Biomamba生信基地1 个月前
单细胞转录组跨物种比对
生物信息学·单细胞转录组·单细胞测序