REVISTA CON-CIENCIA N°2/VOL.7: 55-72. NOVIEMBRE 2019.

ISSN: 2310-0265

4
Acomplamiento molecular: criterios prácticos para la selección
de ligandos biológicamente activos e identificación de nuevos
blancos terapéuticos

Molecular docking: practical criteria forselection of biologically active ligands and

identification of new therapeutic targets

BALLÓN PAUCARA, WENDY GUADALUPE¹

GRADOS TORREZ, RICARDO ENRIQUE¹*

FECHA DE RECEPCIÓN: 28 AGOSTO DE 2019 FECHA DE ACEPTACIÓN: 26 DE SEPTIEMBRE DE 2019

Resumen Abstract

El acoplamiento molecular es un mé- Molecular docking is a bioinformatic

todo bioinformático que permite prede- method that allows predicting and calculat-
cir y calcular computacionalmente la posi- ing computationally the most favorable po-
ción más favorable de interacción entre un sition of interaction between a ligand and a
ligando y un blanco (usualmente proteico) target (usually a protein) from its three-di-
a partir de sus representaciones tridimen- mensional representations. This bioinfor-
sionales. Esta herramienta bioinformática matics tool does not have a rule that suits all
no tiene una regla que se adapte a todos cases and most of the programs used for this
los casos y la mayoría de los programas em- purpose have different methodologies to
pleados con esta finalidad, tienen diferentes deal with each particular case. In addition,
métodos para tratar cada caso en particular. each protein target is structurally different
Además, cada blanco proteico es estructu- and the ability to replicate the experimental
ralmente diferente y la capacidad de repli- and physiological results depends largely on
car los resultados experimentales y fisioló- the system used and the user's criteria. Thus,
gicos depende en gran medida del sistema this article will provide guidelines and de-
utilizado y del criterio del usuario. Así, este tail several practical aspects such as the pro-
artículo proporcionará pautas y detallará tonation state of atoms, the identification
varios aspectos prácticos como el estado de of important water molecules in the active
protonación de los átomos, la identificación site, the differentiation between active mol-

1. Area de Farmacología, Instituto de Investigaciones Fármaco Bioquímicas ”Luis Enrique Terrazas Siles”. Universidad Mayor de San
Andrés, Av. Saavedra 2224. La Paz, Bolivia.
* Autor para correspondencia ergrados@[Link]

55
 Ballón, W. y col.

de moléculas de agua importantes en el si- ecules and decoys as a control mechanism,

tio activo, la diferenciación entre moléculas the determination of free energy binding
activas y señuelos como mecanismo de con- (∆G) and analysis of flexibility and molecular
trol, la determinación de la energía libre de dynamics; aspects that should be taken into
unión (∆G) y el análisis de la flexibilidad y la account before starting a molecular docking
dinámica molecular; aspectos que deberían study for a virtual ligand screening and iden-
ser tomados en cuenta antes de iniciar un tification of therapeutic targets.
estudio de acoplamiento molecular para la
búsqueda y selección virtual de ligandos e
identificación de blancos terapéuticos.

PALABRAS CLAVE KEY WORDS

Acoplamiento Molecular, Molecular Docking, Virtual
Búsqueda Virtual de Ligandos, Ligand Screening, Protein
Blanco Proteico. Target.

INTRODUCCIÓN
El acoplamiento molecular fue descrito inicialmente en 1982 por Kuntz y
colaboradores, y desde entonces se ha convertido en una herramienta cen-
tral para la búsqueda y selección virtual con base en la estructura, tanto de li-
gandos con actividad biológica como de posibles blancos terapéuticos. Los li-
gandos son un amplio grupo de moléculas pequeñas de diferente naturaleza,
desde hormonas, neurotransmisores, fármacos o compuestos aislados a par-
tir de diferentes fuentes naturales (como los alcaloides presentes en extractos
de plantas). Mientras que, los blancos terapéuticos son generalmente molé-
culas grandes como ácidos nucleicos (DNA/RNA) o proteínas. De esta forma,
un ligando que se une a su blanco correspondiente, puede tener una activi-
dad biológica de inhibición o activación. Los principios activos de los fárma-
cos cumplen la función de ligandos y de esta manera producen un efecto bio-
lógico beneficioso al consumirlos.

El acoplamiento molecular es un método bioinformático que permite pre-

decir y calcular computacionalmente la posición más favorable de interac-
ción entre un ligando y un blanco usualmente proteico a partir de sus re-
presentaciones tridimensionales (Figura 1). Mientras más estable, específica
y favorable sea la unión entre un ligando (fármaco) y su blanco proteico (dia-
na terapéutica), mayor será su actividad biológica (fármaco más efectivo). Por
tanto, este método bioinformático juega un rol importante en el descubri-
miento y desarrollo de nuevos principios activos o fármacos.

56
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

Figura 1. Representación de diferentes ligandos dispuestos alrededor

del sitio activo de un blanco proteico. Los ligandos serán evaluados por
acoplamiento molecular y seleccionados virtualmente de acuerdo a un
algoritmo de muestreo y de puntaje (Extraído de Beckham, 2014).

El acoplamiento molecular comúnmente emplea dos algoritmos por se-

parado. Un primer algoritmo de muestreo que predice todas las configura-
ciones o conformaciones estructurales (poses) que el ligando puede asumir
dentro de un dominio o sitio activo en el blanco proteico, y un segundo algo-
ritmo con una función de puntuación que predice las energías de unión entre
el ligando y el receptor para cada una de las configuraciones establecidas por
el primer algoritmo. Luego, con base en la función de estos dos algoritmos,
todas las configuraciones de unión del ligando y su receptor son clasificadas
(o jerarquizadas) de acuerdo a sus energías de unión. Por tanto, las funciones
de puntuación son capaces de filtrar compuestos a partir de grandes bases
de datos en una búsqueda virtual, donde la configuración de un compues-
to con el más alto puntaje debería corresponder a la configuración con una
energía de unión más favorable, para que este compuesto pueda ser conside-
rado como un potencial cabeza de serie o lead (Phatak et al., 2009). Por otro
lado, el acoplamiento molecular también tiene algunas debilidades, puesto
que, no toma en cuenta la naturaleza dinámica del blanco proteico conside-
rándolo erróneamente como una estructura estática. Además, existen algunas
limitaciones en los algoritmos de muestreo e imperfecciones en las funciones
de puntaje que dan lugar en algunos casos, a la generación de falsos positi-
vos y negativos (Lill, 2011) haciendo que la precisión sea muy dependiente del
blanco proteico (Warren et al., 2006). Estos errores inherentes, pueden inclu-
so agravarse debido al mal manejo y supervisión del usuario.

57
 Ballón, W. y col.

El acoplamiento molecular no tiene una regla que se adapte a todos los

casos. La mayoría de los programas empleados con esta finalidad, tienen di-
ferentes métodos para tratar cada caso en particular y la descripción de los
detalles de cada programa está fuera del alcance de esta revisión. También,
debe tomarse en cuenta que cada blanco proteico es diferente y la capacidad
de replicar los resultados experimentales y fisiológicos depende en gran me-
dida del programa utilizado y del criterio del usuario. Así, este artículo pro-
porcionará pautas y detallará varios aspectos prácticos a tener en cuenta an-
tes de iniciar un estudio de búsqueda y selección virtual de ligandos.

PREPARACIÓN DE LA ESTRUCTURA DEL BLANCO

PROTEICO
Aunque la mayoría de los procesos de preparación de la estructura del blan-
co proteico son realizados durante los ensayos de cristalografía de rayos-x, es
importante entender que es indispensable hacer algunos ajustes cuando sea
necesario. Los procedimientos más comunes incluyen la adición de hidróge-
nos y cargas de acuerdo al tipo de átomos, la añadidura de cadenas laterales
y enlaces faltantes, y la detección y reparación de cadenas rotas. También se
debe asignar un orden a los enlaces, determinar sus ubicaciones alternativas y
seleccionar los átomos más frecuentes. Otros procedimientos más complicados
incluyen la predicción precisa de los estados de protonación de los átomos y
la identificación de las moléculas de agua (si existen) que deben permanecer
en la estructura del blanco proteico. Todos estos procedimientos maximizan
el realismo biológico en el sistema modelado, lo que conduce a la identifica-
ción de una mayor proporción de compuestos verdaderamente bioactivos.

Estados de Protonación

Se refiere a la localización de los átomos de hidrógeno, no obstante, la re-

solución de la mayoría de las estructuras cristalográficas de proteínas no pro-
vee esta información (Ten Brink y Exner, 2009). Por tanto, la predicción preci-
sa del correcto estado de protonación, especialmente dentro de la interface
de unión, es crucial para determinar con exactitud la correcta configuración
de unión del ligando y su grado de afinidad (Kalliokosky et al., 2009; Onufriev
y Alexov, 2013). La predicción incorrecta de estos dos parámetros, da lugar a
que en la búsqueda virtual se descarten ligandos bioactivos y se seleccionen
falsos positivos (Onufriev y Alexov, 2013). Designar estados de protonación
incorrectos además altera el estado de los átomos donadores y aceptores de
enlaces de hidrógeno, lo cual limita sustancialmente la precisión en la pre-
dicción de las interacciones entre ligando y proteína (Polgár y Keserü, 2005).

Es importante señalar que las funciones de puntaje basados en campos de

fuerza, cuya estimación se basa en la suma de las fuerzas intermoleculares (como
las interacciones electrostáticas y las fuerzas de van der Waals), fuerzas intramo-
leculares y la energía de desolvatación, son más susceptibles de generar estados
de protonación incorrectos en comparación con las funciones de puntaje ba-

58
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

sados en el conocimiento, cuya estimación se basa en observaciones estadísti-

cas de contactos intermoleculares en bases de datos (como Protein Data Bank)
para determinar los átomos y grupos funcionales que participan con mayor fre-
cuencia en interacciones moleculares y que por tanto son considerados ener-
géticamente favorables contribuyendo a la afinidad (Onufriev y Alexov, 2013).

Las cadenas laterales de aminoácidos ionizables pueden también variar

sus estados de protonación dentro de un blanco proteico, dependiendo de
las condiciones fisiológicas (ambiente) y fisicoquímas (como el pH). La unión
del ligando puede además estar acompañado por ganancia o liberación de
protones (Petukh et al., 2013), sin embargo, este criterio casi nunca está incor-
porado dentro de los estudios de acoplamiento molecular (Onufriev y Alexov,
2013). Otros estudios señalan que el estado de protonación de los residuos
no pueden ser replicados de forma precisa, debido a que los protones no son
estáticos y son fácilmente transferidos entre las moléculas. Las simulaciones
por mecánica cuántica necesarias para replicar los movimientos de los proto-
nes están mucho más allá del alcance y de las capacidades del acoplamiento
molecular. En el mejor de los casos, se puede identificar un conjunto de esta-
dos de protonación o al menos el estado de protonación más adecuado para
el análisis de unión de ligandos.

La Histidina (His) provee un único problema en términos de su estado de

protonación, puesto que puede ser protonado en tres diferentes conforma-
ciones. El anillo de imidazol de la cadena lateral de His puede ser protonado
en una configuración neutral en el nitrógeno-ε o el nitrógeno-δ o en una con-
figuración cargada (+1) donde ambos nitrógenos (ε y δ) se encuentran proto-
nados (Kim et al., 2013) (Figura 2A). Para complicar aún más la conformación
correcta del anillo de imidazol de la cadena lateral de His, los átomos de car-
bono y nitrógeno cambian de posición, creando tres conformaciones rota-
méricas adicionales (flipped states) (Glusker et al., 1994) (Figura 2B).

Figura 2. Histidina. A. Posibles estados de protonación. B. Estados

rotaméricos (flipped states) (Extraído de Kim et al., 2013).

59
 Ballón, W. y col.

La His representa una base muy débil, y por esta razón, determinar el esta-
do de protonación es más complicado que para otros residuos ionizables, por
tanto, debe ser analizado individualmente (Waszkowycz et al., 2011). En algu-
nos casos, la His en el sitio activo, forma parte de redes de enlaces de hidró-
geno; la evaluación de estos enlaces otorga mayores detalles sobre su estado
correcto de protonación (Figura 3). Así, la correcta replicación de las posicio-
nes de los enlaces de hidrógeno entre el ligando y blanco proteico (observa-
dos en estructuras cristalinas o detallados en la literatura) sugieren la colo-
cación precisa de los protones residuales (Krieger et al., 2012). Los choques
estéricos, son otro factor que también sugiere el posicionamiento correcto de
los protones (Krieger et al., 2012).

Figura 3. A. Interacción de un compuesto X que no forma puentes de

hidrógeno con His62 y 119, la ausencia de puente de hidrógeno con His62
favorece a un estado de protonación y rotamérico Flipped HID62 (Círculo
verde). B. Interacción con un compuesto Y que forma una red de puentes de
hidrógeno con His62 y 119, el puente de hidrógeno en la His62 favorece un
estado de protonación y rotamérico HIE62 (Círculo rojo) (Extraído de Kim
et al., 2013).

El blanco proteico o receptor presenta una naturaleza dinámica, lo que

significa que los estados de protonación de los residuos ionizables cambian
constantemente. Para predecir con precisión la conformación de un ligando
que se une a un receptor, el estado de protonación del receptor debe ser re-
levante para su conformación unida y en correspondencia con los datos cris-
talográficos (es decir, ausencia de choques o impedimentos estéricos con en-
laces de hidrógeno en las ubicaciones esperadas) y de acuerdo con el pH de
las condiciones experimentales. Asignar los estados de protonación a resi-
duos de Asp, Glu, Arg y Lys durante la preparación del receptor es general-
mente sencillo, con los ácidos desprotonados (Asp y Glu) y las bases protona-
das (Arg y Lys) (Kim et al., 2013; Waszkowycz et al., 2011). No obstante, esto
es una generalización y no una regla, puesto que el microambiente del resi-
duo y el pH fisiológico del receptor deben tomarse en cuenta cuidadosamen-
te. Calcular el pKa teórico de estos residuos a pH fisiológico es posiblemente
el mecanismo más directo para determinar o estimar su estado de protona-
ción (Polgár y Keserü, 2005).

60
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

Las funciones de puntuación dependen en gran medida del correcto esta-

do de protonación del receptor. Estas funciones, asignarán al estado correcto
un puntaje mayor en comparación con los estados incorrectos o menos favo-
recidos, proporcionando un mecanismo para predecir con precisión el esta-
do de protonación correcto dentro de un conjunto de posibles estados pre-
generados (Onufriev y Alexov, 2013).

En resumen, para evaluar con precisión el estado de protonación de un

blanco proteico, se deben tomar en cuenta tres aspectos importantes, el pH
fisiológico, los valores calculados de pKa para los residuos ionizables y el aná-
lisis de las estructuras cristalográficas y de las moléculas bioactivas conoci-
das (identificadas experimentalmente). Estos tres aspectos pueden propor-
cionar una gran cantidad de información sobre el estado de protonación de
un blanco proteico mediante la función de puntuación, la inspección de cho-
ques estéricos y el análisis de redes de puentes de hidrógeno (formados en-
tre el ligando y el blanco proteico). Dadas estas pautas, se puede inferir que
las técnicas para predecir el estado de protonación dependen en última ins-
tancia de la clase o tipo de blanco proteico en estudio.

Moléculas de agua en el sitio activo

Las moléculas de agua en el sitio activo son determinantes clave en la

unión entre un ligando y su receptor (Thilagavathi y Mancera, 2010). No solo
pueden mediar entre los enlaces de hidrógeno, sino que su contribución a los
cambios de entropía y entalpía es muy significativa (Lie et al., 2011; Cheng et
al., 2012; Kroemer, 2007). En un contexto de screening o selección virtual, la
adición de agua es un criterio que se descuida frecuentemente y la conside-
ración de las moléculas de agua en ensayos de acoplamiento molecular sigue
siendo un importante desafío (Cheng et al., 2012; Huang y Shoichet, 2008).

La posición de las moléculas de agua dentro de un sitio activo también es

muy variable (Santos et al., 2009), y sería erróneo considerarlas como estáti-
cas en la naturaleza, debido a que algunos ligandos se unen a su receptor con
una orientación específica reemplazando fisiológicamente a las moléculas de
agua que se encuentran en el sitio activo. Si esta naturaleza dinámica del agua
no es tomada en cuenta en los ensayos de acoplamiento molecular, da lugar
a un aumento drástico en falsos negativos (Kroemer, 2007). Varios informes
afirman que predicen con mayor precisión el modo de unión de inhibidores al
incorporar moléculas de agua dentro del sitio activo (Lemmon y Meiler, 2013).
Si bien estos estudios poseen un alto grado de mérito, la inclusión de molécu-
las de agua dentro del sitio activo también puede reducir significativamente
el volumen del dominio de unión y por tanto, disminuir también las posibles
conformaciones que el ligando podría asumir en el sitio activo, produciendo
un sesgo en el análisis (Lie et al., 2011). Sin embargo, la presencia de molécu-
las de agua en el sitio activo, puede aumentar considerablemente el enrique-
cimiento de posibles ligandos bioactivos en una búsqueda virtual. Por tan-
to, es importante determinar si existen moléculas de agua en el sitio activo,
identificar cuáles deben mantenerse y excluir aquellas que no son esenciales.

61
 Ballón, W. y col.

Un paso inicial para evaluar la importancia de las moléculas de agua en el

sitio activo consiste en replicar y evaluar el modo de unión de las estructu-
ras experimentales (posibles ligandos) en ausencia de moléculas de agua es-
pecíficas. Si la precisión se ve disminuida por la ausencia de estas moléculas
de agua en el sitio activo de unión, es importante seleccionar qué moléculas
de agua son fundamentales para la unión. Por ejemplo, las moléculas de agua
que no están unidas al receptor por su átomo de hidrógeno y aquellas que se
encuentran fuera del dominio de unión (más allá de 5 A° de distancia), obvia-
mente tendrán poco efecto sobre la unión del ligando, por tanto, se podrán
eliminar (Huang y Shoichet, 2008) (Figura 4).

Figura 4. Proteasa de VIH-1. A. Moléculas de agua presentes en el sitio

activo formando una red de puentes de hidrógeno (líneas punteadas). B.
Ligando peptídico unido en el sitio activo. Nótese como algunas moléculas
de agua son desplazadas y otras se mantienen en posiciones clave para la
catálisis enzimática (Extraído de Prashar et al., 2009).

Es probable que las moléculas de agua que poseen tres enlaces de hi-
drógeno con el blanco proteico sean altamente estables dentro del dominio
de unión y por tanto, deben ser incluidas para el análisis por acoplamiento
molecular, ya que estas moléculas pueden resultar difíciles de desplazar por
la unión del ligando y probablemente, funcionen para estabilizar el sitio de
unión de la proteína (Yang et al., 2006; Hornak et al., 2006). Adicionalmente,
las moléculas de agua que forman puentes de hidrógeno entre el ligando y
el receptor, también pueden ser importantes en los ensayos de acoplamien-
to molecular. Sin embargo, este criterio puede ser muy específico para un li-
gando en particular y debe ser adecuadamente evaluado y validado cuando
se realiza una búsqueda virtual a partir de un conjunto diverso de clases de
ligandos. Así, las moléculas de agua que se consideren importantes, deberían
idealmente tratarse como moléculas flexibles (Huang y Shoichet, 2008). Tam-
bién es importante tener en cuenta que la precisión de un algoritmo de aco-
plamiento molecular puede depender en gran medida de su parametrización
y su idoneidad para cada clase de blanco proteico e inhibidor en estudio.

62
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

DIFERENCIACIÓN ENTRE MOLÉCULAS ACTIVAS Y

SEÑUELOS
Se acepta comúnmente que no existe un algoritmo o software modelo de
acoplamiento molecular para la predicción de la configuración correcta de
unión entre un ligando y su blanco proteico, ni para la determinación de la
energía libre de unión. Los algoritmos de acoplamiento molecular a menudo
se calibran empleando un conjunto de complejos experimentales de ligan-
do-proteína que sirven como “modelos de entrenamiento”. Así, la precisión
de los programas de acoplamiento molecular son a menudo altamente de-
pendientes del conjunto y tipo de modelos de entrenamiento utilizados (Ba-
llester y Mitchell, 2010). Es importante confirmar que el software de acopla-
miento empleado para la selección virtual sea capaz de replicar el modo de
unión de inhibidores experimentales conocidos para la clase de receptor en
estudio (Lim et al., 2011; Kroemer, 2007). Para mejorar el enriquecimiento de
ligando en un contexto de búsqueda virtual, el algoritmo de acoplamiento
seleccionado debe validarse adecuadamente para la clase de receptor bajo
investigación. Por supuesto, en una búsqueda virtual, donde cientos de mi-
les a millones de compuestos están siendo seleccionados, la validación para
cada clase de inhibidor potencial sería imposible, pero la validación precisa
debe llevarse a cabo con el mayor conjunto de datos obtenibles de verdade-
ros leads experimentales, donde la correcta configuración de unión sea co-
nocida. Una desviación de la raíz cuadrática media (Root Mean Square De-
viation: RMSD) por debajo de 2 Å para átomos pesados (excluyendo átomos
de hidrógeno) entre la estructura experimental y la estructura o configura-
ción predicha a partir del acoplamiento molecular, es un punto de referencia
bien definido para evaluar la precisión de los algoritmos de muestreo (Hous-
ton y Walkinshaw, 2013).

Una estrategia y métrica muy útil de evaluación comparativa para medir el

éxito de un programa de acoplamiento molecular, es la capacidad de diferen-
ciar las moléculas activas reales de los señuelos. La base de datos de señuelos
útiles mejorados (DUD-E; [Link] puede generar
señuelos para un compuesto activo (Mysinger et al., 2012). DUD-E genera se-
ñuelos basados en propiedades químico informáticas que incluyen peso mo-
lecular, logP, número de enlaces rotativos y número de donantes y aceptores
de enlaces de hidrógeno. Como estos señuelos no están destinados a unir-
se al blanco proteico, son topológicamente distintos de los inhibidores acti-
vos, por lo que sirven como controles negativos adecuados. El rendimiento
del programa de acoplamiento puede ser evaluado por su capacidad de cla-
sificar los activos verdaderos por encima de los ligandos señuelo (Mysinger
et al., 2012).

ANÁLISIS DE LA FLEXIBILIDAD
Las simulaciones de búsqueda y selección virtual son típicamente reali-
zadas sobre estructuras estáticas. Se ha demostrado que el uso de un blanco

63
 Ballón, W. y col.

proteico en su conformación holo (unido al ligando) proporciona un mejor

enriquecimiento en comparación con los blancos apo modelados por homo-
logía (McGovern y Shoichet, 2003). El abordaje de la flexibilidad proteica pue-
de mejorar sustancialmente el enriquecimiento pero sigue siendo uno de los
aspectos más desafiantes del acoplamiento molecular. Actualmente, existen
dos enfoques para incorporar la naturaleza dinámica de las estructuras pro-
teicas; el acoplamiento flexible del receptor y el acoplamiento conjunto (Lill,
2013). Estos enfoques han demostrado mejorar el enriquecimiento en los es-
tudios de acoplamiento molecular (Craig et al., 2010).

El acoplamiento flexible del receptor solo incorpora flexibilidad a cade-

nas laterales de residuos dentro del sitio activo y por tanto, no cubre el rango
dinámico de las conformaciones proteicas en su totalidad (Meng et al., 2011)
(Figura 5). Se ha demostrado que, solamente un número pequeño de cadenas
laterales dentro de un dominio de unión sufre cambios estructurales después
de la unión del ligando. Este estudio sugiere que, dentro del 85 % de los re-
ceptores estudiados, sólo tres o menos cadenas laterales exhiben movimien-
tos al unirse al ligando, desarrollando así, una escala de flexibilidad de cade-
nas laterales (Lys> Arg, Gln, Met> Glu, Ile, Leu> Asn, Thr , Val, Tyr, Ser, His,
Asp> Cys, Trp, Phe) (Najmanovich et al., 2000). Utilizando esta escala, es po-
sible identificar qué cadenas laterales dentro de un dominio deben ser flexi-
bles y cuales pueden permanecer estáticas.

Figura 5. Modelo de acoplamiento flexible. A. Movimiento de la estructura

de bucle (flecha anaranjada) después de la unión del ligando.
B. Desplazamiento de la estructura C-terminal que contiene Phe327
(flecha celeste) tras la unión de ligando. Los modelos desplazados se
observan como estructuras grises superpuestas (Extraído de Cavasotto y
Abagyan, 2004).

En el acoplamiento conjunto permite el acoplamiento de una librería de

ligandos contra múltiples conformaciones rígidas del blanco proteico. El to-
tal de estructuras rígidas puede ser generado por una simulación de dinámica
molecular (donde las diferentes estructuras dinámicas son aisladas) (Figura 6)
o, aunque es menos frecuente, también puede ser obtenido a partir de estu-
dios experimentales de cristalografía y resonancia magnética nuclear (RMN).

64
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

Figura 6. Estructura un bucle perteneciente a la proteína 2ACT (PDB)

producido por el método Monte Carlo (MC) para movimiento local. De las
5000 representaciones se agruparon 100 conformaciones representativas.
La línea negra representa la estructura cristalográfica del bucle mientras
que, las líneas grises representan las diferentes conformaciones de
movimiento local seleccionadas (Extraído de Meng et al., 2011).

Existen dos clases diferentes de acoplamiento conjunto. En el primer mé-

todo, se generan varias conformaciones de una misma proteína antes de una
búsqueda por acoplamiento y cada ligando es acoplado independientemente
dentro de cada conformación proteíca (Figura 7) (Carlson, 2002; Barril y Mor-
ley, 2005), por tanto, se introduce la flexibilidad al receptor mediante múlti-
ples ensayos o corridas de acoplamiento molecular (Henzler y Rarey, 2010).
Esto es, por supuesto, computacionalmente ineficiente y el tiempo requeri-
do para realizar una búsqueda virtual aumenta con cada estructura de pro-
teína incluida en el conjunto. La diversidad conformacional también se limi-
ta al número de representaciones conformacionales incluidas en el conjunto
(B-Rao et al., 2009).

65
 Ballón, W. y col.

Figura 7. Esquema de un acoplamiento conjunto. El ligando es evaluado

para cada estructura del blanco proteico generado, en este caso, se observan
tres distintas conformaciones proteicas (rojo, amarillo y lila) (Extraído de
Guedes et al., 2014).

El segundo método evalúa un conjunto de estructuras proteicas en una

sola búsqueda de acoplamiento (B-Rao et al., 2009). Este método superpo-
ne un conjunto de varias conformaciones de una misma proteína o utiliza el
promedio de todas las conformaciones estructurales en una cuadrícula y por
tanto, reduce considerablemente el costo computacional (Totrov y Abagyan,
2008; Henzler y Rarey, 2010) (Figura 8).

Figura 8. Esquema de la superposición de cinco diferentes estructuras

proteicas (P1-P5). La unión del ligando es evaluado para la superposición
del blanco proteico (Extraído de Huang y Zou, 2007).

66
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

Las simulaciones de dinámica molecular (DM) se consideran el método

más preciso para determinar la estabilidad de un ligando dentro de un domi-
nio de unión, a la vez que representan la flexibilidad total de la cadena lateral
y la columna vertebral del blanco proteico incorporando además los efectos
del solvente (Marco y Gago, 2007; Alonso et al., 2006). Varios estudios de aco-
plamiento han utilizado simulaciones de DM para confirmar los resultados
obtenidos de los estudios de acoplamiento. Sin embargo, los intensos cos-
tos computacionales hacen que sea práctico solo para un pequeño conjunto
de ligandos (Han, 2012; Mukherjee et al., 2011; Segura-Cabrera et al., 2013).

ACOPLAMIENTO CONSENSO
Las funciones de puntuación se han destacado como la principal debili-
dad del acoplamiento molecular (Yang et al., 2005; Warren et al., 2006; Wang
et al., 2003). Como estas funciones son las únicas responsables de seleccio-
nar y clasificar la posición o configuración correcta del ligando dentro del si-
tio de unión de las muchas conformaciones posibles generadas por el algorit-
mo de muestreo, pueden potencialmente conducir a la identificación de una
configuración incorrecta. La integración de un enfoque consensuado para el
muestreo y la puntuación, que incorpora varios algoritmos para cada tarea,
ha demostrado mejorar enormemente el enriquecimiento de ligandos en la
selección virtual e identificación de la configuración correcta de las estruc-
turas experimentales (Houston y Walkinshaw, 2013; Kukol, 2011; Yang et al.,
2005; Plewczynski et al., 2011). La puntuación de consenso compensa las de-
ficiencias en las funciones de puntuación individuales y, por tanto, mejora el
rendimiento general con la inclusión de una sola función de puntuación adi-
cional que es suficiente para mejorar las predicciones de afinidad de unión
(Chang et al., 2010). Una técnica similar a la puntuación de consenso es el en-
foque del muestreo de consenso, que está menos caracterizado. Un estudio
reciente de Houston y Walkinshaw (2013), utilizó tres algoritmos de mues-
treo de Dock (Ewing et al., 2001), Autodock (Morris et al., 2009) y Autodock
Vina (Trott y Olson, 2010) para identificar la configuración experimental de
un conjunto diverso de ligandos. El estudio logró una precisión del 82 %, en
comparación con la precisión del 55 al 64 % con el uso de un solo algoritmo
(Houston y Walkinshaw, 2013).

El enfoque de emplear varios algoritmos para determinar la configura-

ción correcta, además de determinar la calificación consensuada posterior
para identificar los ligandos mejor clasificados, puede mejorar en gran medi-
da la tasa de rendimiento en un contexto de selección virtual. El mayor cos-
to de este enfoque es el aumento de falsos negativos, que por tanto, se pier-
den y no progresan a las pruebas experimentales. En un entorno académico,
o en un laboratorio donde los recursos son limitados, esta es una consecuen-
cia aceptable, ya que la calidad de los resultados es más vital en un contex-
to de evaluación virtual. La mejora de los resultados, con una disminución en
los falsos positivos y la posterior disminución en el desperdicio de recursos,
compensaría en gran medida el aumento de los falsos negativos (Houston y
Walkinshaw, 2013).

67
 Ballón, W. y col.

Mecánica Molecular-Generalizada Born/Área de Superficie

(MM-GBSA)

Varios factores relacionados con la energía libre de unión como las inte-
racciones electrostáticas de largo alcance, la desolvatación tras la unión y las
contribuciones entrópicas, están poco definidas en las funciones de puntua-
ción convencionales del acoplamiento molecular (Rastelli et al., 2010a). Por
ello, se incluyen computacionalmente cálculos más rigurosos mediante téc-
nicas como la Perturbación de Energía Libre (FEP)

(Kollman, 1993), la Integración Teromodinámica (TI) (Lybrand et al., 1986),

la Respuesta Lineal (LR) (Aqvist et al., 1994), la Mecánica Molecular Poisson-
Boltzamann/área de superficie (MM-PBSA) (Kuhn y Kollman, 2000) y la Mecá-
nica Molecular Generalizada-Born/Área de Superficie (MM-GBSA) (Kollman
et al., 2000). De todos, MM-PBSA y MM-GBSA son los más rápidos convirtién-
dolos en técnicas computacionalmente eficientes para la identificación y bús-
queda virtual de ligandos produciendo una alta correlación con las energías
de unión experimentales (Rastelli et al., 2010a, Sgobba et al., 2012).

Anteriormente, la técnica MM-GBSA requería un conjunto de imágenes

generadas por una simulación de DM del complejo proteína-ligando en agua.
Sin embargo, esto ha sido reemplazado utilizando un modelo de solvente im-
plícito continuo y una sola estructura proteica con un ∆G minimizado, pu-
diendo discriminar con éxito entre verdaderos ligandos y señuelos (Rastelli
et al., 2010a).

MM-GBSA es un método basado en campos de fuerza que usan una com-

binación de energías de mecánica molecular (MM), en términos de solva-
tación polar/no polar y de entropía para calcular la energía libre de unión
(ΔGbind) (Massova y Kollman, 2000; Kollman et al., 2000) del cambio entre el
complejo unido (ΔGcom) y el receptor no unido (ΔGrec) y el ligando (ΔGlig)
en solución (Rastelli et al., 2010a; Guimaraes y Cardozo, 2008).

ΔGbind = ΔGcom - ΔGrec - ΔGlig

Cada uno de estos términos se descompone en energía de MM en fase ga-

seosa (ΔEMM), en términos de solvatación polar/no polar (ΔSsolv) y de entro-
pía (ΔS) a una temperatura predefinida (T).

ΔG(com/rec/lig) = ΔEMM + ΔGsolv – T(ΔS)

EMM se calcula mediante la suma de la energía de enlaces químicos, án-

gulos y torsión (Ebat) predefinidos por el campo de fuerza, y las energías de

68
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

van der Waals (EvdW) y de Coulomb (Ecoul). ΔGsolv se descompone en polar

(ΔGsolv,p) y no polar (ΔGsolv,np). Las contribuciones polares se calculan me-
diante aproximaciones generalizadas de Born (GB) en MM-GBSA (Kollman et
al., 2000; Greenidge et al., 2013) donde la contribución no polar generalmen-
te se calcula como una función lineal del área de superficie accesible al sol-
vente (Hou et al., 2011a; Greenidge et al., 2013). Con estas funciones, se cal-
cula la energía libre de unión (ΔGbind).

ΔG(com/rec/lig) = ΔEbat + ΔEvdW + ΔEcoul + ΔGsolv,p + ΔGsolv,np – T(ΔS)

En la mayoría de los estudios, el término entropía (ΔS) se desprecia, ya que

su cálculo puede ser una fuente importante de error (Rastelli et al., 2010b) y
no siempre mejora la precisión de la predicción (Hou et al., 2011a; Guimaraes
, 2012); sin embargo, algunos investigadores aún recomiendan su uso (Lafont
et al., 2007). El modelo GB es más eficiente y más rápido para clasificar las afi-
nidades de unión de ligandos, haciéndolo más adecuado en un contexto de
detección virtual (Hou et al., 2011a, 2011b; Huang et al., 2010; Li et al., 2010).
Además, se ha demostrado que MM-GBSA es una opción más atractiva que
las metodologías FEP y TI (computacionalmente pesadas), ya que es compu-
tacionalmente más precisa y eficiente al manejar ligandos estructuralmente
más diversos (Guimaraes y Cardozo, 2008).

CONCLUSIONES
A pesar de sus limitaciones, el acoplamiento molecular ha dado lugar al
descubrimiento de varias moléculas con actividad biológica, y si es utilizado
correctamente, puede proveer un excelente punto de partida en un proyecto
con pocas moléculas prometedoras. Posiblemente, la consideración más im-
portante es el conocimiento y disponibilidad de datos publicados, por tan-
to, la información en la literatura es esencial. La disponibilidad de estructuras
cristalográficas de alta resolución o estructuras de RMN del blanco protei-
co son mucho mejores que los modelos obtenidos por homología, por tan-
to, el estado de las estructuras experimentales debería ser tomado en cuenta.
La caracterización eficiente del sitio de unión activo o alostérico es esencial.
El entendimiento detallado de la localización y flexibilidad de las cadenas
laterales dentro del dominio de unión, la presencia o ausencia de molécu-
las de agua en el sitio activo y los estados de protonación de residuos ioni-
zables contribuirán enormemente a enriquecer una búsqueda virtual. Tam-
bién es importante caracterizar a qué clase de reguladores corresponden las
moléculas activas. El acoplamiento molecular no es capaz de replicar las in-
teracciones covalentes entre ligandos y blanco proteico y por tanto, los in-
hibidores covalentes deberían ser excluidos. El acoplamiento molecular de
péptidos (ligandos peptídicos) es difícil cuando se utilizan metodologías con-
vencionales, debido al incremento de la inespecificidad de los algoritmos de
acoplamiento para predecir la configuración correcta de compuestos con un

69
 Ballón, W. y col.

elevado número de enlaces rotables. Por tanto, en una búsqueda por acopla-
miento molecular, los ligandos deberían tener un máximo de ocho enlaces
rotables. En el uso de una puntuación de consenso, se ha determinado que la
técnica MM-GBSA proporciona una excelente correlación con la energía de
unión experimental, por tanto, es más adecuado en el cribado virtual propor-
cionando configuraciones de acoplamiento más precisas, convirtiéndose en
un enfoque computacionalmente importante en el diseño de medicamentos
basado en su estructura (Hou et al., 2011b; Guimaraes, 2012).

REFERENCIAS

Alonso, H., Bliznyuk, A.A., Gready, J.E. (2006). Guedes, I. A., Magalhães, C. S., Dardenne,
Combining docking and molecular dy- L. E. (2014). Receptor–ligand molecular
namic simulations in drug design. Med. docking. Biophys Rev (2014) 6:75–87.
Res. Rev. 26, 531–568. Guimaraes, C.R., Cardozo, M. (2008). MM-
Aqvist, J., Medina, C., Samuelsson, J.-E. GB/SA rescoring of docking poses in
(1994). A new method for predicting structurebased lead optimization. J.
binding affinity in computer-aided drug Chem. Inf. Model. 48, 958–970.
design. Protein Eng. 7, 385–391. Guimaraes, C.R. (2012). MM-GB/SA Resco-
Barril, X., Morley, S.D. (2005). Unveiling the ring of Docking Poses. Computational
full potential of flexible receptor doc- Drug Discovery and Design. Springer.
king using multiple crystallographic Greenidge, P.A., Kramer, C., Mozziconacci,
structures. J. Med. Chem. 48, 4432–4443. J.C., Wolf, R.M. (2013). MM/GBSA bin-
Beckham, J. (2014). The Virtual Drug Scree- ding energy prediction on the PDBbind
ning Stream: research and discovery data set: successes, failures, and direc-
as undergraduates. Education Corner tions for further improvement. J. Chem.
Newsletter 61 Inf. Model. 53, 201–209.
[Link] g/rcsb-pdb/gene- Han, S.-H. (2012). Docking and molecular
ral_information/news_publications/ dynamics simulations of celastrol bin-
newsletters/2014q2/[Link] ding to p23. Bulletin of the Korean Che-
B-Rao, C., Subramanian, J., Sharma, S.D. mical Society 33, 322–324.
(2009). Managing protein flexibility in Hartshorn, M.J., Verdonk, M.L., Chessari, G.,
docking and its applications. Drug Dis- Brewerton, S.C., Mooij, W.T., Morten-
cov. Today 14, 394–400. son, P.N., Murray, C.W. (2007). Diverse,
Carlson, H.A. (2002). Protein flexibility and high-quality test set for the validation of
drug design: how to hit a moving target. protein-ligand docking performance. J.
Curr. Opin. Chem. Biol. 6, 447–452. Med. Chem. 50, 726–741.
Cavasotto, C.N., Abagyan, R.A. (2004). Pro- Henzler, A.M., Rarey, M. (2010). Pursuit of
tein flexibility in ligand docking and vir- Fully Flexible Protein-Ligand Docking:
tual screening to protein kinases. J. Mol. Modeling the Bilateral Mechanism of
Biol. 337, 209–225. Binding. In: Molecular Informatics, 29,
Chang, M.W., Ayeni, C., Breuer, S., Torbett, pp. 164–173.
B.E. (2010). Virtual screening for HIV Hornak, V., Okur, A., Rizzo, R.C., Simmerling,
protease inhibitors: a comparison of Au- C. (2006). HIV-1 protease flaps sponta-
toDock 4 and Vina. PLoS One 5, e11955. neously close to the correct structure
Cheng, T., Li, Q., Zhou, Z., Wang, Y., Bryant, in simulations following manual place-
S.H. (2012). Structure-based virtual ment of an inhibitor into the open state.
screening for drug discovery: a pro- J. Am. Chem. Soc. 128, 2812–2813.
blem-centric review. AAPS J. 14, 133– Hou, T., Wang, J., Li, Y., Wang, W. (2011a).
141. Assessing the performance of the mo-
Craig, I.R., Essex, J.W., Spiegel, K. (2010). En- lecular mechanics/Poisson Boltzmann
semble docking into multiple crystallo- surface area and molecular mechanics/
graphically derived protein structures: generalized Born surface area methods.
an evaluation based on the statistical II. The accuracy of ranking poses gene-
analysis of enrichments. J. Chem. Inf. rated from docking. J. Comput. Chem.
Model. 50, 511–524. 32, 866–877.
Ewing, T.J., Makino, S., Skillman, A.G., Kuntz, Hou, T., Wang, J., Li, Y., Wang, W. (2011b).
I.D. (2001). DOCK 4.0: search strategies Assessing the performance of the MM/
for automated molecular docking of PBSA and MM/GBSA methods. 1. The
flexible molecule databases. J. Comput. accuracy of binding free energy calcu-
Aided Mol. Des. 15, 411–428. lations based on molecular dynamics si-
Glusker, J.P., Lewis, M., Rossi, M. (1994). mulations. J. Chem. Inf. Model. 51, 69–
Crystal Structure Analysis for Chemists 82.
and Biologists. John Wiley & Sons. Houston, D.R., Walkinshaw, M.D. (2013).

70
 Acomplamiento molecular: criterios prácticos para la selección de ligandos
biológicamente activos e identificación de nuevos blancos terapéuticos

Consensus docking: improving the re- Lemmon, G., Meiler, J. (2013). Towards ligand
liability of docking in a virtual screening docking including explicit interface wa-
context. J. Chem. Inf. Model. 53, 384– ter molecules. PLoS One 8, e67536.
390. Li, Y., Liu, Z., Wang, R. (2010). Test MM-PB/
Huang, N., Shoichet, B.K. (2008). Exploiting SA on true conformational ensembles of
ordered waters in molecular docking. J. protein_ligand complexes. J. Chem. Inf.
Med. Chem. 51, 4862–4865. Model. 50, 1682–1692.
Huang, S.Y., Grinter, S.Z., Zou, X. (2010). Lie, M.A., Thomsen, R., Pedersen, C.N.,
Scoring functions and their evaluation Schiøtt, B., Christensen, M.H. (2011).
methods for protein-ligand docking: Molecular docking with ligand attached
recent advances and future directions. water molecules. J. Chem. Inf. Model.
Phys. Chem. Chem. Phys. 12, 12899– 51, 909–917.
12908. Lill, M. (2013). Virtual screening in drug de-
Huang, S. Y., Zou, X. (2007). Ensemble Doc- sign. Methods Mol. Biol. 993, 1–12.
king of Multiple Protein Structures: Lill, M.A. (2011). Efficient incorporation of
Considering Protein Structural Varia- protein flexibility and dynamics into
tions in Molecular Docking. PROTEINS: molecular docking simulations. Bioche-
Structure, Function, and Bioinformatics mistry 50, 6157–6169.
66:399–421. Lim, S.V., Rahman, M.B.A., Tejo, B.A. (2011).
Kalliokoski, T., Salo, H.S., Lahtela-Kakkonen, Structure-based and ligand-based vir-
M., Poso, A. (2009). The effect of ligand- tual screening of novel methyltransfera-
based tautomer and protomer predic- se inhibitors of the dengue virus. BMC
tion on structure-based virtual scree- bioinformatics 12, S24.
ning. J. Chem. Inf. Model. 49, 2742–2748. Lybrand, T.P., Mccammon, J.A., Wipff, G.
Kim, M.O., Nichols, S.E., Wang, Y., Mccam- (1986). Theoretical Calculation of Rela-
mon, J.A. (2013). Effects of histidine pro- tive Binding Affinity in Host-Guest Sys-
tonation and rotameric states on vir- tems. In: Proceedings of the National
tual screening of M. tuberculosis RmlC. Academy of Sciences, 83, pp. 833–835.
J. Comput. Aided Mol. Des. 27, 235–246. Marco, E., Gago, F. (2007). Overcoming the
Kollman, P. (1993). Free energy calculations: inadequacies or limitations of expe-
applications to chemical and biochemi- rimental structures as drug targets by
cal phenomena. Chem. Rev. 93, 2395– using computational modeling tools
2417. and molecular dynamics simulations.
Kollman, P.A., Massova, I., Reyes, C., Kuhn, ChemMedChem 2, 1388–1401.
B., Huo, S., Chong, L., Lee, M., Lee, T., Mcgovern, S.L., Shoichet, B.K. (2003). In-
Duan, Y., Wang, W. (2000). Calculating formation decay in molecular docking
structures and free energies of com- screens against holo, apo, and mode-
plex molecules: combining molecular led conformations of enzymes. J. Med.
mechanics and continuum models. Acc. Chem. 46, 2895–2907.
Chem. Res. 33, 889–897. Meng, X.-Y., Zhang, H.-X., Mezei, M., Cui, M.
Krieger, E., Dunbrack Jr., R.L., Hooft, R.W., (2011). Molecular docking: a powerful
Krieger, B. (2012). Assignment of Proto- approach for structure-based drug dis-
nation States in Proteins and Ligands: covery. Curr. Comput. Aided Drug Des.
Combining Pka Prediction with Hydro- 7, 146.
gen Bonding Network Optimization. Meng, X.-Y., Zhang, H.-X., Mezei, M., Cui, M.
Computational Drug Discovery and De- (2011). Molecular docking: a powerful
sign. Springer. approach for structure-based drug dis-
Kroemer, R.T. (2007). Structure-based drug covery. Curr. Comput. Aided Drug Des.
design: docking and scoring. Current 7, 146.
Protein and Peptide Science 8, 312–328. Morris, G.M., Huey, R., Lindstrom, W., San-
Kuhn, B., Kollman, P.A. (2000). Binding of ner, M.F., Belew, R.K., Goodsell, D.S., Ol-
a diverse set of ligands to avidin and son, A.J. (2009). AutoDock4 and Auto-
streptavidin: an accurate quantitative DockTools4: automated docking with
prediction of their relative affinities by selective receptor flexibility. J. Comput.
a combination of molecular mechanics Chem. 30, 2785–2791.
and continuum solvent models. J. Med. Mukherjee, P., Shah, F., Desai, P., Avery, M.
Chem. 43, 3786–3791. (2011). Inhibitors of SARS-3CLpro: vir-
Kukol, A. (2011). Consensus virtual scree- tual screening, biological evaluation,
ning approaches to predict protein li- and molecular dynamics simulation stu-
gands. Eur. J. Med. Chem. 46, 4661–4664. dies. J. Chem. Inf. Model. 51, 1376–1392.
Kuntz, I.D., Blaney, J.M., Oatley, S.J., Langrid- Mysinger, M.M., Carchia, M., Irwin, J.J., Shoi-
ge, R., Ferrin, T.E. (1982). A geometric ap- chet, B.K. (2012). Directory of useful de-
proach to macromolecule-ligand inte- coys, enhanced (DUD-E): better ligands
ractions. J. Mol. Biol. 161, 269–288. and decoys for better benchmarking. J.
Lafont, V., Armstrong, A.A., Ohtaka, H., Kiso, Med. Chem. 55, 6582–6594.
Y., Mario Amzel, L., Freire, E. (2007). Najmanovich, R., Kuttner, J., Sobolev, V.,
Compensating enthalpic and entropic Edelman, M. (2000). Side-chain flexibili-
changes hinder binding affinity optimi- ty in proteins upon ligand binding. Pro-
zation. Chem. Biol. Drug Des. 69, 413– teins: Structure, Function, and Bioinfor-
422. matics 39, 261–268.

71
 Ballón, W. y col.

Onufriev, A.V., Alexov, E. (2013). Protonation Sgobba, M., Caporuscio, F., Anighoro, A.,
and pK changes in protein–ligand bin- Portioli, C., Rastelli, G. (2012). Applica-
ding. Q. Rev. Biophys. 46, 181–209. tion of a post-docking procedure based
Petukh, M., Stefl, S., Alexov, E. (2013). The on MM-PBSA and MM-GBSA on sin-
role of protonation states in ligand-re- gle and multiple protein conformations.
ceptor recognition and binding. Curr. Eur. J. Med. Chem. 58, 431–440.
Pharm. Des. 19, 4182. Ten Brink, T., Exner, T.E. (2009). Influence of
Phatak, S.S., Stephan, C.C., Cavasotto, C.N. protonation, tautomeric, and stereoiso-
(2009). High-Throughput and in Silicon meric states on protein_ligand docking
Screenings in Drug Discovery. results. J. Chem. Inf. Model. 49, 1535–
Plewczynski, D., Lazniewski, M., Von 1546.
Grotthuss, M., Rychlewski, L., Ginalski, Thilagavathi, R., Mancera, R.L. (2010). Li-
K. (2011). VoteDock: consensus docking gand_Protein cross-docking with wa-
method for prediction of protein-ligand ter molecules. J. Chem. Inf. Model. 50,
interactions. J. Comput. Chem. 32, 568– 415–421.
581. Totrov, M., Abagyan, R. (2008). Flexible li-
Polgár, T., Keseru¨ , G.M. (2005). Virtual gand docking to multiple receptor con-
screening for β-secretase (BACE1) in- formations: a practical alternative. Curr.
hibitors reveals the importance of pro- Opin. Struct. Biol. 18, 178–184.
tonation states at Asp32 and Asp228. J. Trott, O., Olson, A.J. (2010). AutoDock Vina:
Med. Chem. 48, 3749–3755. improving the speed and accuracy of
Prashar, V., Bihani, S., Das, A., Ferrer, J. L., Ho- docking with a new scoring function,
sur, M. (2009). Catalytic Water Co-Exis- efficient optimization, and multithrea-
ting with a Product Peptide in the Active ding. J. Comput. Chem. 31, 455–461.
Site of HIV-1 Protease Revealed by X- Warren, G.L., Andrews, C.W., Capelli, A.-M.,
Ray Structure Analysis. PLoS ONE 4(11): Clarke, B., Lalonde, J., Lambert, M.H.,
e7860. Lindvall, M., Nevins, N., Semus, S.F.,
Rastelli, G., Del Rio, A., Degliesposti, G., Senger, S. (2006). A critical assessment
Sgobba, M. (2010a). Fast and accura- of docking programs and scoring
te predictions of binding free ener- functions. J. Med. Chem. 49, 5912–5931.
gies using MM-PBSA and MM-GBSA. J. Waszkowycz, B., Clark, D.E., Gancia, E.
Comput. Chem. 31, 797–810. (2011). Outstanding challenges in pro-
Rastelli, G., Rio, A.D., Degliesposti, G., Sgob- tein–ligand docking and structure-
ba, M. (2010b). Fast and accurate pre- based virtual screening. Wiley Inter-
dictions of binding free energies using disciplinary Reviews: Computational
MM-PBSA and MM-GBSA. J. Comput. Molecular Science 1, 229–259.
Chem. 31, 797–810. Yang, H., Bartlam, M., Rao, Z. (2006). Drug
Santos, R., Hritz, J., Oostenbrink, C. (2009). Design targeting the main protease, the
Role of water in molecular docking si- Achilles heel of Coronaviruses. Curr.
mulations of cytochrome P450 2D6. J. Pharm. Des. 12, 4573–4590.
Chem. Inf. Model. 50, 146–154. Yang, J.-M., Chen, Y.-F., Shen, T.-W., Kristal,
Segura-Cabrera, A., Garcı´a-Pe´rez, C.A., B.S., Hsu, D.F. (2005). Consensus scoring
Guo, X., Rodrı´guez-Pe´rez, M.A. (2013). criteria for improving enrichment in vir-
Repurposing of FDA-approved drugs for tual screening. J. Chem. Inf. Model. 45,
the discovery of inhibitors of dengue 1134–1146.
virus NS2B-NS3 protease by docking,
consensus scoring, and molecular dyna-
mics simulations. Biophys. J. 104, 404a.

72