<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN"
        "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
<!--<?xml-stylesheet type="text/xsl" href="article.xsl"?>-->
<article article-type="research-article" dtd-version="1.2" xml:lang="en" xmlns:mml="http://www.w3.org/1998/Math/MathML"
         xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
    <front>
        <journal-meta>
            <journal-id journal-id-type="issn">2303-9868</journal-id>
            <journal-id journal-id-type="eissn">2227-6017</journal-id>
            <journal-title-group>
                <journal-title>Международный научно-исследовательский журнал</journal-title>
            </journal-title-group>
            <issn pub-type="epub">2303-9868</issn>
            <publisher>
                <publisher-name>ООО Цифра</publisher-name>
            </publisher>
        </journal-meta>
        <article-meta>
            <article-id pub-id-type="doi">10.23670/IRJ.2024.141.10</article-id>
            <article-categories>
                <subj-group>
                    <subject>Brief communication</subject>
                </subj-group>
            </article-categories>
            <title-group>
                <article-title>МЕТОДОЛОГИЯ ВИРТУАЛЬНОГО СКРИНИНГА ЛЕКАРСТВЕННЫХ ВЕЩЕСТВ: СОВРЕМЕННЫЕ МЕТОДЫ И ПРИМЕНЕНИЕ
                </article-title>
            </title-group>
            <contrib-group>
                <contrib contrib-type="author">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-6346-9872</contrib-id>
                    <name>
                        <surname>Бидарова</surname>
                        <given-names>Фатима Николаевна</given-names>
                    </name>
                    <email>apteka-83@yandex.ru</email>
                    <xref ref-type="aff" rid="aff-1">1</xref>

                </contrib><contrib contrib-type="author">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0009-0008-5002-1965</contrib-id>
                    <name>
                        <surname>Альборов</surname>
                        <given-names>Рамазан Султанович</given-names>
                    </name>
                    <email>rahiddenpool@proton.me</email>
                    
                </contrib><contrib contrib-type="author" corresp="yes">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-0960-0980</contrib-id>
                    <name>
                        <surname>Кисиева</surname>
                        <given-names>Манана Тенгизовна</given-names>
                    </name>
                    <email>mananakisieva@mail.ru</email>
                    
                </contrib>
            </contrib-group>
            <aff id="aff-1"><label>1</label>Северо-Осетинская государственная медицинская академия</aff>
            
        <pub-date publication-format="electronic" date-type="pub" iso-8601-date="2024-03-18">
            <day>18</day>
            <month>03</month>
            <year>2024</year>
        </pub-date>
        
            
        <pub-date pub-type="collection">
            <year>2024</year>
        </pub-date>
        
            <volume>5</volume>
            <issue>141</issue>
            <fpage>1</fpage>
            <lpage>5</lpage>
            <history>
                
        <date date-type="received" iso-8601-date="2023-11-28">
            <day>28</day>
            <month>11</month>
            <year>2023</year>
        </date>
        
                
        <date date-type="accepted" iso-8601-date="2024-02-09">
            <day>09</day>
            <month>02</month>
            <year>2024</year>
        </date>
        
            </history>
            <permissions>
                <copyright-statement>Copyright: &#x00A9; 2022 The Author(s)</copyright-statement>
                <copyright-year>2022</copyright-year>
                <license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
                    <license-p>This is an open-access article distributed under the terms of the Creative Commons
                        Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution,
                        and reproduction in any medium, provided the original author and source are credited. See <uri
                                xlink:href="http://creativecommons.org/licenses/by/4.0/">
                            http://creativecommons.org/licenses/by/4.0/</uri>.
                    </license-p>
                </license>
            </permissions>
            <self-uri xlink:href="https://research-journal.org/archive/3-141-2024-march/10.23670/IRJ.2024.141.10"/>
            <abstract>
                <p>Настоящее исследование посвящено анализу актуальных методов виртуального скрининга в рамках процесса разработки лекарственных препаратов. В данной статье рассматриваются основные принципы и техники виртуального скрининга, включая те, которые базируются на структуре известных активных соединений и биомиметических структурах. Эти методы направлены на выявление потенциально перспективных молекул из обширных химических библиотек в качестве компонентов лекарственных средств.Благодаря прогрессу в области высокоэффективных вычислений в настоящее время стало возможным проведение виртуального скрининга в относительно короткие временные рамки. Задачи, решаемые методами виртуального скрининга, могут быть разнообразны по своей специфике и представляют особый интерес для разработки лекарственных средств.</p>
            </abstract>
            <kwd-group>
                <kwd>виртуальный скрининг</kwd>
<kwd> методология компьютерного дизайна лекарственных средств</kwd>
<kwd> молекулярный докинг</kwd>
</kwd-group>
        </article-meta>
    </front>
    <body> 
        
 
        
<sec>
	<title>HTML-content</title>
	<p>1. Введение</p>
	<p>Настоящее исследование посвящено анализу актуальных методов виртуального скрининга в рамках процесса разработки лекарственных препаратов. В данной статье рассматриваются основные принципы и техники виртуального скрининга, включая те, которые базируются на структуре известных активных соединений и биомиметических структурах. Эти методы направлены на выявление потенциально перспективных молекул из обширных химических библиотек в качестве компонентов лекарственных средств.</p>
	<p>Благодаря прогрессу в области высокоэффективных вычислений в настоящее время стало возможным проведение виртуального скрининга в относительно короткие временные рамки. Задачи, решаемые методами виртуального скрининга, могут быть разнообразны по своей специфике и представляют особый интерес для разработки лекарственных средств.</p>
	<p>2. Основные результаты</p>
	<p>Существуют две широкие категории методов скрининга: лигандные и структурные [15].</p>
	<p>Лиганд-ориентированный виртуальный скрининг основан на принципе сходства, который утверждает, что подобные соединения вызывают подобные биологические эффекты [5], [17]. Эта концепция зависит от одного или нескольких экспериментально выявленных «хитов». Библиотеки данных с большим количеством лигандов можно эффективно просматривать на предмет соединений, подобных по химическим свойствам, что приводит к выявлению потенциально активных соединений. Основное различие между различными методами виртуального сканирования на основе лигандов заключается в мере сходства, которая варьируется от двумерных дескрипторов, в частности отпечатков, до сравнений формы и трехмерных дескрипторов, например, с использованием фармакофоров. Дескрипторы, производные из двумерного структурного представления молекулы, популярны в лиганд-ориентированном скрининге благодаря своей эффективности и простоте [6], [8]. Иногда можно выявить подструктуры, которые часто связываются с определенными типами или семействами рецепторов. Затем поиск подструктур можно использовать для фильтрации лигандов и выявления соединений, содержащих данные подструктуры. Этот тип поиска также используется для фильтрации выделенных соединений, например, содержащих реакционноспособные группы лигандов, связанные с токсичностью или метаболической нестабильностью. Среди наиболее широко применяемых техник для поиска сходства являются молекулярные отпечатки. Предполагается, что два соединения считаются похожими, если они содержат похожие подструктуры. Молекулярные отпечатки хранятся в виде битовых строк, где для каждого лиганда записывается отсутствие («0») или наличие («1») списка подструктур. Сходство между двумя молекулами вычисляется путем сравнения индивидуальных битов их битовых строк и применения индексов сходства, таких как коэффициент Жаккара [16].</p>
	<p>Молекулярные отпечатки рассчитываются либо на основе предопределенной библиотеки подструктур, например путем перебора всех фрагментов в библиотеке лигандов, содержащих от N_{min} до N_{max} атомов. Отпечатки на основе предопределенных библиотек имеют преимущество в создании сравнительно коротких отпечатков, но могут пренебрегать структурными элементами, которые критичны для дифференциации лигандов в пределах конкретного набора данных [8].</p>
	<p>В связи с увеличивающимися объемами общедоступных данных высокопроизводительного сканирования и аннотированных баз данных аффинности белок-лиганд и биологической активности, методы машинного обучения стали популярными в контексте виртуального скрининга. Методы, такие как метод опорных векторов, байесовские методы или деревья решений, разделяют активные соединения от неактивных, используя молекулярные дескрипторы в процессе обучения и оперируя полученными моделями для поиска новых активных соединений [7], [9].</p>
	<p>Структурно-ориентированные методы включают в себя различные вычислительные методики, учитывающие структуру рецептора, являющегося молекулярной мишенью для исследуемых активных лигандов. Некоторые из этих методов включают молекулярный докинг, предсказание фармакофора на основе структуры и моделирование молекулярной динамики [3]. Структурно-ориентированные методы виртуального скрининга представляют собой набор вычислительных стратегий, направленных на исследование молекулярных взаимодействий между лигандами (активными соединениями) и рецепторами (белковыми мишенями) с учетом трехмерной структуры последних [1], [6], [11].</p>
	<p>Одним из основных методов в этом подходе является молекулярный докинг, который широко применяется в виртуальном скрининге из-за своей вычислительной эффективности. Молекулярный докинг включает в себя два основных этапа: позиционирование и оценку. На первом этапе происходит поиск оптимального положения лиганда внутри активного сайта белка путем проб и ошибок с различными конформациями. На втором этапе используется скоринговая функция для оценки энергетической выгоды каждой конформации и ранжирования лигандов по их связыванию с рецептором. Существует несколько категорий алгоритмов для поиска оптимальных конформаций в молекулярном докинге. Систематические методы, такие как метод грубой силы (brute-force) представляющий из себя последовательный перебор, рассматривающий множество конформаций, включая вращения вокруг торсионных связей молекулы. Однако, из-за экспоненциального роста числа конформаций, такой подход может столкнуться с проблемой чрезмерного числа вариантов лигандов. В ответ на это были разработаны альтернативные методы, такие как фрагментарно-ориентированная инкрементальная конструкция и алгоритмы размещения и соединения, которые преодолевают проблему комбинаторного взрыва конформаций [4].</p>
	<p>Стохастические методы, включая методы Монте-Карло и генетические алгоритмы, генерируют новые конформации на основе предыдущих, используя случайные изменения в дихедральных углах и трансляционных/вращательных степенях свободы [2], [10]. Энергетическая оценка происходит на основе вероятностных распределений Больцмана. Примеры программ, использующих стохастические методы, включают AutoDock, GOLD, ICM и MOE-Dock.</p>
	<table-wrap id="T1">
		<label>Table 1</label>
		<caption>
			<p>Сравнительная характеристика методов виртуального скрининга ЛС</p>
		</caption>
		<table>
			<tr>
				<td>Метод виртуального скрининга</td>
				<td>Принцип работы</td>
				<td>Преимущества</td>
				<td>Недостатки</td>
			</tr>
			<tr>
				<td>Лиганд-ориентированный скрининг</td>
				<td>Фокусируется на поиске лигандов (молекул, обладающих химическими свойствами) для взаимодействия с целевым белком.</td>
				<td>Может быть эффективен, когда структура белка не полностью известна.</td>
				<td>Работает лучше, когда есть хороший лиганд с известной активностью.</td>
			</tr>
			<tr>
				<td>Структурно-ориентированный скрининг</td>
				<td>Основан на использовании трехмерной структуры целевого белка для поиска молекул, подходящих по форме и взаимодействующих с конкретными сайтами.</td>
				<td>Может обнаруживать новые лиганды, неизвестные из ранее проведенных экспериментов.</td>
				<td>Требует полной или частичной структуры белка. Может быть менее эффективным, когда активный сайт малоподвижен или изменчив.</td>
			</tr>
		</table>
	</table-wrap>
	<p>3. Заключение</p>
	<p>Виртуальный скрининг будет становиться все более важным инструментом для исследования биологически значимого химического пространства. Виртуальный скрининг обрабатывает большие библиотеки и любые рецепторы с известной структурой практически без финансовых затрат. Можно отметить более высокие уровни «попаданий» и лучшие прогнозы конформационных моделей, которые являются первыми и наиболее важными целями виртуального скрининга. Структуры рецепторов уже доступны через банк данных белков или PDB (для экспериментальных структур) и через базы данных, такие как MODBASE (для большего числа структур из компьютерного моделирования) [13], [14].</p>
</sec>
        <sec sec-type="supplementary-material">
            <title>Additional File</title>
            <p>The additional file for this article can be found as follows:</p>
            <supplementary-material id="S1" xmlns:xlink="http://www.w3.org/1999/xlink"
                                    xlink:href="https://doi.org/10.5334/cpsy.78.s1">
                <!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/10157.docx">10157.docx</inline-supplementary-material>]-->
                <!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/10157.pdf">10157.pdf</inline-supplementary-material>]-->
                <label>Online Supplementary Material</label>
                <caption>
                    <p>Further description of analytic pipeline and patient demographic information. DOI:
                        <italic>
                            <uri>https://doi.org/10.23670/IRJ.2024.141.10</uri>
                        </italic>
                    </p>
                </caption>
            </supplementary-material>
        </sec>
    </body>
    <back>
        <ack>
            <title>Acknowledgements</title>
            <p>Авторы выражают искреннюю благодарность и глубокую признательность Кисиевой М.Т., Бидаровой Ф.Н. за внимание и поддержку, оказанную в процессе данного исследования.</p>
        </ack>
        <sec>
            <title>Competing Interests</title>
            <p>None</p>
        </sec>
        <ref-list>
            <ref id="B1">
                    <label>1</label>
                    <mixed-citation publication-type="confproc">
                        Virtual Screening in Drug Discovery (1st ed.) / Ed. by J. Alvarez, B. Shoichet // CRC Press. — 2005. — URL: https://www.taylorfrancis.com/books/mono/10.1201/9781420028775/virtual-screening-drug-discovery-juan-alvarez-brian-shoichet (accessed: 04.11.2023)
                    </mixed-citation>
                </ref><ref id="B2">
                    <label>2</label>
                    <mixed-citation publication-type="confproc">
                        Vermeulen E. How to Optimise Drug Study Design: Pharmacokinetics and Pharmacodynamics Studies Introduced to Paediatricians / E. Vermeulen, J.N. van den Anker, O.D. Pasqua [et al.] // Journal of Pharmacy and Pharmacology. — 2017. — Vol. 69. — Iss. 4. — P. 439-447. — URL: https://academic.oup.com/jpp/article/69/4/439/6127811 (accessed 22.10.2023). — DOI: 10.1111/jphp.12637
                    </mixed-citation>
                </ref><ref id="B3">
                    <label>3</label>
                    <mixed-citation publication-type="confproc">
                        Ferreira L.G. Molecular Docking and Structure-based Drug Design Strategies / L.G. Ferreira, R.N. Dos Santos, G. Oliva [et al.] // Molecules. — 2015. — № 20(7). — P. 13384-421. — URL: https://www.mdpi.com/1420-3049/20/7/13384 (accessed 11.11.2023). — DOI: 10.3390/molecules200713384.
                    </mixed-citation>
                </ref><ref id="B4">
                    <label>4</label>
                    <mixed-citation publication-type="confproc">
                        Guha R. On Exploring Structure-activity Relationships / R. Guha // Methods Mol Biol. — 2013. — № 993. — P. 81-94. — URL: https://link.springer.com/protocol/10.1007/978-1-62703-342-8_6 (accessed: 22.10.2023). — DOI: 10.1007/978-1-62703-342-8_6. 
                    </mixed-citation>
                </ref><ref id="B5">
                    <label>5</label>
                    <mixed-citation publication-type="confproc">
                        Hage-Melim L.I.D.S. Virtual Screening, ADME/Tox Predictions and the Drug Repurposing Concept for Future Use of Old Drugs against the COVID-19 / L.I.D.S. Hage-Melim, L.B. Federico, N.K.S. de Oliveira [et al.] // Life Sci. — 2020. — № 256. — 117963. — URL: https://www.sciencedirect.com/science/article/pii/S002432052030713X (accessed: 11.11.2023). — DOI: 10.1016/j.lfs.2020.117963
                    </mixed-citation>
                </ref><ref id="B6">
                    <label>6</label>
                    <mixed-citation publication-type="confproc">
                        Hu B. PharmDock: a Pharmacophore-based Docking Program / B. Hu, M.A. Lill // J Cheminform. — 2014. — № 6(14). — URL: https://jcheminf.biomedcentral.com/articles/10.1186/1758-2946-6-14#citeas (accessed: 12.10.2023). — DOI: 10.1186/1758-2946-6-14
                    </mixed-citation>
                </ref><ref id="B7">
                    <label>7</label>
                    <mixed-citation publication-type="confproc">
                        Jiménez J. DeepSite: Protein-binding Site Predictor Using 3D-convolutional Neural Networks / J. Jiménez, S. Doerr, G. Martínez-Rosell [et al.] // Bioinformatics. — 2017. — № 33(19). — P. 3036-3042. — URL: https://academic.oup.com/bioinformatics/article/33/19/3036/3859178 (accessed: 11.11.2023). — DOI: 10.1093/bioinformatics/btx350.
                    </mixed-citation>
                </ref><ref id="B8">
                    <label>8</label>
                    <mixed-citation publication-type="confproc">
                        Kainrad T. LigandScout Remote: A New User-Friendly Interface for HPC and Cloud Resources / T. Kainrad, S. Hunold, T. Seidel [et al.] // J Chem Inf Model. — 2019. — № 59(1). — P. 31-37. — URL: https://pubs.acs.org/doi/10.1021/acs.jcim.8b00716 (accessed: 22.10.2023). — DOI: 10.1021/acs.jcim.8b00716. 
                    </mixed-citation>
                </ref><ref id="B9">
                    <label>9</label>
                    <mixed-citation publication-type="confproc">
                        Kortagere S. Methods in Molecular Biology / S. Kortagere // Silico Models for Drug Discovery. — 2013. — Vol. 993. — P. 1-12. — URL: https://link.springer.com/protocol/10.1007/978-1-62703-342-8_1 (accessed: 10.11.2023). — DOI: 10.1007/978-1-62703-342-8_1 
                    </mixed-citation>
                </ref><ref id="B10">
                    <label>10</label>
                    <mixed-citation publication-type="confproc">
                        Meng X.Y. Molecular Docking: a Powerful Approach for Structure-based Drug Discovery / X.Y. Meng, H.X. Zhang, M. Mezei [et al.] // Curr Comput Aided Drug Des. — 2011. — № 7(2). — P. 146-57. — URL: https://www.eurekaselect.com/article/19093 (accessed: 11.11.2023). — DOI: 10.2174/157340911795677602. 
                    </mixed-citation>
                </ref><ref id="B11">
                    <label>11</label>
                    <mixed-citation publication-type="confproc">
                        Mohan A. Structure-based Virtual Screening, in Silico Docking, ADME Properties Prediction and Molecular Dynamics Studies for the Identification of Potential Inhibitors against SARS-CoV-2 Mpro / A. Mohan, N. Rendine, M.K.S. Mohammed [et al.] // Mol Divers. — 2022. — № 26. — P. 1645-1661. — URL: https://link.springer.com/article/10.1007/s11030-021-10298-0 (accessed: 12.11.2023). — DOI: 10.1007/s11030-021-10298-0.
                    </mixed-citation>
                </ref><ref id="B12">
                    <label>12</label>
                    <mixed-citation publication-type="confproc">
                        Pinzi L. Molecular Docking: Shifting Paradigms in Drug Discovery / L. Pinzi, G. Rastelli // Int J Mol Sci. — 2019. — № 20(18). — P. 4331. — URL: https://www.mdpi.com/1422-0067/20/18/4331 (accessed 01.11.2023). — DOI: 10.3390/ijms20184331.
                    </mixed-citation>
                </ref><ref id="B13">
                    <label>13</label>
                    <mixed-citation publication-type="confproc">
                        Shoichet B.K. Virtual Screening of Chemical Libraries / B.K. Shoichet // Nature. — 2004. — № 432(7019). — P. 862-865. — URL: https://www.nature.com/articles/nature03197 (accessed: 12.11.2023). — DOI: 10.1038/nature03197
                    </mixed-citation>
                </ref><ref id="B14">
                    <label>14</label>
                    <mixed-citation publication-type="confproc">
                        Trott O. AutoDock Vina: Improving the Speed and Accuracy of Docking with a New Scoring Function, Efficient Optimization, and Multithreading / O. Trott, A.J. Olson // J Comput Chem. — 2010. — № 31(2). — P. 455-461. — URL: https://onlinelibrary.wiley.com/doi/10.1002/jcc.21334 (accessed: 11.11.2023). — DOI: 10.1002/jcc.21334. 
                    </mixed-citation>
                </ref><ref id="B15">
                    <label>15</label>
                    <mixed-citation publication-type="confproc">
                        Virtual Screening for Bioactive Molecules / Ed. by H.-J. Böhm, G. Schneider. — 2000.   — URL: https://onlinelibrary.wiley.com/doi/book/10.1002/9783527613083 (accessed: 28.10.2023). — DOI: 10.1002/9783527613083
                    </mixed-citation>
                </ref><ref id="B16">
                    <label>16</label>
                    <mixed-citation publication-type="confproc">
                        Willett P. Similarity-based Approaches to Virtual Screening / P. Willett // Biochem Soc Trans. — 2003. — № 31. — Pt. 3. — P. 603-606. — URL: https://portlandpress.com/biochemsoctrans/article-abstract/31/3/603/63530/Similarity-based-approaches-to-virtual-screening?redirectedFrom=fulltext (accessed: 26.10.2023). — DOI: 10.1042/bst0310603.
                    </mixed-citation>
                </ref><ref id="B17">
                    <label>17</label>
                    <mixed-citation publication-type="confproc">
                        Гуреев М.А. Молекулярный докинг и его верификация в контексте виртуального скрининга / М.А. Гуреев, В.В. Кадочников, Ю.Б. Порозов. — СПб: Университет ИТМО, 2018. — 50 с. — URL: http://books.ifmo.ru/file/pdf/2377.pdf (дата обращения: 01.11.2023)
                    </mixed-citation>
                </ref>
        </ref-list>
    </back>
    <fundings>
        
    </fundings>
</article>