SNP2SIM: a modular workflow for standardizing molecular simulation and functional analysis of protein variants.

SNP2SIM: سير عمل نمطي لتوحيد معايير المحاكاة الجزيئية والتحليل الوظيفي لمتغايرات البروتين.

Clicks: 469
ID: 51756
2019
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #12 of 976 articles by views in BMC Bioinformatics

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 976 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Molecular simulations are used to provide insight into protein structure and dynamics, and have the potential to provide important context when predicting the impact of sequence variation on protein function. In addition to understanding molecular mechanisms and interactions on the atomic scale, translational applications of those approaches include drug screening, development of novel molecular therapies, and targeted treatment planning. Supporting the continued development of these applications, we have developed the SNP2SIM workflow that generates reproducible molecular dynamics and molecular docking simulations for downstream functional variant analysis. The Python workflow utilizes molecular dynamics software (NAMD (Phillips et al., J Comput Chem 26(16):1781-802, 2005), VMD (Humphrey et al., J Mol Graph 14(1):33-8, 27-8, 1996)) to generate variant specific scaffolds for simulated small molecule docking (AutoDock Vina (Trott and Olson, J Comput Chem 31(2):455-61, 2010)).SNP2SIM is composed of three independent modules that can be used sequentially to generate the variant scaffolds of missense protein variants from the wildtype protein structure. The workflow first generates the mutant structure and configuration files required to execute molecular dynamics simulations of solvated protein variant structures. The resulting trajectories are clustered based on the structural diversity of residues involved in ligand binding to produce one or more variant scaffolds of the protein structure. Finally, these unique structural conformations are bound to small molecule ligand libraries to predict variant induced changes to drug binding relative to the wildtype protein structure.SNP2SIM provides a platform to apply molecular simulation based functional analysis of sequence variation in the protein targets of small molecule therapies. In addition to simplifying the simulation of variant specific drug interactions, the workflow enables large scale computational mutagenesis by controlling the parameterization of molecular simulations across multiple users or distributed computing infrastructures. This enables the parallelization of the computationally intensive molecular simulations to be aggregated for downstream functional analysis, and facilitates comparing various simulation options, such as the specific residues used to define structural variant clusters. The Python scripts that implement the SNP2SIM workflow are available (SNP2SIM Repository. https://github.com/mccoymd/SNP2SIM , Accessed 2019 February ), and individual SNP2SIM modules are available as apps on the Seven Bridges Cancer Genomics Cloud (Lau et al., Cancer Res 77(21):e3-e6, 2017; Cancer Genomics Cloud [ www.cancergenomicscloud.org ; Accessed 2018 November]).
تُستخدم المحاكاة الجزيئية لتقديم رؤى متعمقة حول بنية البروتين وديناميكياته، وتملك القدرة على توفير سياق مهم عند التنبؤ بتأثير التباين في التسلسل على وظيفة البروتين. وبالإضافة إلى فهم الآليات والتفاعلات الجزيئية على المقياس الذري، تشمل التطبيقات الانتقالية لهذه المناهج فحص الأدوية، وتطوير علاجات جزيئية مستحدثة، والتخطيط للعلاج الموجه. ودعماً للتطوير المستمر لهذه التطبيقات، قمنا بتطوير مسار العمل SNP2SIM، الذي يولد محاكاة قابلة للتكرار للديناميكا الجزيئية والرسو الجزيئي لأغراض التحليل الوظيفي اللاحق للمتغيرات. يعتمد مسار العمل المبرمج بلغة بايثون على برمجيات الديناميكا الجزيئية (NAMD (Phillips et al., J Comput Chem 26(16):1781-802, 2005)، وVMD (Humphrey et al., J Mol Graph 14(1):33-8, 27-8, 1996)) لتوليد هياكل بنيوية خاصة بالمتغير لمحاكاة رسو الجزيئات الصغيرة (AutoDock Vina (Trott and Olson, J Comput Chem 31(2):455-61, 2010)). يتكون SNP2SIM من ثلاث وحدات مستقلة يمكن استخدامها بالتتابع لتوليد الهياكل البنيوية لمتغيرات البروتين المغلوطة (missense) انطلاقاً من بنية البروتين من النمط البري (wildtype). يقوم مسار العمل أولاً بإنشاء البنية الطافرة وملفات التهيئة المطلوبة لتنفيذ محاكاة الديناميكا الجزيئية لبنيات متغيرات البروتين المذابة. وتُجمَّع المسارات الناتجة عنقودياً بناءً على التنوع البنيوي للثمالات المشاركة في ارتباط الربيطة، وذلك لإنتاج هيكل متغير أو أكثر لبنية البروتين. وأخيراً، يتم ربط هذه الهيئات البنيوية الفريدة بمكتبات ربائط الجزيئات الصغيرة للتنبؤ بالتغيرات التي يُحدثها المتغير في ارتباط الدواء مقارنةً ببنية البروتين من النمط البري. يوفر SNP2SIM منصة لتطبيق التحليل الوظيفي المعتمد على المحاكاة الجزيئية لتباين التسلسل في الأهداف البروتينية لعلاجات الجزيئات الصغيرة. وبالإضافة إلى تبسيط محاكاة التفاعلات الدوائية الخاصة بالمتغيرات، يتيح مسار العمل إجراء تطفير حاسوبي واسع النطاق من خلال التحكم في ضبط معلمات المحاكاة الجزيئية عبر مستخدمين متعددين أو بنى تحتية حوسبية موزعة. يتيح ذلك موازاة عمليات المحاكاة الجزيئية الكثيفة حاسوبياً ليتم تجميعها لأغراض التحليل الوظيفي اللاحق، كما يسهل مقارنة خيارات المحاكاة المختلفة، مثل الثمالات المحددة المستخدمة لتعريف عناقيد المتغيرات البنيوية. تتوفر نصوص بايثون البرمجية التي تُنفّذ مسار العمل SNP2SIM عبر (SNP2SIM Repository. https://github.com/mccoymd/SNP2SIM , Accessed 2019 February)، كما تتوفر وحدات SNP2SIM الفردية كتطبيقات على السحابة الجينومية للسرطان Seven Bridges (Lau et al., Cancer Res 77(21):e3-e6, 2017; Cancer Genomics Cloud [ www.cancergenomicscloud.org ; Accessed 2018 November]).
Reference Key
mccoy2019snp2simbmc Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors McCoy, Matthew D;Shivakumar, Vikram;Nimmagadda, Sridhar;Jafri, Mohsin Saleet;Madhavan, Subha;
Journal BMC Bioinformatics
Year 2019
DOI
10.1186/s12859-019-2774-9
URL
Keywords
molecular dynamics protein structure functional prediction ligand docking

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.