Abstract This study demonstrated a novel bioinformatics pipeline to unravel a mechanistic understanding of the physiological and biochemical mechanism of Mycobacterium tuberculosis β-carbonic anhydrase 3, and its role in the key biological processes and metabolic pathways associated with its pathogenesis cycle. We initiated the study by constructing the 3D protein structure of β-CA3 from its sequence with the aid of homology modeling. To thoroughly investigate the essential properties of β-CA3, we further conducted computational genome sequencing, and proteomic analysis to reveal the key biological and structural information. The construction and development of a Python-based custom web server, SEQEclipse ( https://seqeclipse.streamlit.app/ ), which is equipped with integrated work packages, was performed to study and gain insights into the sequence structure-function relationship of β-CA3 through analysis of its physicochemical properties, identification of phosphorylated sites and disordered regions, determination of the functional class of the sequence, BLAST and MSA analysis, determination of the protein-protein interaction mechanism, and development of an ab initio modeling strategy. We also employed a quantitative structural activity relationship (QSAR) model to understand the inhibition mechanism of small molecule modulators of β-CA3 concerning their diverse physiochemical properties. We further extended the QSAR strategy to mechanistic systems biology approach to unravel the key biological processes and metabolic pathways associated with the top β-CA3 modulators and their underlying mechanism of action to halt the pathogenesis cycle of Mtb. Our study outlines the biological significance of β-CA3 functionality and provides a mechanistic understanding of phenotype-based design of small molecule modulators as anti-TB drugs for future prospects. Highlights Homology modeling was applied to decode the intricate dual-domain architecture of β-CA3, which is crucial for pioneering targeted therapies against Mycobacterium tuberculosis . SEQEclipse, a Python-based web server, was developed to centralize bioinformatics analyses, enhancing the drug design workflow. Machine learning QSAR models were utilized to pinpoint potent compounds targeting β-CA3, with descriptors such as ‘nHeavyAtom’ Atsm1, Atsm2, ‘apol’, ‘SubFP287’, ‘SubFP184’, ‘SubFP214’, and ‘SubFP275, showing high correlation and interaction potential. Systems biology was used to illustrate how identified active and inactive compounds interfere with essential metabolic pathways in Mycobacterium tuberculosis , suggesting novel therapeutic approaches. The need for validation of computational findings to confirm the efficacy and safety of identified compounds has been emphasized.

ABSTRACT Mycobacterium tuberculosis beta-carbonic anhydrases ( MtbCAs ) are metalloenzymes responsible for catalyzing the conversion of CO 2 to HCO 3 - by hydration. The pH regulation of Mycobacterium is considered crucial for Mtb survival in acidic environments. Through the inhibition of MtbCAs , we can identify novel targets for antituberculosis medications that operate differently from currently approved treatments. In the present study, we developed a novel cheminformatics pipeline by generating two diverse molecular feature-based machine learning-assisted quantitative structural activity relationship (ML-QSAR) models concerning the individual inhibition mechanisms of MtbCA1 and MtbCA2 . Random forest algorithm-based ML-QSAR prediction models were implemented using a combination of molecular fingerprints and descriptors to investigate the individual chemical spaces of inhibitors for each MtbCA subtype. The final ML-QSAR predictive models were further developed as a web application, MtbCA-Selec-Pred ( https://mtbca-selec-pred.streamlit.app/ ), to allow users to predict the bioactivity of molecules against MtbCA1 and MtbCA2 . Additionally, the molecular signatures of MtbCA1 MtbCA2 dual inhibitors were investigated using a neural network-based machine learning-assisted quantitative structural activity-activity relationship (ML-QSAAR) model. We concluded that molecules with conserved molecular signatures, SubFP1, SubFP179, SubFP287, SubFP143, SubFP100, nHBint8, SHBint8, naasC, and SHssNH, selectively inhibited MtbCA1 . In contrast, the molecules with conserved molecular signatures SubFP275, SubFP28, SubFP1, SubFP183, SubFP184, minHBa, nHeteroRing, and n5Ring selectively inhibited MtbCA2 . The presented models have the potential to serve as tools for identifying crucial molecular characteristics in the rational design of MtbCA inhibitors and might be employed for developing effective drugs against tuberculosis.

ABSTRACT Mycobacterium tuberculosis (Mtb) β-carbonic anhydrases (β-CAs) are crucial enzymes responsible for regulating pH by catalyzing the conversion of CO 2 to HCO 3 - , which is essential for its survival in acidic environments in the host. By inhibiting Mtb β-CAs, we can potentially discover new targets for anti-tuberculosis drugs with a different mechanism of action than existing FDA-approved drugs. This is crucial since Mtb has demonstrated the ability to develop different degrees of resistance to current drugs over time. This study employed machine learning-assisted quantitative structural activity relationship (ML-QSAR) models utilizing PubChem fingerprints, substructure fingerprints, and 1D 2D molecular descriptors to decipher the structural insights underlying the Mtb β-CA inhibition mechanism among 267 molecules. The final models, based on a random forest (RF) ML algorithm, demonstrated robustness with correlation coefficients of 0.931, 0.9227, and 0.9447, respectively. The final predictive models were further developed as a user-friendly web application, Mtb-CA-pred ( https://mtb-ca-pred.streamlit.app/ ), which was further used to screen an anti-TB compound library of 11,800 molecules. We obtained two lead molecules, F0804-1219 and F1092-1799, from the virtual screening study, which were further subjected to a mechanistic systems biology framework to elucidate their inhibition mechanism through different biological pathways against Mtb β-CAs. Experimental validation via the minimum duration for killing (MDK) assay confirmed the bactericidal effects of the two identified compounds against Mycobacterium marinum biofilms, aligning computational predictions with experimental outcomes in drug discovery. These findings underscore the efficacy of the identified compounds as potent anti-TB agents, bridging computational and experimental approaches in anti-TB drug development.

Tuberculosis (TB) is an infectious disease that primarily affects the lungs of humans and accounts for Mycobacterium tuberculosis (Mtb) bacteria as the etiologic agent. In this study, we introduce a computational framework designed to identify the important chemical features crucial for the effective inhibition of Mtb β-CAs. Through applying a mechanistic model, we elucidated the essential features pivotal for robust inhibition. Using this model, we engineered molecules that exhibit potent inhibitory activity and introduce relevant novel chemistry. The designed molecules were prioritized for synthesis based on their predicted pKi values via the QSAR (Quantitative Structure-Activity Relationship) model. All the rationally designed and synthesized compounds were evaluated in vitro against different carbonic anhydrase isoforms expressed from the pathogen Mtb; moreover, the off-target and widely human-expressed CA I and II were also evaluated. Among the reported derivatives, 2, 4, and 5 demonstrated the most valuable in vitro activity, resulting in promising candidates for the treatment of TB infection. All the synthesized molecules exhibited favorable pharmacokinetic and toxicological profiles based on in silico predictions. Docking analysis confirmed that the zinc-binding groups bind effectively into the catalytic triad of the Mtb β-Cas, supporting the in vitro outcomes with these binding interactions. Furthermore, molecules with good prediction accuracies according to previously established mechanistic and QSAR models were utilized to delve deeper into the realm of systems biology to understand their mechanism in combating tuberculotic pathogenesis. The results pointed to the key involvement of the compounds in modulating immune responses via NF-κβ1, SRC kinase, and TNF-α to modulate granuloma formation and clearance via T cells. This dual action, in which the pathogen's enzyme is inhibited while modulating the human immune machinery, represents a paradigm shift toward more effective and comprehensive treatment approaches for combating tuberculosis.

Background Mycobacterium tuberculosis (Mtb) carbonic anhydrases (CAs) are critical enzymes that regulate pH by converting CO 2 to HCO 3 − , essential for Mtb’s survival in acidic environments. Inhibiting γ-CAs presents a potential target for novel antituberculosis drugs with unique mechanisms of action. Objective This study aimed to explore the biological connections underlying Mtb pathogenesis and investigate the mechanistic actions of antituberculosis compounds targeting the Cas9 protein. Methods We employed homology modeling and virtual screening to identify compounds with high binding affinities for Cas9 protein. This study used the homology modeling approach employing high-quality AlphaFold DB models for γ-CA. Furthermore, the systems biology approach was used for analyzing the integrated modelling of compounds, integrating data on genes, pathways, phenotypes, and molecular descriptors. Single-cell RNA sequencing was also conducted to profile gene expression. Results Three compounds, F10921405, F08060425, and F14437079, potentially binding to Cas9 protein, have been identified. F10921405 and F08060425 showed significant overlap in their effects on pathways related to the immune response, while F14437079 displayed distinct mechanistic pathways. Expression profiling revealed high levels of genes such as PDE4D, ROCK2, ITK, MAPK10, and SYK in response to F1092–1405 and F0806-0425, and MMP2 and CALCRL in response to F1443-7079. These genes, which play a role in immune modulation and lung tissue integrity, are essential to fight against Mtb. Conclusion The molecular relationship and pathways linked to the mentioned compounds give the study a holistic perspective of targeting Mtb, which is essential in designing specific therapeutic approaches. Subsequent research will involve experimental validation to demonstrate the efficacy of the promising candidates in Mtb infections.

Abstract We developed a bio-cheminformatics method, exploring disease inhibition mechanisms using machine learning-enhanced quantitative structure-activity relationship (ML-QSAR) models and knowledge-driven neural networks. ML-QSAR models were developed using molecular fingerprint descriptors and the Random Forest algorithm to explore the chemical spaces of Chalcones inhibitors against diverse disease properties, including antifungal, anti-inflammatory, anticancer, antimicrobial, and antiviral effects. We generated and validated robust machine learning-based bioactivity prediction models (( https://ashspred.streamlit.app/ ) for the top genes. These models underwent ROC and applicability domain analysis, followed by molecular docking studies to elucidate the molecular mechanisms of the molecules. Through comprehensive neural network analysis, crucial genes such as AKT1, HSP90A1, SRC, and STAT3 were identified. The PubChem fingerprint-based model revealed key descriptors: PubchemFP521 for AKT1, PubchemFP180 for SRC, PubchemFP633 for HSP90, and PubchemFP145 and PubchemFP338 for STAT3, consistently contributing to bioactivity across targets. Notably, chalcone derivatives demonstrated significant bioactivity against target genes, with compound RA1 displaying a predictive pIC 50 value of 5.76 against HSP90A and strong binding affinities across other targets. Compounds RA5 to RA7 also exhibited high binding affinity scores comparable to or exceeding existing drugs. These findings emphasize the importance of knowledge-based neural network-based research for developing effective drugs against diverse disease properties. These interactions warrant further in vitro and in vivo investigations to elucidate their potential in rational drug design. The presented models provide valuable insights for inhibitor design and hold promise for drug development. Future research will prioritize investigating these molecules for mycobacterium tuberculosis , enhancing the comprehension of effectiveness in addressing infectious diseases.

Abstract Traditional medicinal plants Mitragyna Speciosa and Plumbago Indica have exhibited several neuroprotective activities against Parkinson’s disease (PD) in several research studies. Nevertheless, further elucidation is needed about the molecular mechanism by which these medicinal plants exert their neuroprotective effects, as well as the relationship between their active constituents’ structure and activity. Using a polypharmacology approach, the study identified metabolic pathways targeted by active phytochemicals of these medicinal plants. Extensive system biology approaches, including protein-protein interaction network analysis, KEGG pathway analysis, and gene functional enrichment study, pinpointed that AKT1 was the key gene involved in the molecular mechanism actions of the active phytochemicals concerning neuroprotective actions. A robust machine-learning guided bioactivity prediction model-based web application ( https://akt1pred.streamlit.app/ ) against AKT1 was developed by implementing PubChem and Substructure fingerprint molecular signatures. Further validation of the model was done by conducting ROC and applicability domain analysis, with subsequent molecular docking studies to understand the molecular mechanisms of the phytochemicals. The web application predicted that delphinidin and kaempferol were the most active phytochemicals responsible for the neuroprotective effects of the medicinal plants, which was further supported by extensive molecular docking and molecular dynamics simulation study. These findings indicate a correlation between the structure of these compounds and their bioactivity, with some phytochemicals performing comparably or better than known FDA drugs. Results suggest significant potential for natural products in therapeutic applications, urging further in vitro and in vivo investigation and offering a robust foundation for future research into natural product-based small molecule binding and drug discovery in PD. Heighlights ♦ Mitragyna Speciosa and Plumbago Indica share certain neuroprotective qualities. ♦ We determined metabolomics pathways by active plant-based constituents using the polypharmacology technique. ♦ The development of a reliable stable machine-learning model and a web application ♦ Web-based application predicted neuroprotective effects of delphinidin and kaempferol Graphical Abstract

Abstract COVID-19 has spread extensively worldwide, infecting millions and causing several fatalities because of its high severity. The illness was attributed to the SARS-CoV-2 virus, which specifically targets the respiratory and cardiovascular systems. Cytokine Release Syndrome (CRS) is a primary contributor to the tissue damage caused by COVID-19. CRS leads to abnormal release of cytokines and immune cells, which further disrupts cytokine activity, resulting in alterations in immune protein health-related biological pathways and accumulating aberrant levels of inflammatory proteins at infection sites that ultimately damage cells and tissues. Furthermore, COVID-19 patients with a previous history of respiratory difficulties develop pulmonary fibrosis (PF), resulting in atypical expression of fibrotic proteins and the release of cytokines. The presence of these inflammatory modulations in the lung network and subsequent respiratory failure often lead to medical emergencies. To understand the molecular-level alterations of the trisection of COVID-PF-CRS condition for identifying potential biomarkers, we established a series of knowledge graph-based hierarchical clustering matrix representations that mechanistically correlate the similarity of gene deregulated based on the commonality of pathways and phenotypes altered and modulated. We also elucidated the mechanism of action of toxicological and therapeutic chemicals using a multi-dimensional graph-based algorithm by understanding their modulation at the genetic level through pathways and phenotype alterations. Additionally, we also developed robust quantitative structural activity relation (QSAR) models in combination with system biology approaches against the top expressed hub genes of our knowledge graph to understand the key pharmacophores of biologically active small molecules that can be further implemented to develop drugs against COVID-19. Graphical Abstarct

Abstract Tuberculosis (TB) is an infectious disease that primarily affects the lungs in humans and accounts for the Mycobacterium tuberculosis (Mtb) bacteria as the etiologic agent. According to the World Health Organization (WHO), over 10 million people are affected by TB in various forms and it is ranked among the top 10 causes of mortality, making it a significant global health threat. In this study, we introduce a computational framework designed to identify the important chemical features crucial for effectively inhibiting Mtb CAs. Through the application of a mechanistic interpretation model, we elucidated the essential features pivotal for robust inhibition. Utilizing this model, we have engineered molecules that not only exhibit potent inhibitory activity but also introduce relevant novel chemistry. The designed molecules were prioritized for their synthesis based on their predicted pKI values via the QSAR model. All the rationally designed and synthesized compounds were evaluated in vitro against different carbonic anhydrase isoforms expressed from the pathogen Mycobacterium tuberculosis , moreover, the off-target and widely human-expressed CA I and II were also evaluated. Among the reported derivatives, 2 , 4, and 5 demonstrated the most valuable in vitro activity resulting in promising candidates for the treatment of TB. Further, the molecules having good prediction accuracies with the prior established mechanistic and ML-QSAR models were utilized to delve deeper into the realm of the systems biology to understand their mechanism in combating tuberculotic pathogenesis. The results pointed to the key involvement of the compounds in modulating immune responses via NF-κβ1, SRC kinase, and TNF-α to modulate the granuloma formation and its clearance via T cells. This dual action, inhibiting the pathogen’s enzyme while modulating the human immune machinery, represents a paradigm shift towards more effective and comprehensive treatment approaches in combating tuberculosis. Graphical Abstract

Alphapapillomavirus 9 is a virus belonging to the Papillomaviridae family. It has a close genetic relationship with high-risk HPV-16 and other HPV strains such as HPV-31, HPV-52, HPV-35, HPV-58, HPV-67, and HPV-35. This virus is responsible for causing warts and malignant tumors and is responsible for about 75% of cervical malignancies and pre-cancerous lesions worldwide. As a result, it requires specialized research and attention. Our goal is to create a comprehensive resource that can assist researchers and scientific groups in their work. Material and Methodology A total of 1230 full genome sequences and 9140 protein sequences were obtained from GenBank and NCBI Virus, respectively. Further Phylogenetic Analysis, Codon usage and context analysis, CpG islands analysis, Glycosylation sites, Diagnostic Primers, B cell Epitopes and MHC I and MHC II binders were identified and analyzed using relevant Bioinformatics tools and Python program Results APV9WR is a web resource that was developed after analysis. Our data indicate that HPV 35 and HPV 38 have the most genomic diversity. From codon usage analysis, it was observed that AAA, AUU, UAU, UGU, and UUU are the most used codons, while ACG, CCG, CGA, CGG, CGU, GCG, and UCG are some of the unusual codons in APV9 nucleotide sequence with accession id - LC626346.1 . We found 4714 CpG island locations in 1230 complete nucleotide sequences of APV9, and only 663 CpG island locations were unique. Further N-linked glycosylation, O-linked glycosylation, diagnostic primers, Potential B-cell epitopes and MHC I and MHC II binders were also analyzed and tabulated. Conclusion We have consolidated basic information about the virus, such as entire genomic sequences and proteins. It primarily comprises a wide range of studies and outcomes, including genome alignment, phylogenetic inferences, codon context and usage bias, and important CpG island statistics. Furthermore, primers for molecular diagnostics were identified, and glycosylation sites were located and investigated. Most significantly, potential therapeutic elements such as vaccine epitopes and obtaining potential information about them were investigated. Our collective effort on this tool is meant to serve the greater good of the research community for therapeutic intervention for Alphapapillomavirus 9. Using this link https://apv9nsut.web.app will take you to the web app.