Abstract The recently emerged 2019 Novel Coronavirus (SARS‐CoV‐2) and associated COVID‐19 disease cause serious or even fatal respiratory tract infection and yet no approved therapeutics or effective treatment is currently available to effectively combat the outbreak. This urgent situation is pressing the world to respond with the development of novel vaccine or a small molecule therapeutics for SARS‐CoV‐2. Along these efforts, the structure of SARS‐CoV‐2 main protease (Mpro) has been rapidly resolved and made publicly available to facilitate global efforts to develop novel drug candidates. Recently, our group has developed a novel deep learning platform – Deep Docking (DD) which provides fast prediction of docking scores of Glide (or any other docking program) and, hence, enables structure‐based virtual screening of billions of purchasable molecules in a short time. In the current study we applied DD to all 1.3 billion compounds from ZINC15 library to identify top 1,000 potential ligands for SARS‐CoV‐2 Mpro protein. The compounds are made publicly available for further characterization and development by scientific community.

Drug discovery is a rigorous process that requires billion dollars of investments and decades of research to bring a molecule "from bench to a bedside". While virtual docking can significantly accelerate the process of drug discovery, it ultimately lags the current rate of expansion of chemical databases that already exceed billions of molecular records. This recent surge of small molecules availability presents great drug discovery opportunities, but also demands much faster screening protocols. In order to address this challenge, we herein introduce Deep Docking (DD), a novel deep learning platform that is suitable for docking billions of molecular structures in a rapid, yet accurate fashion. The DD approach utilizes quantitative structure–activity relationship (QSAR) deep models trained on docking scores of subsets of a chemical library to approximate the docking outcome for yet unprocessed entries and, therefore, to remove unfavorable molecules in an iterative manner. The use of DD methodology in conjunction with the FRED docking program allowed rapid and accurate calculation of docking scores for 1.36 billion molecules from the ZINC15 library against 12 prominent target proteins and demonstrated up to 100-fold data reduction and 6000-fold enrichment of high scoring molecules (without notable loss of favorably docked entities). The DD protocol can readily be used in conjunction with any docking program and was made publicly available.

Abstract Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), the pathogen that causes the disease COVID-19, produces replicase polyproteins 1a and 1ab that contain, respectively, 11 or 16 nonstructural proteins (nsp). Nsp5 is the main protease (M pro ) responsible for cleavage at eleven positions along these polyproteins, including at its own N- and C-terminal boundaries, representing essential processing events for subsequent viral assembly and maturation. We have determined X-ray crystallographic structures of this cysteine protease in its wild-type free active site state at 1.8 Å resolution, in its acyl-enzyme intermediate state with the native C-terminal autocleavage sequence at 1.95 Å resolution and in its product bound state at 2.0 Å resolution by employing an active site mutation (C145A). We characterize the stereochemical features of the acyl-enzyme intermediate including critical hydrogen bonding distances underlying catalysis in the Cys/His dyad and oxyanion hole. We also identify a highly ordered water molecule in a position compatible for a role as the deacylating nucleophile in the catalytic mechanism and characterize the binding groove conformational changes and dimerization interface that occur upon formation of the acyl-enzyme. Collectively, these crystallographic snapshots provide valuable mechanistic and structural insights for future antiviral therapeutic development including revised molecular docking strategies based on M pro inhibition.

Abstract Mutant-selection window (MSW) hypothesis in antimicrobial resistance implies a range for antimicrobial concentration that promotes selection of single-step resistant mutants. Since the inception and experimental verification, MSW has been at the forefront of strategies to minimize development of antimicrobial resistance (AR). Setting the upper and lower limits of MSW requires an understanding of the dependence of selection coefficient of arising mutations to antimicrobial concentration. In this work, we employed a biophysics-based and experimentally calibrated fitness model to estimate MSW in the case of Ampicillin and Cefotaxime resistance in E.coli TEM-1 beta lactamase. In line with experimental observations, we show that selection is active at very low levels of antimicrobials. Furthermore, we elucidate the dependence of MSW to catalytic efficiency of mutants, fraction of mutants in the population and discuss the role of population genetic parameters such as population size and mutation rate. Altogether, our analysis and formalism provide a predictive model of MSW with direct implications in the design of dosage strategies.