Real-world observable physical and chemical characteristics are increasingly being calculated from the 3D structures of biomolecules. Methods for calculating pKa values, binding constants of ligands, and changes in protein stability are readily available, but often the limiting step in computational biology is the conversion of PDB structures into formats ready for use with biomolecular simulation software. The continued sophistication and integration of biomolecular simulation methods for systems- and genome-wide studies requires a fast, robust, physically realistic and standardized protocol for preparing macromolecular structures for biophysical algorithms. As described previously, the PDB2PQR web server addresses this need for electrostatic field calculations (Dolinsky et al., Nucleic Acids Research, 32, W665–W667, 2004). Here we report the significantly expanded PDB2PQR that includes the following features: robust standalone command line support, improved pKa estimation via the PROPKA framework, ligand parameterization via PEOE_PB charge methodology, expanded set of force fields and easily incorporated user-defined parameters via XML input files, and improvement of atom addition and optimization code. These features are available through a new web interface (http://pdb2pqr.sourceforge.net/), which offers users a wide range of options for PDB file conversion, modification and parameterization.

ADVERTISEMENT RETURN TO ISSUEPREVArticleNEXTMolecular Similarity Indices in a Comparative Analysis (CoMSIA) of Drug Molecules to Correlate and Predict Their Biological ActivityGerhard Klebe, Ute Abraham, and Thomas MietznerCite this: J. Med. Chem. 1994, 37, 24, 4130–4146Publication Date (Print):November 1, 1994Publication History Published online1 May 2002Published inissue 1 November 1994https://pubs.acs.org/doi/10.1021/jm00050a010https://doi.org/10.1021/jm00050a010research-articleACS PublicationsRequest reuse permissionsArticle Views2791Altmetric-Citations1497LEARN ABOUT THESE METRICSArticle Views are the COUNTER-compliant sum of full text article downloads since November 2008 (both PDF and HTML) across all institutions and individuals. These metrics are regularly updated to reflect usage leading up to the last few days.Citations are the number of other articles citing this article, calculated by Crossref and updated daily. Find more information about Crossref citation counts.The Altmetric Attention Score is a quantitative measure of the attention that a research article has received online. Clicking on the donut icon will load a page at altmetric.com with additional details about the score and the social media presence for the given article. Find more information on the Altmetric Attention Score and how the score is calculated. Share Add toView InAdd Full Text with ReferenceAdd Description ExportRISCitationCitation and abstractCitation and referencesMore Options Share onFacebookTwitterWechatLinked InRedditEmail Other access optionsGet e-Alertsclose Get e-Alerts

The development and validation of a new knowledge-based scoring function (DrugScore) to describe the binding geometry of ligands in proteins is presented. It discriminates efficiently between well-docked ligand binding modes (root-mean-square deviation <2.0 Å with respect to a crystallographically determined reference complex) and those largely deviating from the native structure, e.g. generated by computer docking programs. Structural information is extracted from crystallographically determined protein-ligand complexes using ReLiBase and converted into distance-dependent pair-preferences and solvent-accessible surface (SAS) dependent singlet preferences for protein and ligand atoms. Definition of an appropriate reference state and accounting for inaccuracies inherently present in experimental data is required to achieve good predictive power. The sum of the pair preferences and the singlet preferences is calculated based on the 3D structure of protein-ligand binding modes generated by docking tools. For two test sets of 91 and 68 protein-ligand complexes, taken from the Protein Data Bank (PDB), the calculated score recognizes poses generated by FlexX deviating <2 Å from the crystal structure on rank 1 in three quarters of all possible cases. Compared to FlexX, this is a substantial improvement. For ligand geometries generated by DOCK, DrugScore is superior to the “chemical scoring” implemented into this tool, while comparable results are obtained using the “energy scoring” in DOCK. None of the presently known scoring functions achieves comparable power to extract binding modes in agreement with experiment. It is fast to compute, regards implicitly solvation and entropy contributions and produces correctly the geometry of directional interactions. Small deviations in the 3D structure are tolerated and, since only contacts to non-hydrogen atoms are regarded, it is independent from assumptions of protonation states.

ADVERTISEMENT RETURN TO ISSUEPREVArticleNEXTComparison of Automatic Three-Dimensional Model Builders Using 639 X-ray StructuresJens Sadowski, Johann Gasteiger, and Gerhard KlebeCite this: J. Chem. Inf. Comput. Sci. 1994, 34, 4, 1000–1008Publication Date (Print):July 1, 1994Publication History Published online1 May 2002Published inissue 1 July 1994https://pubs.acs.org/doi/10.1021/ci00020a039https://doi.org/10.1021/ci00020a039research-articleACS PublicationsRequest reuse permissionsArticle Views644Altmetric-Citations534LEARN ABOUT THESE METRICSArticle Views are the COUNTER-compliant sum of full text article downloads since November 2008 (both PDF and HTML) across all institutions and individuals. These metrics are regularly updated to reflect usage leading up to the last few days.Citations are the number of other articles citing this article, calculated by Crossref and updated daily. Find more information about Crossref citation counts.The Altmetric Attention Score is a quantitative measure of the attention that a research article has received online. Clicking on the donut icon will load a page at altmetric.com with additional details about the score and the social media presence for the given article. Find more information on the Altmetric Attention Score and how the score is calculated. Share Add toView InAdd Full Text with ReferenceAdd Description ExportRISCitationCitation and abstractCitation and referencesMore Options Share onFacebookTwitterWechatLinked InRedditEmail Other access optionsSupporting Info (1)»Supporting Information Supporting Information Get e-Alerts

An assessment of nine scoring functions commonly applied in docking using a set of 189 protein−ligand complexes is presented. The scoring functions include the CHARMm potential, the scoring function DrugScore, the scoring function used in AutoDock, the three scoring functions implemented in DOCK, as well as three scoring functions implemented in the CScore module in SYBYL (PMF, Gold, ChemScore). We evaluated the abilities of these scoring functions to recognize near-native configurations among a set of decoys and to rank binding affinities. Binding site decoys were generated by molecular dynamics with restraints. To investigate whether the scoring functions can also be applied for binding site detection, decoys on the protein surface were generated. The influence of the assignment of protonation states was probed by either assigning "standard" protonation states to binding site residues or adjusting protonation states according to experimental evidence. The role of solvation models in conjunction with CHARMm was explored in detail. These include a distance-dependent dielectric function, a generalized Born model, and the Poisson equation. We evaluated the effect of using a rigid receptor on the outcome of docking by generating all-pairs decoys ("cross-decoys") for six trypsin and seven HIV-1 protease complexes. The scoring functions perform well to discriminate near-native from misdocked conformations, with CHARMm, DOCK-energy, DrugScore, ChemScore, and AutoDock yielding recognition rates of around 80%. Significant degradation in performance is observed in going from decoy to cross-decoy recognition for CHARMm in the case of HIV-1 protease, whereas DrugScore and ChemScore, as well as CHARMm in the case of trypsin, show only small deterioration. In contrast, the prediction of binding affinities remains problematic for all of the scoring functions. ChemScore gives the highest correlation value with R2 = 0.51 for the set of 189 complexes and R2 = 0.43 for the set of 116 complexes that does not contain any of the complexes used to calibrate this scoring function. Neither a more accurate treatment of solvation nor a more sophisticated charge model for zinc improves the quality of the results. Improved modeling of the protonation states, however, leads to a better prediction of binding affinities in the case of the generalized Born and the Poisson continuum models used in conjunction with the CHARMm force field.

Three-dimensional quantitative structure−activity relationship (3D QSAR) methods were applied using a training set of 72 inhibitors of the benzamidine type with respect to their binding affinities (Ki values) toward thrombin, trypsin, and factor Xa to yield statistically reliable models of good predictive power. Two methods were compared: the widely used comparative molecular field analysis (CoMFA) and the recently reported CoMSIA approach (comparative molecular similarity indices analysis). CoMSIA produced significantly better results for all correlations. Furthermore, in contrast to CoMFA, CoMSIA is not sensitive to changes in orientation of the superimposed molecules in the lattice. The correlation results obtained by CoMSIA were graphically interpreted in terms of field contribution maps allowing physicochemical properties relevant for binding to be easily mapped back onto molecular structures. The advantage of this feature is demonstrated using the maps to design new molecules. Finally, the CoMSIA method was applied to elucidate structural features among ligands which are responsible for affinity differences toward thrombin and trypsin. These selectivity-determining features were interpreted graphically in terms of spatial regions responsible for affinity discrimination. Such indicators are highly informative for the lead optimization process with respect to selectivity enhancement.

By optimizing binding to a selected target protein, modern drug research strives to develop safe and efficacious agents for the treatment of disease. Selective drug action is intended to minimize undesirable side effects from scatter pharmacology. Celecoxib (Celebrex), valdecoxib (Bextra), and rofecoxib (Vioxx) are nonsteroidal antiinflammatory drugs (NSAIDs) due to selective inhibition of inducible cyclooxygenase COX-2 while sparing inhibition of constitutive COX-1. While rofecoxib contains a methyl sulfone constituent, celecoxib and valdecoxib possess an unsubstituted arylsulfonamide moiety. The latter group is common to many carbonic anhydrase (CA) inhibitors. Using enzyme kinetics and X-ray crystallography, we demonstrate an unexpected nanomolar affinity of the COX-2 specific arylsulfonamide-type celecoxib and valdecoxib for isoenzymes of the totally unrelated carbonic anhydrase (CA) family, such as CA I, II, IV, and IX, whereas the rofecoxib methyl sulfone-type has no effect. When administered orally to glaucomatous rabbits, celecoxib and valdecoxib lowered intraocular pressure, suggesting that these agents may have utility in the treatment of this disorder. The crystal structure of celecoxib in complex with CA II reveals part of this inhibition to be mediated via binding of the sulfonamide group to the catalytic zinc of CA II. To investigate the structural basis for cross-reactivity of these compounds between COX-2 and CA II, we compared the molecular recognition properties of both protein binding pockets in terms of local physicochemical similarities among binding site-exposed amino acids accommodating different portions of the drug molecules. Our approach Cavbase, implemented into Relibase, detects similarities between the sites, suggesting some potential to predict unexpected cross-reactivity of drugs among functionally unrelated target proteins. The observed cross-reactivity with CAs may also contribute to differences in the pharmacological profiles, in particular with respect to glaucoma and anticancer therapy and may suggest new opportunities of these COX-2 selective NSAIDs.

Metallic conductivity that increases continuously up to 1.3 K and achieves values of over 500000 S cm−1 is exhibited by single crystals of the radical-anion salt depicted here, which was prepared by electrocrystallization. The multidimensional electronic conductivity is discussed on the basis of the crystal structure. The CuI ions are arranged in chains, each of which is surrounded by four stacks of dicyanoquinonediimine radical anions (one negative charge per "dimer").

A new method has been developed to detect functional relationships among proteins independent of a given sequence or fold homology. It is based on the idea that protein function is intimately related to the recognition and subsequent response to the binding of a substrate or an endogenous ligand in a well-characterized binding pocket. Thus, recognition of similar ligands, supposedly linked to similar function, requires conserved recognition features exposed in terms of common physicochemical interaction properties via the functional groups of the residues flanking a particular binding cavity. Following a technique commonly used in the comparison of small molecule ligands, generic pseudocenters coding for possible interaction properties were assigned for a large sample set of cavities extracted from the entire PDB and stored in the database Cavbase. Using a particular query cavity a series of related cavities of decreasing similarity is detected based on a clique detection algorithm. The detected similarity is ranked according to property-based surface patches shared in common by the different clique solutions. The approach either retrieves protein cavities accommodating the same (e.g. co-factors) or closely related ligands or it extracts proteins exhibiting similar function in terms of a related catalytic mechanism. Finally the new method has strong potential to suggest alternative molecular skeletons in de novo design. The retrieval of molecular building blocks accommodated in a particular sub-pocket that shares similarity with the pocket in a protein studied by drug design can inspire the discovery of novel ligands.