اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 404 |
| تعداد مقالات | 3,303 |
| تعداد مشاهده مقاله | 4,706,123 |
| تعداد دریافت فایل اصل مقاله | 3,189,667 |
Identification and prioritization of phytochemicals from medicinal plants with inhibitory activity against the transpeptidase enzyme of Streptococcus pyogenes | ||
| Iranian Journal of Genetics and Plant Breeding | ||
| دوره 14، شماره 1 - شماره پیاپی 27، تیر 2025، صفحه 9-24 اصل مقاله (1.52 M) | ||
| نوع مقاله: Research paper | ||
| شناسه دیجیتال (DOI): 10.30479/ijgpb.2025.21425.1390 | ||
| نویسندگان | ||
| Zeynab Hejazi1؛ Marzieh Etehadpour* 1؛ Mahboube Bagheri2 | ||
| 1Department of Plan Production, Agriculture Faculty of Bardsir, Shahid Bahonar University of Kerman, Kerman, Iran. | ||
| 2Department of Food Industrial, Agriculture Faculty of Bardsir, Shahid Bahonar University of Kerman, Kerman, Iran. | ||
| تاریخ دریافت: 06 بهمن 1403، تاریخ بازنگری: 06 خرداد 1404، تاریخ پذیرش: 07 خرداد 1404 | ||
| چکیده | ||
| Antibiotic-resistant bacteria, particularly Streptococcus pyogenes, which is responsible for a wide array of diseases, represent a significant public health threat. Natural therapeutic agents derived from medicinal plants, notably essential oils, have garnered interest due to their potential antimicrobial properties. This study investigated the antibacterial activity of secondary metabolites from sixteen medicinal plants against Streptococcus pyogenes through bioinformatics approaches. A comprehensive insilco analysis was conducted on 890 phytochemicals to evaluate their interactions with the bacterial transpeptidase enzyme via molecular docking and molecular dynamics (MD) simulations. The transpeptidase enzyme sequence was subjected to various analytical procedures, including the ProtParam tool, EMBOSS Antigenic program, and VICMpred server. ProtParam analysis revealed that the enzyme has a molecular weight of 23.54 kDa, comprises 206 amino acids, with an isoelectric point (pI) of 6.24, an instability index of 31.21, and an aliphatic index of 83.25. The EMBOSS Antigenic program predicted eleven potential antigenic sites within the enzyme, with scores indicating cellular process involvement (1.1164), molecular information (-1.5058), molecular metabolism (-0.965), and virulence factors (-0.686). Molecular docking results identified that compounds from licorice, barberry, turmeric, plantain, nettle, cinnamon, aloe vera, and thyme exhibited significant binding affinities, with interaction energies ranging from -7.0 to -9.3 kcal/mol. Nineteen phytochemicals, including methoxyhydnocarpine, linalyl acetate, kaempferol, and glycyrrhizic acid, demonstrated high binding affinity and stability. MD simulations further confirmed that the enzyme-ligand complexes maintained considerable stability throughout the simulation duration. Additionally, the investigated molecules displayed favorable total interaction energies, spanning from -4.55507 to -90.562 kcal/mol. Collectively, these findings suggest that the identified natural compounds possess promising antibacterial potential, warranting further experimental validation and drug development efforts. | ||
| کلیدواژه‌ها | ||
| Medicinal plants؛ Molecular docking؛ Molecular dynamics؛ Streptococcus pyogenes؛ Transpeptidase | ||
| عنوان مقاله [English] | ||
| شناسایی و اولویت‌بندی اثر مهارکنندگی ترکیبات فیتوشیمیایی برخی از گیاهان دارویی در برابر آنزیم ترانس پپتیداز استرپتوکوکوس پیوژنز | ||
| نویسندگان [English] | ||
| زینب حجازی1؛ مرضیه اتحادپور1؛ محبوبه باقری2 | ||
| 1گروه تولید طرح، دانشکده کشاورزی بردسیر، دانشگاه شهید باهنر کرمان، کرمان، ایران. | ||
| 2گروه صنایع غذایی، دانشکده کشاورزی بردسیر، دانشگاه شهید باهنر کرمان، کرمان، ایران. | ||
| چکیده [English] | ||
| باکتری‌های مقاوم به آنتی‌بیوتیک، به‌ویژه استرپتوکوکوس پیوژنز که موجب بیماری‌های متنوعی می‌شود، تهدید جدی برای بهداشت عمومی به شمار می‌روند. اسانس های گیاهان دارویی به‌عنوان درمان‌های طبیعی بالقوه شناخته شده‌اند. این مطالعه خواص ضدباکتریاییاسانس های 16 گیاه دارویی را در برابر استرپتوکوکوس پیوژنز با استفاده از بیوانفورماتیک بررسی کرده است. در این تحقیق، 890 ترکیب فیتوشیمیایی از نظر برهمکنش با آنزیم ترانس پپتیداز باکتری از طریق شبیه‌سازی‌های مولکولی و دینامیک بررسی شدند. تجزیه و تحلیل توالی آنزیم ترانس پپتیداز با استفاده از ابزار ProtParam، برنامه EMBOSS Antigen و سرور VICMpred انجام شد. ابزار ProtParam وزن مولکولی (23.54 کیلو دالتون)، طول آمینواسیدها (206)، نقطه ایزوالکتریک (pI) (6.24)، شاخص ناپایداری (31.21) و شاخص آلیفاتی (83.25) آنزیم ترانس پپتیداز را محاسبه کرد. برنامه EMBOSS Antigenic یازده سایت آنتی‌ژنی بالقوه در آنزیم ترانس پپتیداز پیش‌بینی کرد. امتیازهای مربوط به فرآیندهای سلولی (1.1164)، اطلاعات مولکولی (-1.5058)، متابولیسم مولکولی (-0.965) و عوامل بیماری‌زایی (-0.686) به‌دست آمد. نتایج شبیه‌سازی مولکولی نشان داد که شیرین‌بیان، زرشک، زردچوبه، بارهنگ، گزنه، دارچین، آلوئه‌ورا و آویشن بیشترین ترکیبات را با برهم‌کنش‌های از -7 تا -9.3 کیلوکالری بر مول دارند. نوزده ترکیب از جمله متوکسی هیدنوکارپین، لینالیل استات، کامفرول و گلیسریزیک اسید، قوی‌ترین انرژی اتصال را با آنزیم ترانس پپتیداز نشان دادند. تجزیه و تحلیل دینامیک مولکولی (MD) در این تحقیق نشان داد که ترکیب‌های مورد بررسی در طول شبیه‌سازی پایداری کافی را حفظ کردند. علاوه بر این، مولکول‌های پیشنهادی مقادیر انرژی کل برهمکنش مطلوبی از -4.55507 تا -90.562 کیلوکالری بر مول نشان دادند. یافته‌ها نشان می‌دهند که این ترکیبات طبیعی می‌توانند به‌عنوان عوامل ضدباکتریایی بالقوه مورد توجه قرار گیرند و راه را برای آزمایش‌های بیشتر هموار کنند. | ||
| کلیدواژه‌ها [English] | ||
| گیاهان دارویی, استرپتوکوکوس پیوژنز, ترانس پپتیداز, داکینگ مولکولی, دینامیک ملکولی | ||
| مراجع | ||
|
Ashraf M. V., Pant S., Khan M. H., Shah A. A., Siddiqui S., Jeridi M., and Ahmad S. (2023). Phytochemicals as antimicrobials: prospecting Himalayan medicinal plants as source of alternate medicine to combat antimicrobial resistance. Pharmaceuticals, 16(6): 881. Barh D., Tiwari S., Jain N., Ali A., Santos A. R., Misra A. N., and Kumar A. (2011). In silico subtractive genomics for target identification in human bacterial pathogens. Drug Development Research, 72(2): 162-177. Blundell T. L., Sibanda B. L., Montalvão R. W., Brewerton S., Chelliah V., Worth C. L., and Burke, D. (2006). Structural biology and bioinformatics in drug design: opportunities and challenges for target identification and lead discovery. Philosophical Transactions of the Royal Society B: Biological Sciences, 361(1467): 413-423. Borkotoky S., and Banerjee M. (2020). A computational prediction of SARS-CoV-2 structural protein inhibitors from Azadirachta indica (Neem). Journal of Biomolecular Structure and Dynamics, 39(11): 4111-4121. Carugo O., and Pongor S. (2001). A normalized root‐mean‐spuare distance for comparing protein three‐dimensional structures. Protein Science, 10(7): 1470-1473. Groenhof G. (2013). Introduction to QM/MM simulations. In: Monticelli, L., Salonen, E. (Eds.), Biomolecular simulations (pp. 43-66), Methods in Molecular Biology, Vol. 924, Humana Press, Totowa, NJ. DOI: https://doi.org/10.1007/978-1-62703-017-5_3. Guilherme L., Kalil J., and Cunningham M. (2006). Molecular mimicry in the autoimmune pathogenesis of rheumatic heart disease. Autoimmunity, 39(1): 31-39. Hanwell M. D., Curtis, D. E., Lonie D. C., Vandermeersch T., Zurek, E., and Hutchison G. R. (2012). Avogadro: an advanced semantic chemical editor, visualization, and analysis platform. Journal of Cheminformatics, 4(1): 1-17. Hess B., Bekker H., Berendsen H. J., and Fraaije J. G. (1997). LINCS: a linear constraint solver for molecular simulations. Journal of Computational Chemistry, 18(12): 1463-1472. Hospital A., Goñi J. R., Orozco M., and Gelpí J. L. (2015). Molecular dynamics simulations: advances and applications. Advances and Applications in Bioinformatics and Chemistry, 8: 37-47. DOI: https://doi.org/10.2147/aabc.s70333. Islam M. T., Aktaruzzaman M., Saif A., Sourov M. M. H., Sikdar B., Rehman S., and Muhib M. M. A. (2024). Identification of acetylcholinesterase inhibitors from traditional medicinal plants for Alzheimer’s disease using in silico and machine learning approaches. RSC Advances, 14(47): 34620-34636. Kadi R. H., Altammar K. A., Hassan M. M., Shater A. F., Saleh F. M., Gattan H., and Mohammedsaleh Z. M. (2022). Potential therapeutic candidates against Chlamydia pneumonia discovered and developed in silico using core proteomics and molecular docking and simulation-based approaches. International Journal of Environmental Research and Public Health, 19(12): 7306. Kang H. J., Coulibaly F., Proft T., and Baker E. N. (2011). Crystal structure of Spy0129, a Streptococcus pyogenes class B sortase involved in pilus assembly. PloS One, 6(1): e15969. Maheswari K. U., and Sankar S. (2024). In silico molecular docking of phytochemicals of Murraya koenigii against Streptococcus mutans. Cureus, 16(2): e53679. DOI: https://doi.org/10.7759/cureus.53679. Mangal P., Jha R. K., Jain M., Singh A. K., and Muthukumaran J. (2023). Identification and prioritization of promising lead molecules from Syzygium aromaticum against Sortase C from Streptococcus pyogenes: an in silico investigation. Journal of Biomolecular Structure and Dynamics, 41(12): 5418-5435. Melk M. M., and El-Sayed A. F. (2024). Phytochemical profiling, antiviral activities, molecular docking, and dynamic simulations of selected Ruellia species extracts. Scientific Reports, 14(1): 15381. Morris G. M., Huey R., Lindstrom W., Sanner M. F., Belew R. K., Goodsell D. S., and Olson A. J. (2009). AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. Journal of Computational Chemistry, 30(16): 2785-2791. Nair P. C., and Miners J. O. (2014). Molecular dynamics simulations: from structure function relationships to drug discovery. In Silico Pharmacology, 2: 1-4. Pettersen E. F., Goddard T. D., Huang C. C., Couch G. S., Greenblatt D. M., Meng E. C., and Ferrin T. E. (2004). UCSF Chimera—a visualization system for exploratory research and analysis. Journal of Computational Chemistry, 25(13): 1605-1612. Piard J., Hautefort I., Fischetti V., Ehrlich S., Fons M., and Gruss A. (1997). Cell wall anchoring of the Streptococcus pyogenes M6 protein in various lactic acid bacteria. Journal of Bacteriology, 179(9): 3068-3072. Rehman A., Wang X., Ahmad S., Shahid F., et al. (2021). In silico core proteomics and molecular docking approaches for the identification of novel inhibitors against Streptococcus pyogenes. International Journal of Environmental Research and Public Health, 18(21): 11355. Shakeran Z., and Nosrati M. (2019). Bioinformatics study of the effects of some phytocompounds found in Ferulago angulat, Scrophularia striata and Laurus nobilis medicinal plants on inhibition of the proteins causing antibiotic resistance in staphylococcus aureus: a descriptive study. Journal of Rafsanjan University of Medical Sciences, 18(2): 177-192. Thomford N. E., Senthebane D. A., Rowe A., Munro D., Seele P., Maroyi A., and Dzobo K. (2018). Natural products for drug discovery in the 21st century: innovations for novel drug discovery. International Journal of Molecular Sciences, 19(6): 1578. Trott O., and Olson A. J. (2010). AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. Journal of Computational Chemistry, 31(2): 455-461. Yırtıcı Ü., Ergene A., Atalar M. N., and Adem Ş. (2022). Phytochemical composition, antioxidant, enzyme inhibition, antimicrobial effects, and molecular docking studies of Centaurea sivasica. South African Journal of Botany, 144: 58-71. | ||
|
آمار تعداد مشاهده مقاله: 38 تعداد دریافت فایل اصل مقاله: 1 |
||