Métodos computacionais são usados para gerar estruturas de complexo proteína-ligante e estimar suas afinidades. Esse trabalho investigou como as diferentes representações da flexibilidade proteica afetam as poses obtidas por ancoragem molecular e as afinidades atribuídas a essas poses. Os mutantes L99A e L99A/M102Q da lisozima T4 foram escolhidos como sistemas modelo. Um descritor para predição de afinidades baseado na aproximação de energia de interação linear (LIE) foi parametrizado especificamente para ligantes da lisozima e foi usado para estimar as afinidades. A proteína foi representada como um grupo de estruturas cristalográficas ou de estruturas de trajetória de dinâmica molecular. O campo de força OPLS-AA para modelar a proteína e os ligantes e a aproximação de Born generalizada para modelar o solvente foram empregados. O descritor de afinidades parametrizado resultou em desvios médios entre afinidades experimentais e calculadas de 1,8 kcal/mol para um conjunto de testes. O descritor teve desempenho satisfatório na separação entre poses cristalográficas e poses falso-positivo e na identificação de poses falso-positivo. Experimentos de agrupamento de complexos realizados com o objetivo de reduzir o custo computacional para estimar afinidades apresentaram resultados insatisfatórios. As melhores aproximações da teoria do ligante implícito propostas aqui para estimar afinidades consideram conjuntos de estruturas de receptor com o mesmo peso. Configurações de ligante também apresentam o mesmo peso ou são dominadas por uma única configuração. A representação da flexibilidade requer um tratamento estatístico adequado para estimativa de afinidades. Aqui, a associação entre LIE e a teoria do ligante implícito mostrou-se frutífera.

Computational methods are used to generate protein-ligand complex structures and estimate their binding affinities. This work investigated how different representations of protein flexibility affect poses obtained by molecular docking and the affinities attributed to these poses. T4 lysozyme mutants L99A and L99A/M102Q were chosen as model systems. A descriptor for prediction of affinities based on linear interaction energy (LIE) approximation was parametrized specifically to lysozyme ligands and was used to estimate affinities. The protein was represented as a group of crystal structures or as structures from a molecular dynamics trajectory. OPLS-AA force field was used to model protein and ligands and the Generalized Born approximation was used to model solvent. The parametrized affinity descriptor resulted in average deviations between experimental and calculated affinities of 1.8 kcal/mol for a test set. Descriptor performance was satisfactory in the separation between crystal poses and false-positive ones and in the identification of false-positive poses. Clustering of complexes was tried out to reduce computational cost to estimate affinities, but results were poor. The best approximations to the implicit ligand theory proposed here in order to estimate affinities consider groups of receptor structures with the same weight. Ligand configurations also have the same weight or are dominated by only one configuration. The representation of protein flexibility requires an adequate statistical treatment when used to estimate affinities. Here, the linking between LIE and the implicit ligand theory proved itself useful.