Роль пробиотиков в управлении COVID-19

Роль пробиотиков в управлении COVID-19: Вычислительная перспектива

Содержание

• Резюме
• 1. Введение
• 2. Пробиотики против вирусной инфекции
• Рисунок 1. Штаммы пробиотиков против респираторных (вирусы гриппа А H1N1, H3N2 и респираторно-синцитиальный вирус) и желудочно-кишечных вирусов (ротавирус)
• 3. Ось кишечник-легкие, связанная с COVID-19
• Рисунок 2. Дисбиоз кишечника и легких у пациентов с COVID-19
• 3.1. Обоснование пробиотиков в качестве дополнительного лечения COVID-19
• 3.2. Клинические данные, подтверждающие использование пробиотиков в качестве многообещающей стратегии борьбы с COVID-19
• Таблица 1. Клинические испытания влияния потребления пробиотиков на COVID-19
• 4. Вычислительный анализ: Будущее пробиотиков
• 4.1. Данные
• Таблица 2. Имеющиеся данные о микробиоте кишечника человека, профиле здоровья и диете
• 4.2. Технология: Подход, основанный на микробиоме
• Таблица 3. Список инструментов биоинформатики для изучения микробиома кишечника с помощью методов, включая метагеномику и метатранскриптомику
• 4.3. Технология: комплексный подход к стыковке (молекулярный докинг)
• Таблица 4. Соответствующие вычислительные методы и инструменты биоинформатики для исследования антивирусных агентов и пробиотиков против SARS-CoV-2
• Рисунок 3. Структуры возможных вирусных белковых мишений и хозяйских белков-мишений могут быть ингибированы пробиотическими метаболитами для предотвращения SARS-CoV-2
• 4.4. Тематическое исследование: метаболиты Lactobacillus plantarum как перспектива для COVID-19
• Рисунок 4. Схематическое представление реконструкции PlnE и PlnF
• Таблица 5. Значения RMSD предсказанных структур PlanE и PlanE, смоделированных AlphaFold Colab и SWISS-MODEL, в сравнении друг с другом или с шаблонами
• Рисунок 5. Молекулярная стыковка PlnEF с геликазой nsp13 SARS-CoV-2
• 5. Выводы
• Дополнительная информация
• Литература

Резюме

Коронавирусная болезнь 2019 года (COVID-19) была объявлена ​​пандемией в начале 2020 года, унесшей миллионы жизней во всем мире. Во всем мире введены миллионы доз вакцины; однако вспышки продолжаются. Известно, что пробиотики восстанавливают стабильную микробиоту кишечника, регулируя врожденный и адаптивный иммунитет в кишечнике, демонстрируя возможность их использования для борьбы с COVID-19 из-за нескольких доказательств, свидетельствующих о том, что COVID-19 оказывает неблагоприятное воздействие на микробиоту кишечника (дисбиоз). Таким образом, пробиотики и их метаболиты с известными противовирусными свойствами могут использоваться в качестве дополнительного лечения для борьбы с COVID-19. Несколько клинических испытаний выявили эффективность пробиотиков и их метаболитов при лечении пациентов с SARS-CoV-2. Однако этот молекулярный механизм еще не разгадан. Наличие обильных ресурсов данных и вычислительных методов значительно изменило исследования, направленные на поиск молекулярного понимания взаимодействия между пробиотиками и COVID-19. В этом обзоре освещаются вычислительные подходы, включающие подходы на основе микробиома и ансамблевые подходы к стыковке (подходы к стыковке, основанные на ансамбле малых молекул - см. молекулярный докинг – стыковка малых молекул с белками – ред.), а также тематическое исследование, доказывающее влияние пробиотических метаболитов на SARS-CoV-2.

1. Введение

Продолжающийся натиск пандемии COVID-19 угрожает жизни и здоровью людей, оказывая катастрофическое влияние на мировое финансовое и медицинское бремя [1]. В общей сложности было зарегистрировано почти 260 миллионов подтвержденных случаев COVID-19 с более чем пятью миллионами смертей (по состоянию на 28 ноября 2021 г.). Хотя доступны вакцины против коронавируса тяжелого острого респираторного синдрома 2 (SARS-CoV-2) — возбудителя COVID-19, число случаев заболевания все еще растет во всем мире, особенно когда меры контроля ослаблены [2]. Недавно (по состоянию на 28 ноября 2021 г. — время анализа) смертельный супервариант SARS-CoV-2 с общим числом мутаций около 50, названный Омикрон (линия B.1.1.529), был классифицирован как «вариант беспокойства» (VOC, Variant of Concern) Всемирной организацией здравоохранения (ВОЗ) [3]. VOC — это высшая категория ВОЗ тревожных вариантов COVID-19. Таким образом, существует настоятельная необходимость в разработке дополнительных стратегий для выполнения превентивной и поддерживающей функций в предотвращении COVID-19.

COVID-19 имеет широкий спектр клинических проявлений, начиная от бессимптомных, легких симптомов (среди прочего, кашля и лихорадки) и заканчивая тяжелым заболеванием, которое может привести к смерти [4]. Появляющиеся данные показывают, что многие инфекции COVID-19 протекают бессимптомно — было выявлено положительное определение нуклеиновой кислоты SARS-CoV-2 с помощью полимеразной цепной реакции с обратной транскриптазой (RT-PCR) в образцах пациентов без клинических симптомов. [5]. Такие пациенты могут служить источником распространения заболевания, передавая вирус другим, что приводит к дальнейшему распространению COVID-19. Общие симптомы COVID-19 включают лихорадку, утомляемость, сухой кашель, ринорею, желудочно-кишечные симптомы (например, диарею и тошноту) и одышку с гипоксемией [6]. У некоторых пациентов наблюдались тяжелые клинические признаки, такие как пневмония, отек легких, полиорганная недостаточность и синдром острого респираторного заболевания (ОРДС). Таким образом, COVID-19 может потребовать многомерного терапевтического подхода, переходя от подходов, нацеленных на вирус (ранняя стадия инфекции), к иммуномодуляции (стадия позднего начала) [7].

Показано, что у пациентов с COVID-19 наблюдается микробный дисбактериоз кишечника даже через шесть месяцев после выздоровления [8]. Экосистема недоедания пациентов с COVID-19 с пониженным содержанием пробиотиков, таких как Lactobacillus и Bifidobacterium, может препятствовать выздоровлению [9]. Это говорит о том, что точная настройка баланса микробиоты хозяина в кишечнике и легких может быть полезна в борьбе с COVID-19. Использование пробиотиков может способствовать восстановлению микробиоты кишечника, учитывая способность пробиотиков оказывать иммуномодулирующее [10], противовоспалительное [11], антиоксидантное [12] и противовирусное [13] действие. Указанные преимущества (в отношении COVID-19) можно было бы объяснить, если бы были известны молекулярные знания о том, как пробиотики или их метаболиты могут предотвратить или уменьшить инфекцию SARS-CoV-2.

На сегодняшний день вычислительный подход значительно развивается и становится неотъемлемой частью проектов, связанных с заболеваниями, наряду с развитием вычислительных технологий, алгоритмов и инструментов. В условиях пандемии COVID-19 принимаются различные меры по контролю за передвижением, чтобы разорвать цепочку заражения COVID-19. Эта ситуация остановила большинство исследований обычных лабораторий. Вычислительные методы, такие как компьютерное обнаружение лекарств и использование машинного обучения для прогностических моделей, доказали свою эффективность в исследовании воздействия пробиотиков на SARS-CoV-2, начиная с доступного широкого спектра данных и заканчивая обширными аспектами, касающимися микробиома и белковых структур. Здесь мы рассмотрим потенциальную роль пробиотиков в лечении COVID-19 и сосредоточимся на вычислительных подходах, которые могут стать незаменимыми для обеспечения лучшего понимания исследований пробиотиков.

2. Пробиотики против вирусной инфекции

Пробиотики представляют собой полезные живые микроорганизмы, которые при введении в достаточном количестве (не менее 10⁶ жизнеспособных КОЕ/г), как известно, участвуют в метаболизме, улучшая микробный баланс в кишечнике [14,15,16]. Пробиотики, в частности представители родов Lactobacillus и Bifidobacterium, проявляют различные эффекты для здоровья [17]. Их хорошо зарекомендовавшие себя свойства были тщательно изучены, в первую очередь, модулирущие микробиоту кишечника посредством подавления роста условно-патогенных бактерий [18]. Сообщается, что за пределами кишечника пробиотики оказывают благотворное влияние на здоровье посредством нескольких потенциальных механизмов, включая иммуномодуляцию, поддержание функции эпителиального барьера и модуляцию передачи сигналов [19].

Вирусные инфекционные заболевания являются основной причиной глобального бремени смертности и инвалидности [20]. И развитые, и развивающиеся страны борются с тревожным ростом инфекционных заболеваний [21]. Лучшим современным примером этой глобальной угрозы является новый COVID-19, от которого пострадали миллионы людей. Несмотря на успех терапевтических и профилактических стратегий против этого заболевания, сохраняются опасения по поводу продолжающихся сообщений о новых вирусных вариантах [22,23]. В результате инфекционного заболевания серьезное поражение многих органов, включая дыхательные пути, печень, толстую кишку и т. д., подтверждает острую необходимость в альтернативных стратегиях борьбы с вирусной инфекцией. Примечательно, что разнообразное микробное сообщество обитает практически во всех частях человеческого тела, в основном в кишечнике [24]. Стабильное и здоровое микробное сообщество способно защитить человека-хозяина от различных патогенных инфекций, предотвращая вирусную инфекционность с помощью различных механизмов и оказывая существенное ингибирующее действие [25]. Таким образом, пробиотики служат дополнительной стратегией, учитывая их благотворное влияние на вирусные заболевания за счет потенцирования иммунного ответа, поддержания эпителиального барьера и связывания с патогеном, чтобы исказить его прикрепление. Эти противовирусные эффекты различных штаммов Bifidobacterium и Lactobacillus изучались как на желудочно-кишечных, так и на респираторных вирусах (рис. 1).

Рисунок 1. Штаммы пробиотиков против респираторных (вирусы гриппа А H1N1, H3N2 и респираторно-синцитиальный вирус) и желудочно-кишечных вирусов (ротавирус). На рисунке представлены некоторые примеры различных штаммов Bifidobacterium и Lactobacillus, изученных на предмет противовирусного действия.

Более 70% иммунных клеток организма располагаются в желудочно-кишечном тракте, что указывает на непосредственную связь иммунной системы с микробиотой кишечника, которая обеспечивает определенные взаимоотношения с вирусами ЖКТ [26]. Некоторые исследования выявили иммуномодулирующий эффект Bifidobacterium и Lactobacillus против ротавируса (RV), одной из ведущих глобальных причин опасной для жизни диареи у детей в возрасте до пяти лет [27,28]. RV изменяет микробиом кишечника человека, смещая доминирующий тип с Bacteroidetes на Firmicutes, уменьшая бактериальное разнообразие и увеличивая условно-патогенные микроорганизмы, такие как рода Shigella [29]. Два штамма Lactobacillus reuteri ATCC PTA 6475 и DSM 17938 усиливали антитела к RV, специфичные для слизистой оболочки, у инфицированных новорожденных мышей и ослабляли симптомы диареи [30]. Пищевой статус индекса массы тела — нормальный вес, недостаточный вес и избыточный вес — может влиять на реакцию пробиотиков на RV. У мышей с недостаточным весом было меньше RV-специфических антител, чем у двух других групп. В другом исследовании комбинация Lactobacillus rhamnosus GG со специфическими иммуноглобулинами, полученными из молозива крупного рогатого скота, значительно снижала тяжесть и продолжительность диареи у мышей [31]. Как Bifidobacterium bifidum, так и Bifidobacterium infantis способствовали задержке клинической диареи у мышей, инфицированных RV [32].

Кроме того, пробиотики также усиливали иммунный ответ, что приводило к высокому уровню специфического IgA. Bifidobacterium longum subsp. infantis, которые инкубировали в клеточных культурах до инфицирования, продемонстрировали способность снижать инфекционность вируса RV как в клетках HT-29, так и в клетках MA-104 in vitro [33]. Кроме того, исследование in vivo, проведенное на модели мышей BALB/c, показало, что выделение вируса с калом было снижено у мышей, зараженных RV, получавших пробиотики, по сравнению с контрольными мышами. В экспериментах с моделями поросят Bifidobacterium lactis HN019 уменьшали тяжесть диареи, а также снижали концентрацию RV в кале [34]. Кроме того, Bifidobacterium lactis HN019 усиливал иммунный ответ у инфицированных поросят; в частности, наблюдались специфические концентрации IgG, IgA и IgM в образцах фекалий. Lactobacillus rhamnosus GG также снижала тяжесть RV-инфекции на модели гнотобиотической свиньи [35]. Согласно предыдущим исследованиям, несмотря на успех разработки вакцины против RV, микробиота кишечника у непривитых и привитых людей не имеет различий [36,37]. Комбинация пробиотиков и вакцинации была изучена, доказав, что она способна эффективно улучшать микробиоту кишечника. Lactobacillus acidophilus повышает иммуногенность пероральной вакцины против RV, усиливая клеточный ответ, за счет секреции антител IgG и IgA [38]. Bifidobacterium lactis Bb12 и Lactobacillus rhamnosus GG действуют как иммуностимуляторы для RV-вакцины посредством дифференциальной передачи сигналов толл-подобных рецепторов (TLRs), которые модулируют ответы дендритных клеток [39]. Таким образом, пробиотики по-прежнему считаются необходимыми в качестве адъюванта для вакцины против RV.

Доказано, что помимо желудочно-кишечных вирусов, пробиотики и микробиота оказывают противовирусное действие на респираторные вирусы, в том числе на смертельный сезонный бич — вирус гриппа [40]. Согласно оценке (по состоянию на 28 ноября 2021 г.) Центров по контролю и профилактике заболеваний (CDC) за 2019–2020 гг., грипп вызывает около 20 000 смертей. Растущее количество данных показывает, что назальные и пероральные пробиотики могут повышать устойчивость к респираторным вирусным инфекциям. Убитый нагреванием штамм Lactobacillus casei DK128 продемонстрировал действие на мышей, инфицированных H3N2, что привело к более низкому титру вируса у мышей, подвергнутых воздействию указанного пробиотика, по сравнению с группой мышей, получавших имитацию [41]. Более того, в легких и дыхательных путях мышей, получавших лечение Lactobacillus casei DK128, было обнаружено большее количество альвеолярных макрофагальных клеток. Альвеолярные макрофаги, находящиеся в промежуточной фазе между тканями легких и воздухом, могут обеспечить первую линию врожденного иммунитета против вируса гриппа [42]. В другом исследовании было показано, что альвеолярные макрофаги выделяют множество воспалительных цитокинов, которые помогают контролировать репликацию вируса [43]. Введение Lactobacillus rhamnosus GG было проведено для исследования анти-H1N1 способности [44]. Выживаемость составила примерно 60% и 20% для мышей, получавших Lactobacillus rhamnosus GG, и контрольных групп соответственно. Следует отметить, что в группе Lactobacillus rhamnosus GG наблюдалось значительное увеличение активности NK-клеток по сравнению с необработанной группой. Другой штамм пробиотиков, Lactobacillus pentosus S-PT84, также вызывал сильную индукцию IL-12 и высокую продукцию IFN-γ в клетках медиастинальных лимфатических узлов, способствуя значительному повышению выживаемости и снижению титра вируса H1N1 в жидкости бронхоальвеолярного лаважа [45]. Аналогичным образом, интраназальное введение штамма Lactobacillus casei Shirota стимулировало продукцию IL-12 и активность NK-клеток, что приводило к адекватной защите от инфекции H1N1 [46]. Кроме того, у мышей, которым назально вводили Lactobacillus fermentum CJL-112, наблюдалось увеличение IgA, что приводило к противовирусному эффекту против гриппа A/NWS/33 (H1N1) [47]. В другом исследовании Lactobacillus plantarum AYA индуцировала увеличение продукции IgA в легких и тонком кишечнике у мышей, инфицированных H3N2 [48]. Повышение продукции IgA и IgG также наблюдалось у мышей, инфицированных H1N1, получавших Lactobacillus pentosus штамм b240 [49]. Два других штамма Bifidobacterium, в том числе Bifidobacterium longum 35624 и Bifidobacterium longum PB-VIR, также индуцировали снижение вирусной нагрузки и повышение выживаемости у мышей, инфицированных штаммом вируса гриппа PR8 (A/Puerto Rico8/34, H1N1) [50].

Помимо вируса гриппа, респираторно-синцитиальный вирус человека (RSV) также показал специфическую корреляцию с микробиотой кишечника и пробиотиками [51,52]. RSV представляет собой оболочечный несегментированный РНК-вирус с отрицательной цепью семейства Paramyxoviridae, который в первую очередь вызывает тяжелые респираторные заболевания у младенцев и детей [53]. Инфекция нижних дыхательных путей, связанная с RSV, была связана примерно с 48 000–74 500 смертей среди детей в возрасте до 5 лет в 2015 г. [54]. Пероральное введение Lactobacillus gasseri SBT2055 (LG2055) приводит к значительному снижению титра RSV в легких [55]. Другой пробиотический штамм, Lactobacillus rhamnosus CRL1505, также продемонстрировал способность уменьшать количество легочных вирусов в исследовании, в котором CRL1505 перорально вводили новорожденным мышам, инфицированным RSV [56]. Было обнаружено, что увеличение секреции IL-10 и IFN-γ после лечения CRL1505 будет модулировать врожденный иммунитет легких, приводя к активации дендритных клеток и образованию клеток Th1. Аналогичные результаты были получены и при назальном введении CRL1505 [57].

3. Ось кишечник-легкие, связанная с COVID-19

SARS-CoV-2 в первую очередь поражает дыхательные пути, прикрепляясь к рецептору ACE2 (ангиотензинпревращающий фермент 2) [58]. Этот рецептор экспрессируется в различных органах и в высокой степени экспрессируется на поверхности альвеолярных эпителиальных клеток типа II и эпителиальных клеток дыхательных путей. Несмотря на то, что дыхательная система является ведущей мишенью вируса, желудочно-кишечный тракт также является важной мишенью, способствуя возникновению желудочно-кишечных симптомов, включая тошноту, диарею и рвоту [59]. Исследования показали, что вирусная РНК коронавируса может быть обнаружена в образцах мочи и кала пациентов с COVID-19 [60]. Сообщалось об изменении состава кишечной флоры (дисбактериоз) у пациентов с COVID-19 (рис. 2). Эти результаты свидетельствуют о важности понимания оси кишечник-легкие (GLA) для лечения COVID-19.

GLA здесь относится к двунаправленным взаимодействиям между слизистой оболочкой дыхательных путей и микробиотой кишечника с конечной целью модулирования иммунного ответа [61]. Широко известно, что в кишечнике содержится большое количество микробиоты, оказывающей заметное влияние на гомеостаз хозяина и заболевания [62]. Также было продемонстрировано, что здоровое легкое имеет свою собственную специфическую микробиоту, включая Prevotella, Streptococcus, Veillonella, Fusobacterium и Haemophilus [63,64]. Хотя существует ограниченное понимание влияния микробиома на этиологию заболевания, было доказано, что дисбиоз кишечника увеличивает риск заболеваний [65]. Например, воспалительное заболевание кишечника (ВЗК) вызывает воспаление и способствует инфекции дыхательных путей, подтверждая взаимодействие между микробиотой легких и кишечника [66]. У высокого процента пациентов с COVID-19 наблюдаются желудочно-кишечные симптомы. Бактериальное разнообразие кишечника пациентов с COVID-19 было значительно снижено по сравнению со здоровым контролем [67]. Некоторые кишечные комменсалы с иммуномодулирующим действием, такие как Eubacterium rectal и Bifidobacterium, были недостаточно представлены у пациентов [68], в то время как Collinsella, Streptococcus и Morganella были значительно увеличены у пациентов с высокой инфекционностью SARS-CoV-2 [69]. Цзо и его коллеги обнаружили повышенные уровни Parabacteroides, Bacteroides и Lachnospiraceae у пациентов с низкой или отсутствующей инфекционностью SARS-CoV-2. Эти бактерии способны продуцировать короткоцепочечные жирные кислоты, которые играют важную роль в повышении иммунитета хозяина [70]. Относительное содержание Coprobacillus, Clostridium ramosum и Clostridium hathewayi положительно коррелировало с тяжестью COVID-19. И наоборот, Faecalibacterium prausnitzii и Bacteroides обратно коррелировали с тяжестью COVID-19 [71,72,73]. Поразительно, но состав микробиоты у пациентов с внебольничной пневмонией аналогичен таковому у пациентов с COVID-19.

Рисунок 2. Дисбиоз кишечника и легких у пациентов с COVID-19. В легких инфицированных SARS-CoV-2 пациентов преобладали Acinetobacter, Chryseobacterium, Burkhoderia, Brevudimonas и Sphingobium [74]. Микробиота кишечника пациентов с COVID-19 также была изменена со снижением содержания Bacteroides [69], Bifidobacterium [68], Eubacterium rectale [68], Faecalibacterium prausnitzii [73], Lachnospiraceae [69], Parabacteroides [69] и увеличение Clostridium hathewayi [71], Clostridium ramosum [71], Collinsella [69], Coprobacillus [71], Morganella [69], Streptococcus [69].

3.1. Обоснование пробиотиков в качестве дополнительного лечения COVID-19

Нарушение микробиоты кишечника повышает восприимчивость человека к различным заболеваниям. Новые данные свидетельствуют о том, что пробиотики полезны в борьбе с COVID-19. Пробиотики известны тем, что восстанавливают стабильную микробиоту кишечника за счет взаимодействия и координации врожденного и адаптивного иммунитета кишечника. Различные типы клеток, такие как тучные клетки, естественные клетки-киллеры (NK) и макрофаги, взаимодействуют с микробиомом кишечника для регулирования врожденного иммунитета. Например, антигенпрезентирующие клетки, включающие дендритные клетки пейеровых бляшек кишечника, клетки Лангерганса и макрофаги, обладают некоторыми толерантными иммуногенными свойствами [75]. В адаптивной системе в основном участвуют В- и Т-лимфоциты. У пациентов с COVID-19 наблюдается повышенный уровень наивных Т-хелперных (Th) лимфоцитов и сниженный уровень NK-клеток, В-лимфоцитов и Th-лимфоцитов памяти. Иммунный гомеостаз кишечника может влиять на иммунитет легких через «ось кишечник-легкие». Вероятно, все это связано с нарушением регуляции иммунного ответа с повышением уровня IFN-γ, IL-6, CCL2 и снижением количества регуляторных Т-клеток в легких и желудочно-кишечном тракте [76].

Пробиотики считаются безвредными, они, в частности, размножаются в результате ферментации пищи — древней формы консервирования пищевых продуктов, а также широко используются в качестве пищевых добавок [77,78]. Пробиотики измеряют в колониеобразующих единицах (КОЕ), что указывает на количество жизнеспособных клеток [79]. Количество пробиотиков обычно записывается как 5 × 10⁹ для 5 миллиардов КОЕ или 1 × 10¹⁰ для 10 миллиардов КОЕ в коммерчески доступных пробиотических продуктах. Различные пробиотические продукты содержат разное количество пробиотиков, но стандартные эффективные дозировки для взрослых составляют от 10 до 20 миллиардов КОЕ. Для сравнения, рекомендуемые дозы для детей составляют от 5 до 10 миллиардов КОЕ [80]. Чем выше дозы используемых пробиотиков, тем выше ожидаемый положительный результат. Нет никаких доказательств того, что передозировка пробиотиков опасна для здоровья [80].

Следует учитывать несколько проблем безопасности пробиотиков, таких как устойчивость к антибиотикам и их токсичность для желудочно-кишечного тракта [81]. Хотя было показано, что пробиотики не проявляют токсического действия, все еще встречаются редкие случаи бактериемии с участием пробиотиков, наблюдаемые у лиц с ослабленным иммунитетом [77]. Рекомендации по оценке безопасности пробиотиков очень строгие, особенно в отношении выявления факторов риска как для пробиотиков, так и для хозяина с последующей проверкой рисков при взаимодействии между используемыми пробиотиками и хозяином [82]. Следовательно, оцениваются не только полезные эффекты пробиотиков, но и их побочные эффекты. Кроме того, для дальнейшей оценки безопасности осуществляется эпидемиологический надзор за нежелательными явлениями при использовании пробиотических продуктов человеком [83]. Соответственно, в будущем можно ожидать использования пробиотиков в качестве дополнительного лечения против COVID-19 в качестве модулятора иммунного ответа для уменьшения патогенного микробиома у хозяина.

3.2. Клинические данные, подтверждающие использование пробиотиков в качестве многообещающей стратегии борьбы с COVID-19

Считается, что потребление пробиотиков облегчает симптомы COVID-19 за счет усиления иммунного ответа хозяина и улучшения микробиоты кишечника [84]. Использование пробиотиков может указывать на их способность бороться с SARS-CoV-2 или связанными с ним симптомами посредством оценки противовирусных и противовоспалительных пробиотических эффектов in vitro, in vivo и клинически [85]. Обзор показал, что улучшение профиля кишечной микробиоты за счет индивидуальной диеты и добавок, особенно с пробиотиками, может улучшить иммунную систему для борьбы с COVID-19 [86].

Учитывая важную взаимосвязь между пробиотиками, микробиотой и COVID-19, несколько исследователей сосредоточились непосредственно на пробиотиках, которые могут оказывать сильное противовирусное действие на COVID-19. Сообщалось о семи клинических испытаниях, изучающих влияние пробиотиков на COVID-19, шесть из которых завершены (таблица 1). Клиническое исследование 123 пациентов, инфицированных SARS-CoV-2, с тяжелыми симптомами, которых лечили смесью пробиотиков, таких как Bifidobacterium infantis и Lactobacillus acidophilus, показало клинические доказательства того, что пробиотики могут умерять иммунную функцию и уменьшать вторичную инфекцию [87]. В другом исследовании команда провела рандомизированное плацебо-контролируемое клиническое исследование для оценки эффективности и безопасности нового пробиотического состава у амбулаторных пациентов с COVID-19 [88]. Пациентов в возрасте от 18 до 60 лет лечили пробиотическим составом из трех штаммов Lactiplantibacillus plantarum (KABP022, KABP023 и KAPB033) вместе с одним штаммом Pediococcus acidilactici KABP021 или давали плацебо, которые они принимали перорально один раз в день в течение 30 дней подряд. В этом исследовании оценивали ремиссию, определяемую как отрицательный результат RT-qPCR и исчезновение симптомов. Доля ремиссии в группе, получавшей пробиотики, составила ~ 53,1%, что значительно выше, чем в группе плацебо (~ 28,1%). Отдельно другое исследование показало, что большое количество потребляемых ферментированных овощей или капусты может быть связано с низким уровнем смертности от COVID-19 в некоторых странах Восточной Азии и Центральной Европы [89].

Таблица 1. Клинические испытания влияния потребления пробиотиков на COVID-19. Данные актуальны по состоянию на 28 ноября 2021 г., взяты с https://clinicaltrials.gov/. Поисковый запрос был «состояние или заболевание» = «covid19», «другие термины» = «пробиотики».

4. Вычислительный анализ: Будущее пробиотиков

Пробиотики играют важную роль в эубиозе микробиоты человека [90]. Признание микробиома человека как биологической системы открыло новые возможности, способные значительно влиять на здоровье и болезни [91]. Это включает в себя возможность смены парадигмы, чтобы лучше понять взаимосвязь между хозяином и средой микробиома, чему способствуют достижения в области геномики и биоинформатики, которые предоставляют эффективные инструменты для получения и обработки биологических и клинических данных, таких как диета, микробиом (особенно кишечный) и профиль здоровья [92]. Таким образом, в условиях пандемии COVID-19 применение технологий и вычислительных методов в качестве неотъемлемой части исследований, связанных с пробиотиками, является высокопотенциальной стратегией борьбы с этим смертельным вирусом. В этом контексте мы рассматриваем доступные источники данных и используемый в настоящее время вычислительный подход, включая подход, основанный на микробиоме, и подход к стыковке, основанный на ансамбле малых молекул (см. молекулярный докинг - стыковка малых молекул с белками – ред.), которые могут быть двумя потенциальными способами долгосрочной борьбы с SARS-CoV-2. Мы также предоставляем тематическое исследование, демонстрирующее противовирусную активность метаболита Lactobacillus plantarum в отношении неструктурного белка 13 (nsp13) SARS-CoV-2 с использованием подхода молекулярной стыковки (докинга).

4.1. Данные

Данные играют важную роль в анализе и оценке, что позволяет делать соответствующие выводы и предлагать оптимальные решения. Учитывая ускоренные темпы разработки вычислительных инструментов, увеличение объема данных — пробиотики, микробиота кишечника, профиль здоровья человека и диета — открывает различные возможности для преобразования данных в знания, углубляясь в исследования, связанные с микробиотой и здоровьем человека [92]. Очевидно, что микробиота кишечника играет решающую роль в модулировании здоровья человека [93], и на микробиоту кишечника может влиять диета [94]. Прокладывая возможный путь для интеграции данных, список общедоступных источников данных представлен в таблице 2.

Для сбора и создания всеобъемлющих высококачественных данных применялись различные подходы. Пробиотики и данные микробиоты кишечника с функциональными характеристиками были определены с использованием метапротеомики и метаметаболомики [95,96]. Кроме того, метагеномика и метатранскриптомика кишечной микробиоты также могут быть количественно оценены с использованием подхода секвенирования [97,98]. Отдельно данные профиля здоровья человека, такие как пол, возраст, рост, вес, артериальное давление и статус заболевания, могут быть получены из анкеты, интервью или историй болезни [92]. Точно так же база данных о питании часто создается с использованием метода анкетирования либо на основе субъективных отчетов, либо путем объективного наблюдения. Одним из методов оценки питания для самоотчетов является использование опросников частоты приема пищи (FFQ), которые широко используются с 1990-х годов [99]. Количество потребляемых метаболитов и питательных веществ, таких как белок, жир, витамины и минералы, рассчитывается путем проверки базы данных потребляемой пищи и состава пищи. Примечательно, что также возможно охарактеризовать микробиоту потребляемой пищи с помощью метагеномного секвенирования [92].

Таблица 2. Имеющиеся данные о микробиоте кишечника человека, профиле здоровья и диете (все упомянутые URL-адреса были доступны 28 ноября 2021 г.).

4.2. Технология: Подход, основанный на микробиоме

На сегодняшний день имеется огромное количество сообщений о пробиотиках и их применении для предотвращения или лечения различных кишечных заболеваний, таких как антибиотикоассоциированная диарея, воспалительное заболевание кишечника и болезнь Крона [109]. Более того, пробиотики могут модулировать и восстанавливать состав микробиома кишечника [90]. Следовательно, используя пробиотики для пациентов с COVID-19, исследуют то, как микробиом кишечника, влияющий на SARS-CoV-2, может быть потенциальным путем терапии. Микробиом кишечника состоит из триллионов бактерий и других микробов [110]. Микробиом кишечника играет жизненно важную роль в поддержании здоровья, патогенезе заболеваний, иммунном гомеостазе и энергетическом метаболизме хозяина [111]. Из-за «оси кишечник-легкие» микробиом кишечника может влиять на инфекции дыхательных путей и может быть вовлечен в степень тяжести SARS-CoV-2 [68]; следовательно, в условиях продолжающейся пандемии COVID-19 микробиом кишечника пациента, инфицированного SARS-CoV-2, заслуживает внимания и исследований. Примечательно, что область подхода, основанного на микробиоме, связанного с вычислительными методами, может быть использована для облегчения таких исследований микробиома кишечника. Для изучения микробиома кишечника в контексте метагеномики и метатранскриптомики (таблица 3) доступны различные инструменты и каналы биоинформатики, которые могут дать представление о взаимодействии между микробиотой кишечника и вирусными инфекциями. Инструментами для полного метагеномного секвенирования являются MetaPhlAn2 [112], MG-RAST [113], MEGAHIT [114], HUMAnN2 [115], QIIME [116], mothur [117] и SPAdes [118]; в то время как для метатранскриптомики используются такие инструменты, как SOAPdenovo [119], SAMSA2 [120] и mOTUs2 [121].

Таблица 3. Список инструментов биоинформатики для изучения микробиома кишечника с помощью методов, включая метагеномику и метатранскриптомику (все упомянутые URL-адреса были доступны 28 ноября 2021 г.).

Сообщалось, что тяжесть симптомов COVID-19 может быть связана с различиями в микробиоте кишечника каждого человека. Метагеномное секвенирование использовало образцы фекальной ДНК, полученные от пациентов с COVID-19, что привело к обнаружению значительной разницы между кишечным микробиомом здоровых людей и пациентов, особенно в отношении некоторых кишечных комменсалов, таких как Faecalibacterium prausnitzii и бифидобактерий, которые были недостаточно представлены у пациентов с COVID-19 [68]. Это снижение микробиоты сохранялось в течение примерно 30 дней после элиминации вируса. В пилотном исследовании 15 пациентов с COVID-19 в Гонконге было проведено метагеномное секвенирование для анализа образцов их фекалий [71]. Данные микробиома сравнивали с шестью пациентами с внебольничной пневмонией и 15 здоровыми людьми из контрольной группы. Профилирование микробиоты осуществляли с помощью MetaPhlAn2 (V2.9). На основании полученных результатов исследователи пришли к выводу, что во время госпитализации у пациентов с COVID-19 произошли изменения в фекальном микробиоме по сравнению со здоровыми людьми. Кроме того, они предположили, что при наличии эффективных стратегий улучшения кишечной микробиоты это может снизить тяжесть SARS-CoV-2 [71]. Что касается метатранскриптомного исследования, анализ был проведен у 62 пациентов с COVID-19 и 125 пациентов с пневмонией, не связанной с COVID-19 [122]. Были оценены три аспекта транскрипции, включая микробиом, патогены и ответы хозяина. Результаты показали, что у пациентов с COVID-19 микробиом дыхательных путей был более нарушен по сравнению с пациентами без COVID-19. Метатранскриптомное секвенирование также было проведено для жидкости бронхоальвеолярного лаважа у восьми пациентов с COVID-19, 25 пациентов с внебольничной пневмонией и 20 здоровых лиц [123]. Результаты показали, что микробиота легких у пациентов с COVID-19 была аналогична таковой у пациентов с внебольничной пневмонией. Несмотря на то, что это исследование напрямую не связано с микробиомом кишечника, оно показало потенциал метода метатранскриптомики, в первую очередь при использовании для изучения микробиоты кишечника пациентов с COVID-19.

4.3. Технология: комплексный подход к стыковке (молекулярный докинг)

Традиционный процесс разработки лекарств занимает много времени: до того, как лекарство будет одобрено и доступно на рынке, может пройти около 10–15 лет [124]. Применение автоматизированного поиска лекарств (CADD) может повысить эффективность и результативность исследований лекарств и принести значительную выгоду в виде экономии средств и времени [125]. На сегодняшний день эта область развивается и становится неотъемлемой частью проектов по открытию лекарств, наряду с развитием вычислительных алгоритмов, инструментов биоинформатики и доступностью широкого спектра белковых структур и фармацевтических соединений [126]. В различных исследованиях подчеркивалась роль, важность, передовые приложения и проблемы вычислительных подходов [127]. Примечательно, что сообщалось об успешном применении CADD в разработке противовирусных препаратов, в которых основное внимание уделяется вирусным белковым мишеням [128, 129, 130]. Характеристики вирусных мишеней можно выяснить путем моделирования, имитации и предсказания конформационных и физико-химических свойств. Более того, взаимодействие и аффинность связывания между вирусными белками и фармацевтическими соединениями или ингибиторами можно определить с помощью вычислительных методов. Кроме того, также были реализованы виртуальный скрининг и взаимосвязь структура-активность между вирусными мишенями и лигандами [128]. Что касается применения CADD в исследованиях, связанных с противовирусными препаратами, то биоинформатика широко используется для определения совместимых лекарств от различных инфекционных заболеваний, таких как лихорадка денге, грипп и лихорадка Зика [131, 132, 133]. На сегодняшний день биоинформатика отмечена на разных этапах, включая анализ происхождения вируса и его эволюции, секвенирование генома, моделирование структурных биологических объектов, исследование генетической восприимчивости хозяина [134].

Использование вычислительных подходов может ускорить разработку терапевтической стратегии против COVID-19. Фактически, именно с этой целью данные, связанные с COVID-19, распространяются по всему миру с беспрецедентной скоростью. Подходы биоинформатики в процессе открытия лекарств, такие как моделирование, молекулярная стыковка, моделирование молекулярной динамики и исследование in silico ADMET, были исследованы и применены для скрининга потенциальных соединений (как противовирусных агентов, так и пробиотиков) для борьбы с COVID-19 из многочисленных баз данных (таблица 4). Кроме того, анализ данных SARS-CoV-2 с помощью биоинформатики также может привести к получению ценной информации как в фундаментальной, так и в прикладной науке. Изучение влияния пробиотиков на SARS-CoV-2 с использованием вычислительных методов может стать потенциальным и проложить путь для дальнейших исследований противовирусных пробиотиков.

В контексте небольшого количества известных соединений, обладающих активностью против SARS-CoV-2, основное внимание было уделено стратегии разработки лекарств, основанной на молекулярной структуре. В частности, молекулярный докинг является одним из основных методов, способствующих эффективному изучению противовирусных средств для SARS-CoV-2. Молекулярный докинг - это метод прогнозирования взаимодействия ориентации связывания между конкретным лигандом и активным сайтом рецептора [135]. Чем больше отрицательная энергия связи, тем лучше результат стыковки. Кроме того, следует также учитывать некоторые типы взаимодействий, такие как водородное, ионное и ван-дер-ваальсово. Основываясь на результатах молекулярного докинга, можно выбрать hit-соединения для целевых вирусных белков («Попадание в цель» (hit-compound) – нахождение соединения, проявляющего физиологическую активность – ред.). Несколько баз данных виртуальных библиотек химических соединений находятся в открытом доступе в процессе изучения hit-соединений, таких как PubChem [136] и ZINC [137], среди прочих. Некоторыми популярными программами молекулярной стыковки являются AutoDock [138], AutoDock Vina [139], FlexX [140] и GLIDE [141].

Сообщалось о некоторых возможных белковых мишенях SARS-CoV-2 (рис. 3). Во множестве исследований применялся молекулярный докинг для изучения ингибирующего действия соединений на SARS-CoV-2. Одно из исследований показало различные потенциальные хиты («попадания в цель») для пяти различных белков-мишеней COVID-19, включая коронавирусную 3C-подобную протеазу (3CL^pro), РНК-зависимую РНК-полимеразу (RdRp), ангиотензинпревращающий фермент 2 (ACE2), папаиноподобную протеазу. (PL^pro) и шиповидный домен (спайк-домен) связывания гликопротеиновых рецепторов (SGp-RBD) (основанное на результатах оценки стыковки, свойствах ADMET in silico, свойствах сходства с лекарственным средством и исследовании взаимодействия белок–лиганд) [142]. Целых семь потенциальных фитохимических веществ, включая обакунон, коросоловую кислоту, 7-деацетил-7-бензоилгедунин, лимонин, урсоловую кислоту, глицирризиновую кислоту и маслиновую кислоту, были сочтены достаточными для формулирования дальнейшей оптимизации разработки лекарств для борьбы с COVID-19. В другом исследовании молекулярной стыковки было показано влияние полифенолов чая, в том числе эпигаллокатехина (EGCG) из зеленого чая и дигаллата теафлавина (TF3) из черного чая [135]. Результаты стыковки показали, что эти два полифенола чая обладают потенциальной активностью при лечении SARS-CoV-2. Кроме того, при применении молекулярного докинга, пуникалагина и пуникалина, составляющих экстракт кожуры граната, было показано, что они обладают потенциальными эффектами взаимодействия с белковыми мишенями SARS-CoV-2 ACE2, шиповидным гликопротеином, фурином и трансмембранной сериновой протеазой [143]. Более того, связывание лютеолина, рибавирина, хлорохина и ремдесивира с 3CL^pro, PL^pro, RdRp и шиповидными белками (спайк-белками) SARS-CoV-2 было проведено с помощью вычислительных подходов [144]. Было показано, что лютеолин, основной флавоноид жимолости, может с высокой аффинностью связываться с активными центрами основной протеазы вируса, что свидетельствует о потенциальной противовирусной активности.

Хотя было проведено несколько клинических испытаний для оценки симптомов и состояния здоровья пациентов, молекулярный механизм этих эффектов остается неясным. До сих пор было проведено несколько исследований влияния метаболитов Lactobacillus на ингибирование SARS-CoV-2. В исследовании Anwar и его коллеги изучали влияние различных пробиотиков, включая плантарицин W, плантарицин BN, плантарицин JLA-9, плантарицин D из Lactobacillus, на блокирование остаточного связывающего белка на шиповидном белке (спайк-белке) SARS-CoV-2 и взаимодействие спайк-белка с рецептора ACE2 человека с использованием метода докинга и моделирования молекулярной динамики [145]. Результаты показали, что молекулы плантарицина могут блокировать фермент SARS-CoV-2 RdRp и спайк-белок. Об аналогичном подходе сообщили Balmeh и его коллеги, где манипуляции с последовательностями метаболитов, а именно гликоцина F из Lactobacillus, использовались для исследования потенциального связывания с лекарственными мишенями SARS-CoV-2 [146]. Моделирование гомологии и методы молекулярного докинга также использовались для оценки влияния плантарицина E и плантарицина F из Lactobacillus plantarum Probio-88 на геликазу SARS-CoV-2 [147]. Образование водородных связей и высокая аффинность связывания указывают на то, что ассоциация плантарицина с вирусной геликазой может служить блокирующим средством, предотвращая связывание одноцепочечной РНК с геликазой, что открывает путь для более глубоких исследований пробиотических метаболитов против SARS-CoV-2.

Таблица 4. Соответствующие вычислительные методы и инструменты биоинформатики для исследования антивирусных агентов и пробиотиков против SARS-CoV-2.

Рисунок 3. Структуры возможных вирусных белковых мишений и хозяйских белков-мишений могут быть ингибированы пробиотическими метаболитами для предотвращения SARS-CoV-2. Ангиотензинпревращающий фермент 2 (ACE2), локализующийся в клетках-хозяевах, является первичным рецептором входа SARS-CoV-2 в клетку для [174]; трансмембранная сериновая протеаза 2 (TMPRSS2), которая способствует активации вируса, представляет собой белок клеточной поверхности, экспрессируемый в дыхательных путях и желудочно-кишечном тракте [175]. SARS-CoV-2 требует наличия как ACE2, так и TMPRSS2 для проникновения в клетки [176]. Белок Spike (S) участвует в основном в распознавании рецепторов и проникновении вируса SARS-CoV-2 [177]; Папаиноподобная протеиназа (PL^pro) играет важную роль в расщеплении и созревании вирусных полипротеинов [178]; 3C-подобная основная протеаза (3CL^pro) играет ключевую роль в контроле репликации вируса [179]; РНК-зависимая РНК-полимераза (RdRp), вирусный фермент, участвует в репликации вирусной РНК в клетках-хозяевах [180]; Nsp13 представляет собой геликазу, требующую аденозинтрифосфата (АТФ) для перемещения и раскручивания РНК SARS-CoV-2 [181].

4.4. Тематическое исследование: метаболиты Lactobacillus plantarum как перспектива для COVID-19

Было доказано, что метаболиты Lactobacillus plantarum эффективны против SARS-CoV-2 [145, 147]. Среди вирусных белков-мишеней геликаза nsp13, неструктурный белок, высоко консервативный среди видов коронавирусов, играет решающую роль в репликации SARS-CoV-2 и считается отличной противовирусной мишенью [182, 183]. Примечательно, что антимикробный пептид плантарицин (PlnE и PlnF) из Lactobacillus plantarum Probio-88 продемонстрировал потенциальную противовирусную активность в отношении SARS-CoV-2 путем связывания либо с одноцепочечной РНК, либо с АТФ-связывающими сайтами хеликазы (сайт связывания АТФ - это среда, в которой АТФ каталитически активирует фермент и, как следствие, гидролизуется до АДФ. Связывание АТФ вызывает изменение конформации фермента, с которым он взаимодействует – ред.). [147]. Связывание PlnE и PlnF взаимодействовало и анализировалось отдельно с геликазой. Однако Кристиансен и др. показали, что PlnE и PlnF могут взаимодействовать антипараллельно, и их функции зависят от комплементарной активности [184,185]. Точно так же сообщалось, что PlnE и PlnF образуют спиральный пучок и располагаются в шахматном порядке [186]. Помимо структурной проблемы, предполагалось, что PlnEF присутствует парами для синергизма с антибиотиками против бактерий [187]. Эти результаты были опровергнуты экспериментальным планом в предыдущем исследовании. Таким образом, исследование было расширено, когда последовательности PlnE и PlnF использовались для реконструкции 3D-модели как единой структуры.

В этом тематическом исследовании перед моделированием PlnEF как целостной структуры был использован AlphaFold Colab [188] для создания предсказанных структур PlnE и PlnF по отдельности (рис. 4). AlphaFold Colab, блокнот Google Colab, позволяющий пользователям прогнозировать структуру белка, представляет собой упрощенную версию AlphaFold v2.1.0, разработанную DeepMind [188, 189]. Предсказанные структуры PlnE и PlnF, полученные из AlphaFold Colab и SWISS-MODEL, были наложены на шаблон с использованием PyMOL [190]. Значение RMSD между структурой AlphaFold Colab и шаблоном PlnE (идентификатор PDB: 2JUI) составляло 2,91 Å, тогда как SWISS-MODEL составляло 0,62 Å (таблица 5). Точно так же значение RMSD для шаблона AlphaFold Colab и PlnF (идентификатор PDB: 2RLW) составляло 1,75 Å; для SWISS-MODEL и шаблона это значение достигало 0,33 Å. Из-за меньшего значения RMSD предсказанные структуры PlnE и PlnF из SWISS-MODEL были выбраны для дальнейшего моделирования как единая структура (рис. 4). Можно объяснить более высокое среднеквадратичное отклонение между предсказанными структурами из AlphaFold Colab и шаблонами. Блокнот Colab не использует шаблоны или гомологичные структуры, что приводит к большему расхождению между полученными результатами и шаблонами [188].

Рисунок 4. Схематическое представление реконструкции PlnE и PlnF. Последовательность PlnE и PlnF моделировали отдельно с использованием сервера SWISS-MODEL и AlphaFold Colab с последующим наложением предсказанных структур с помощью шаблона PlnE (идентификатор PDB: 2JUI) и шаблона PlnF (идентификатор PDB: 2RLW). Структуры, предсказанные SWISS-MODEL, были выбраны для дальнейшего моделирования из-за более низкого значения RMSD для шаблонов по сравнению со структурами, предсказанными AlphaFold Colab. Подход моделирования гомологии был использован для восстановления PlnE и PlnF как единой структуры с использованием MODELLER v10.1. Наилучшая структура была использована для стыковки с геликазой nsp13 SARS-CoV-2 с использованием подхода белок-белковой стыковки (см. молекулярный докинг).

Таблица 5. Значения RMSD предсказанных структур PlanE и PlanE, смоделированных AlphaFold Colab и SWISS-MODEL, в сравнении друг с другом или с шаблонами.

Предсказанная структура PlnE и PlnF была смоделирована как единая структура с использованием MODELLER v10.1 [191]. Построенная модель PlnEF состоит из антипараллельного спирального пучка (рис. 4). Всего было создано 30 структур, и наилучшая структура определялась на основе кратчайшего расстояния между С- и N-концами PlnE и PlnF. Впоследствии обе построенные модели были состыкованы с геликазой nsp13 SARS-CoV-2 (идентификатор PDB: 6ZSL) с использованием HADDOCK 2.4 [173]. Несмотря на оценку HADDOCK, конформация связывания использовалась для определения потенциала связывания PlnE и PlnF с геликазой SARS-CoV-2. Среди трех верхних кластеров по результатам кластеризации HADDOCK один из состыкованных результатов означал критическую возможность PlnE и PlnF по отношению к АТФ связывающему сайту и одноцепочечной РНК хеликазы nsp13 SARS-CoV-2 (рис. 5а) с аффинностью связывания -19,3 ккал/моль. Сила связывания PlnEF с геликазой nsp13 SARS-CoV-2 составляет -1,9 ккал/моль и выше чем -3,4 ккал/моль у PlnE и PlnF, которые состыковывались отдельно (-17,4 ккал/моль и -15,6 ккал/моль, соответственно – ред.). [147]. PlnE и PlnF энергетически благоприятны для открытия полости в местах связывания как АТФ, так и одноцепочечной РНК (рис. 5b). Помимо того, что они дополняют друг друга структурно, они могут оказывать синергетический эффект, который может усилить аффинность связывания. Это дополнительно подтверждает наше ранее постулированное [147], согласно которому PlnE и PlnF потенциально могут служить блокаторами для предотвращения связывания АТФ и одноцепочечной РНК (оцРНК).

Рисунок 5. Молекулярная стыковка PlnEF с геликазой nsp13 SARS-CoV-2. PlnE (оранжевый) и PlnF (желтый) моделировались как единая структура с помощью MODELLER v10.1. (а) PlnEF был потенциально связан с разрезом сайта связывания оцРНК и АТФ. (b) связывание оцРНК и АТФ окрашено красным (Ser485, Lys146, Lys139, Tyr180, His230, Tyr198, Arg212, Pro335, Arg339, Asn516) и фиолетовым (Glu537, Arg567, Arg443, His290, Arg442, Asn265, Gly439, Lys288), соответственно.

5. Выводы

В борьбе с COVID-19 еще предстоит пройти долгий путь. Число случаев COVID-19 увеличивается ежедневно, несмотря на доступные вакцины и многочисленные кампании по иммунизации против SARS-CoV-2. Это ложится тяжелым бременем как на здоровье людей, так и на экономику. В этих обстоятельствах следует рассмотреть возможность использования пробиотиков в качестве дополнительной стратегии, помимо вакцин, для подавления COVID-19 из-за постулируемого противовирусного действия пробиотиков и их метаболитов. Кроме того, молекулярные механизмы пробиотиков могут дать новое представление о том, как пробиотики борются с инфекцией SARS-CoV-2. Используя значительные достижения в области биоинформатики и компьютерных исследований, можно понять молекулярное действие пробиотиков на SARS-CoV-2. Имеющиеся в настоящее время данные о пробиотиках, микробиоте человека, профиле здоровья и диете могут быть использованы в качестве ценных источников в части связанных с пробиотиками исследований против вирусов, включая SARS-CoV-2, наряду с двумя хорошо известными вычислительными подходами - подходом, основанным на микробиоме и ансамблевом подходе к стыковке (основанном на ансамбле малых молекул (молекулярный докинг) – ред.). Исследование, которое мы предоставили, раскрывает противовирусный потенциал метаболита Lactobacillus plantarum плантарицина (PlnE и PlnF) против SARS-CoV-2 nsp13 с использованием метода молекулярного докинга, что является примером, доказывающим возможность изучения молекулярного механизма пробиотиков против COVID-19. Таким образом, интеграция пробиотических данных с существующими вычислительными инструментами принесет значительную пользу исследованиям COVID-19.

Дополнительная информация:

• Микробиом и COVID-19
• COVID-19 и сопутствующие нарушения здоровья
• Питание пациентов и пробиотическая терапия при COVID-19
• Ферментированное молоко, обогащенное мёдом, и его польза для здоровья (в контексте COVID-19)
• Является ли микробиом кишечника мишенью для адъювантного лечения COVID-19?
• Пробиотики нового поколения и их метаболиты при COVID-19
• Без сероконверсии: Т-клетки сформировали иммунитет против COVID-19
• Применение пробиотиков при острых инфекциях дыхательных путей
• Иммунорегуляторная роль пробиотических микроорганизмов при легочных заболеваниях
• О важной роли диеты при коронавирусной инфекции
• Грипп и борьба с пневмококовой инфекцией с помощью микробиоты
• Вирусные инфекции, микробиом и пробиотики
• Связь между региональным статусом селена и исходами случаев COVID-19
• Дефицит селена связан с риском смертности от COVID-19

К разделу: Микробиота и ось кишечник-легкие

Литература

1. Gupta, S.D. Coronavirus Pandemic: A Serious Threat to Humanity. J. Health Manag. 2020, 22, 1–2. [Google Scholar] [CrossRef]
2. Anderson, R.M.; Vegvari, C.; Hollingsworth, T.D.; Pi, L.; Maddren, R.; Ng, C.W.; Baggaley, R.F. The SARS-CoV-2 pandemic: Remaining uncertainties in our understanding of the epidemiology and transmission dynamics of the virus, and challenges to be overcome. Interface Focus 2021, 11, 20210008. [Google Scholar] [CrossRef]
3. Meredith, S.; Towey, R. WHO Labels New COVID Strain, Named Omicron, a ‘Variant of Concern,’ Citing Possible Increased Reinfection Risk; CNBC: Englewood Cliffs, NJ, USA, 2021. [Google Scholar]
4. Cascella, M.; Rajnik, M.; Aleem, A.; Dulebohn, S.C.; Di Napoli, R. Features, Evaluation, and Treatment of Coronavirus (COVID-19). In StatPearls; StatPearls Publishing: Treasure Island, FL, USA, 2021. [Google Scholar]
5. Gao, Z.; Xu, Y.; Sun, C.; Wang, X.; Guo, Y.; Qiu, S.; Ma, K. A systematic review of asymptomatic infections with COVID-19. J. Microbiol. Immunol. Infect. 2021, 54, 12–16. [Google Scholar] [CrossRef] [PubMed]
6. Jiang, F.; Deng, L.; Zhang, L.; Cai, Y.; Cheung, C.W.; Xia, Z. Review of the Clinical Characteristics of Coronavirus Disease 2019 (COVID-19). J. Gen. Intern. Med. 2020, 35, 1545–1549. [Google Scholar] [CrossRef]
7. Shivakumar, S.; Smibert, O.C.; Trubiano, J.A.; Frauman, A.G.; Liew, D.F. Immunosuppression for COVID-19: Repurposing medicines in a pandemic. Aust. Prescr. 2020, 43, 106–107. [Google Scholar] [CrossRef]
8. Chen, Y.; Gu, S.; Chen, Y.; Lu, H.; Shi, D.; Guo, J.; Wu, W.R.; Yang, Y.; Li, Y.; Xu, K.J.; et al. Six-month follow-up of gut microbiota richness in patients with COVID-19. Gut 2021, 71, 222–225. [Google Scholar] [CrossRef]
9. Xu, K.; Cai, H.; Shen, Y.; Ni, Q.; Chen, Y.; Hu, S.; Li, J.; Wang, H.; Yu, L.; Huang, H.; et al. Management of corona virus disease-19 (COVID-19): The Zhejiang experience. J. Zhejiang Univ. Med. Sci. 2020, 49, 147–157. [Google Scholar]
10. Yahfoufi, N.; Mallet, J.F.; Graham, E.; Matar, C. Role of probiotics and prebiotics in immunomodulation. Curr. Opin. Food Sci. 2018, 20, 82–91. [Google Scholar] [CrossRef]
11. Plaza-Díaz, J.; Ruiz-Ojeda, F.J.; Vilchez-Padial, L.M.; Gil, A. Evidence of the Anti-Inflammatory Effects of Probiotics and Synbiotics in Intestinal Chronic Diseases. Nutrients 2017, 9, 555. [Google Scholar] [CrossRef]
12. Wang, Y.; Wu, Y.; Wang, Y.; Xu, H.; Mei, X.; Yu, D.; Wang, Y.; Li, W. Antioxidant Properties of Probiotic Bacteria. Nutrients 2017, 9, 521. [Google Scholar] [CrossRef]
13. Al Kassaa, I. Antiviral Probiotics: A New Concept in Medical Sciences. In New Insights on Antiviral Probiotics: From Research to Applications; Springer International Publishing: Cham, The Netherlands, 2017; pp. 1–46. [Google Scholar]
14. Mack, D. Probiotics-mixed messages. Can. Fam. Physician Med. Fam. Can. 2005, 51, 1455–1457, 1462. [Google Scholar]
15. Bezirtzoglou, E.; Stavropoulou, E. Immunology and probiotic impact of the newborn and young children intestinal microflora. Anaerobe 2011, 17, 369–374. [Google Scholar] [CrossRef] [PubMed]
16. Marinova, V.Y.; Rasheva, I.K.; Kizheva, Y.K.; Dermenzhieva, Y.D.; Hristova, P.K. Microbiological quality of probiotic dietary supplements. Biotechnol. Biotechnol. Equip. 2019, 33, 834–841. [Google Scholar] [CrossRef]
17. Salminen, S.J.; Gueimonde, M.; Isolauri, E. Probiotics that modify disease risk. J. Nutr. 2005, 135, 1294–1298. [Google Scholar] [CrossRef]
18. Mousavi Khaneghah, A.; Abhari, K.; Eş, I.; Soares, M.B.; Oliveira, R.B.A.; Hosseini, H.; Rezaei, M.; Balthazar, C.F.; Silva, R.; Cruz, A.G.; et al. Interactions between probiotics and pathogenic microorganisms in hosts and foods: A review. Trends Food Sci. Technol. 2020, 95, 205–218. [Google Scholar] [CrossRef]
19. Wan, L.Y.; Chen, Z.J.; Shah, N.P.; El-Nezami, H. Modulation of Intestinal Epithelial Defense Responses by Probiotic Bacteria. Crit. Rev. Food Sci. Nutr. 2016, 56, 2628–2641. [Google Scholar] [CrossRef]
20. Villena, J.; Shimosato, T.; Vizoso-Pinto, M.G.; Kitazawa, H. Editorial: Nutrition, Immunity and Viral Infections. Front. Nutr. 2020, 7, 125. [Google Scholar] [CrossRef]
21. Boutayeb, A. The Burden of Communicable and Non-Communicable Diseases in Developing Countries. In Handbook of Disease Burdens and Quality of Life Measures; Springer: Berlin/Heidelberg, Germany, 2010; Volume 100, pp. 532–545. [Google Scholar]
22. Rubin, R. COVID-19 Vaccines vs Variants—Determining How Much Immunity Is Enough. JAMA 2021, 325, 1241–1243. [Google Scholar] [CrossRef] [PubMed]
23. Lopez Bernal, J.; Andrews, N.; Gower, C.; Gallagher, E.; Simmons, R.; Thelwall, S.; Stowe, J.; Tessier, E.; Groves, N.; Dabrera, G.; et al. Effectiveness of COVID-19 Vaccines against the B.1.617.2 (Delta) Variant. N. Engl. J. Med. 2021, 385, 585–594. [Google Scholar] [CrossRef] [PubMed]
24. Ogunrinola, G.A.; Oyewale, J.O.; Oshamika, O.O.; Olasehinde, G.I. The Human Microbiome and Its Impacts on Health. Int. J. Microbiol. 2020, 2020, 8045646. [Google Scholar] [CrossRef]
25. Wang, B.; Yao, M.; Lv, L.; Ling, Z.; Li, L. The Human Microbiota in Health and Disease. Engineering 2017, 3, 71–82. [Google Scholar] [CrossRef]
26. Rajput, S.; Paliwal, D.; Naithani, M.; Kothari, A.; Meena, K.; Rana, S. COVID-19 and Gut Microbiota: A Potential Connection. Indian J. Clin. Biochem. IJCB 2021, 36, 1–12. [Google Scholar] [CrossRef] [PubMed]
27. Rodriguez, W.J.; Kim, H.W.; Brandt, C.D.; Bise, B.; Kapikian, A.Z.; Chanock, R.M.; Curlin, G.; Parrott, R.H. Rotavirus gastroenteritis in the Washington, DC, area: Incidence of cases resulting in admission to the hospital. Am. J. Dis. Child. 1980, 134, 777–779. [Google Scholar] [CrossRef]
28. Tate, J.E.; Burton, A.H.; Boschi-Pinto, C.; Parashar, U.D. Global, Regional, and National Estimates of Rotavirus Mortality in Children <5 Years of Age, 2000–2013. Clin. Infect. Dis. Off. Publ. Infect. Dis. Soc. Am. 2016, 62 (Suppl. 2), S96. [Google Scholar] [CrossRef] [PubMed]
29. Ma, C.; Wu, X.; Nawaz, M.; Li, J.; Yu, P.; Moore, J.E.; Xu, J. Molecular characterization of fecal microbiota in patients with viral diarrhea. Curr. Microbiol. 2011, 63, 259–266. [Google Scholar] [CrossRef] [PubMed]
30. Preidis, G.A.; Saulnier, D.M.; Blutt, S.E.; Mistretta, T.A.; Riehle, K.P.; Major, A.M.; Venable, S.F.; Barrish, J.P.; Finegold, M.J.; Petrosino, J.F.; et al. Host response to probiotics determined by nutritional status of rotavirus-infected neonatal mice. J. Pediatr. Gastroenterol. Nutr. 2012, 55, 299–307. [Google Scholar] [CrossRef]
31. Pant, N.; Marcotte, H.; Brüssow, H.; Svensson, L.; Hammarström, L. Effective prophylaxis against rotavirus diarrhea using a combination of Lactobacillus rhamnosus GG and antibodies. BMC Microbiol. 2007, 7, 86. [Google Scholar] [CrossRef]
32. Qiao, H.; Duffy, L.C.; Griffiths, E.; Dryja, D.; Leavens, A.; Rossman, J.; Rich, G.; Riepenhoff-Talty, M.; Locniskar, M. Immune responses in rhesus rotavirus-challenged BALB/c mice treated with bifidobacteria and prebiotic supplements. Pediatric Res. 2002, 51, 750–755. [Google Scholar] [CrossRef] [PubMed]
33. Muñoz, J.A.; Chenoll, E.; Casinos, B.; Bataller, E.; Ramón, D.; Genovés, S.; Montava, R.; Ribes, J.M.; Buesa, J.; Fàbrega, J.; et al. Novel probiotic Bifidobacterium longum subsp. infantis CECT 7210 strain active against rotavirus infections. Appl. Environ. Microbiol. 2011, 77, 8775–8783. [Google Scholar] [CrossRef]
34. Shu, Q.; Qu, F.; Gill, H.S. Probiotic Treatment Using Bifidobacterium lactis HN019 Reduces Weanling Diarrhea Associated with Rotavirus and Escherichia coli Infection in a Piglet Model. J. Pediatric Gastroenterol. Nutr. 2001, 33, 171–177. [Google Scholar] [CrossRef] [PubMed]
35. Liu, F.; Li, G.; Wen, K.; Wu, S.; Zhang, Y.; Bui, T.; Yang, X.; Kocher, J.; Sun, J.; Jortner, B.; et al. Lactobacillus rhamnosus GG on rotavirus-induced injury of ileal epithelium in gnotobiotic pigs. J. Pediatr. Gastroenterol. Nutr. 2013, 57, 750–758. [Google Scholar] [CrossRef]
36. Ang, L.; Arboleya, S.; Lihua, G.; Chuihui, Y.; Nan, Q.; Suarez, M.; Solís, G.; de los Reyes-Gavilán, C.G.; Gueimonde, M. The establishment of the infant intestinal microbiome is not affected by rotavirus vaccination. Sci. Rep. 2014, 4, 7417. [Google Scholar] [CrossRef]
37. García-López, R.; Pérez-Brocal, V.; Diez-Domingo, J.; Moya, A. Gut microbiota in children vaccinated with rotavirus vaccine. Pediatric Infect. Dis. J. 2012, 31, 1300–1302. [Google Scholar] [CrossRef] [PubMed]
38. Zhang, W.; Azevedo, M.; Wen, K.; Gonzalez, A.; Saif, L.; Li, G.; Yousef, A.; Yuan, L. Probiotic Lactobacillus acidophilus enhances the immunogenicity of an oral rotavirus vaccine in gnotobiotic pigs. Vaccine 2008, 26, 3655–3661. [Google Scholar] [CrossRef]
39. Vlasova, A.N.; Chattha, K.S.; Kandasamy, S.; Liu, Z.; Esseili, M.; Shao, L.; Rajashekara, G.; Saif, L.J. Lactobacilli and bifidobacteria promote immune homeostasis by modulating innate immune responses to human rotavirus in neonatal gnotobiotic pigs. PLoS ONE 2013, 8, e76962. [Google Scholar] [CrossRef]
40. Lehtoranta, L.; Pitkäranta, A.; Korpela, R. Probiotics in respiratory virus infections. Eur. J. Clin. Microbiol. Infect. Dis. Off. Publ. Eur. Soc. Clin. Microbiol. 2014, 33, 1289–1302. [Google Scholar] [CrossRef]
41. Jung, Y.J.; Lee, Y.T.; Ngo, V.L.; Cho, Y.H.; Ko, E.J.; Hong, S.M.; Kim, K.H.; Jang, J.H.; Oh, J.S.; Park, M.K.; et al. Heat-killed Lactobacillus casei confers broad protection against influenza A virus primary infection and develops heterosubtypic immunity against future secondary infection. Sci. Rep. 2017, 7, 17360. [Google Scholar] [CrossRef]
42. Smith, A.M.; Smith, A.P. A Critical, Nonlinear Threshold Dictates Bacterial Invasion and Initial Kinetics During Influenza. Sci. Rep. 2016, 6, 38703. [Google Scholar] [CrossRef]
43. Tate, M.D.; Schilter, H.C.; Brooks, A.G.; Reading, P.C. Responses of mouse airway epithelial cells and alveolar macrophages to virulent and avirulent strains of influenza A virus. Viral Immunol. 2011, 24, 77–88. [Google Scholar] [CrossRef]
44. Harata, G.; He, F.; Hiruta, N.; Kawase, M.; Kubota, A.; Hiramatsu, M.; Yausi, H. Intranasal administration of Lactobacillus rhamnosus GG protects mice from H1N1 influenza virus infection by regulating respiratory immune responses. Lett. Appl. Microbiol. 2010, 50, 597–602. [Google Scholar] [CrossRef]
45. Izumo, T.; Maekawa, T.; Ida, M.; Noguchi, A.; Kitagawa, Y.; Shibata, H.; Yasui, H.; Kiso, Y. Effect of intranasal administration of Lactobacillus pentosus S-PT84 on influenza virus infection in mice. Int. Immunopharmacol. 2010, 10, 1101–1106. [Google Scholar] [CrossRef]
46. Hori, T.; Kiyoshima, J.; Shida, K.; Yasui, H. Effect of intranasal administration of Lactobacillus casei Shirota on influenza virus infection of upper respiratory tract in mice. Clin. Diagn. Lab. Immunol. 2001, 8, 593–597. [Google Scholar] [CrossRef]
47. Yeo, J.M.; Lee, H.J.; Kim, J.W.; Lee, J.B.; Park, S.Y.; Choi, I.S.; Song, C.S. Lactobacillus fermentum CJL-112 protects mice against influenza virus infection by activating T-helper 1 and eliciting a protective immune response. Int. Immunopharmacol. 2014, 18, 50–54. [Google Scholar] [CrossRef]
48. Kikuchi, Y.; Kunitoh-Asari, A.; Hayakawa, K.; Imai, S.; Kasuya, K.; Abe, K.; Adachi, Y.; Fukudome, S.; Takahashi, Y.; Hachimura, S. Oral administration of Lactobacillus plantarum strain AYA enhances IgA secretion and provides survival protection against influenza virus infection in mice. PLoS ONE 2014, 9, e86416. [Google Scholar] [CrossRef]
49. Kobayashi, N.; Saito, T.; Uematsu, T.; Kishi, K.; Toba, M.; Kohda, N.; Suzuki, T. Oral administration of heat-killed Lactobacillus pentosus strain b240 augments protection against influenza virus infection in mice. Int. Immunopharmacol. 2011, 11, 199–203. [Google Scholar] [CrossRef]
50. Groeger, D.; Schiavi, E.; Grant, R.; Kurnik-Łucka, M.; Michalovich, D.; Williamson, R.; Beinke, S.; Kiely, B.; Akdis, C.; Hessel, E.; et al. Intranasal Bifidobacterium longum protects against viral-induced lung inflammation and injury in a murine model of lethal influenza infection. EBioMedicine 2020, 60, 102981. [Google Scholar] [CrossRef]
51. Groves, H.T.; Higham, S.L.; Moffatt, M.F.; Cox, M.J.; Tregoning, J.S.; Bomberger, J.M. Respiratory Viral Infection Alters the Gut Microbiota by Inducing Inappetence. mBio 2020, 11, e03236-19. [Google Scholar] [CrossRef]
52. Harding, J.N.; Siefker, D.; Vu, L.; You, D.; DeVincenzo, J.; Pierre, J.F.; Cormier, S.A. Altered gut microbiota in infants is associated with respiratory syncytial virus disease severity. BMC Microbiol. 2020, 20, 140. [Google Scholar] [CrossRef]
53. Collins, P.L.; Melero, J.A. Progress in understanding and controlling respiratory syncytial virus: Still crazy after all these years. Virus Res. 2011, 162, 80–99. [Google Scholar] [CrossRef]
54. Shi, T.; McAllister, D.A.; O’Brien, K.L.; Simoes, E.A.F.; Madhi, S.A.; Gessner, B.D.; Polack, F.P.; Balsells, E.; Acacio, S.; Aguayo, C.; et al. Global, regional, and national disease burden estimates of acute lower respiratory infections due to respiratory syncytial virus in young children in 2015: A systematic review and modelling study. Lancet (Lond. Engl.) 2017, 390, 946–958. [Google Scholar] [CrossRef]
55. Eguchi, K.; Fujitani, N.; Nakagawa, H.; Miyazaki, T. Prevention of respiratory syncytial virus infection with probiotic lactic acid bacterium Lactobacillus gasseri SBT2055. Sci. Rep. 2019, 9, 4812. [Google Scholar] [CrossRef]
56. Chiba, E.; Tomosada, Y.; Vizoso-Pinto, M.G.; Salva, S.; Takahashi, T.; Tsukida, K.; Kitazawa, H.; Alvarez, S.; Villena, J. Immunobiotic Lactobacillus rhamnosus improves resistance of infant mice against respiratory syncytial virus infection. Int. Immunopharmacol. 2013, 17, 373–382. [Google Scholar] [CrossRef] [PubMed]
57. Tomosada, Y.; Chiba, E.; Zelaya, H.; Takahashi, T.; Tsukida, K.; Kitazawa, H.; Alvarez, S.; Villena, J. Nasally administered Lactobacillus rhamnosus strains differentially modulate respiratory antiviral immune responses and induce protection against respiratory syncytial virus infection. BMC Immunol. 2013, 14, 40. [Google Scholar] [CrossRef]
58. Ni, W.; Yang, X.; Yang, D.; Bao, J.; Li, R.; Xiao, Y.; Hou, C.; Wang, H.; Liu, J.; Yang, D.; et al. Role of angiotensin-converting enzyme 2 (ACE2) in COVID-19. Crit. Care 2020, 24, 422. [Google Scholar] [CrossRef] [PubMed]
59. Smyk, W.; Janik, M.K.; Portincasa, P.; Milkiewicz, P.; Lammert, F.; Krawczyk, M. COVID-19: Focus on the lungs but do not forget the gastrointestinal tract. Eur. J. Clin. Investig. 2020, 50, e13276. [Google Scholar] [CrossRef] [PubMed]
60. Jones, D.L.; Baluja, M.Q.; Graham, D.W.; Corbishley, A.; McDonald, J.E.; Malham, S.K.; Hillary, L.S.; Connor, T.R.; Gaze, W.H.; Moura, I.B.; et al. Shedding of SARS-CoV-2 in feces and urine and its potential role in person-to-person transmission and the environment-based spread of COVID-19. Sci. Total Environ. 2020, 749, 141364. [Google Scholar] [CrossRef]
61. Dang, A.T.; Marsland, B.J. Microbes, metabolites, and the gut-lung axis. Mucosal Immunol. 2019, 12, 843–850. [Google Scholar] [CrossRef] [PubMed]
62. Thursby, E.; Juge, N. Introduction to the human gut microbiota. Biochem. J. 2017, 474, 1823–1836. [Google Scholar] [CrossRef] [PubMed]
63. Fanos, V.; Pintus, M.C.; Pintus, R.; Marcialis, M. Lung microbiota in the acute respiratory disease: From coronavirus to metabolomics. J. Pediatric Neonatal Individ. Med. 2020, 9, e090139. [Google Scholar] [CrossRef]
64. Wypych, T.P.; Wickramasinghe, L.C.; Marsland, B.J. The influence of the microbiome on respiratory health. Nat. Immunol. 2019, 20, 1279–1290. [Google Scholar] [CrossRef] [PubMed]
65. Carding, S.; Verbeke, K.; Vipond, D.T.; Corfe, B.M.; Owen, L.J. Dysbiosis of the gut microbiota in disease. Microb. Ecol. Health Dis. 2015, 26, 26191. [Google Scholar] [CrossRef]
66. Raftery, A.L.; Tsantikos, E.; Harris, N.L.; Hibbs, M.L. Links between Inflammatory Bowel Disease and Chronic Obstructive Pulmonary Disease. Front. Immunol. 2020, 11, 2144. [Google Scholar] [CrossRef] [PubMed]
67. Gu, S.; Chen, Y.; Wu, Z.; Chen, Y.; Gao, H.; Lv, L.; Guo, F.; Zhang, X.; Luo, R.; Huang, C.; et al. Alterations of the Gut Microbiota in Patients With Coronavirus Disease 2019 or H1N1 Influenza. Clin. Infect. Dis. Off. Publ. Infect. Dis. Soc. Am. 2020, 71, 2669–2678. [Google Scholar] [CrossRef]
68. Yeoh, Y.K.; Zuo, T. Gut microbiota composition reflects disease severity and dysfunctional immune responses in patients with COVID-19. Gut 2021, 70, 698–706. [Google Scholar] [CrossRef] [PubMed]
69. Zuo, T.; Liu, Q.; Zhang, F.; Lui, G.C.-Y.; Tso, E.Y.K.; Yeoh, Y.K.; Chen, Z.; Boon, S.S.; Chan, F.K.L.; Chan, P.K.S.; et al. Depicting SARS-CoV-2 faecal viral activity in association with gut microbiota composition in patients with COVID-19. Gut 2021, 70, 276. [Google Scholar] [CrossRef]
70. Yamamoto, S.; Saito, M.; Tamura, A.; Prawisuda, D.; Mizutani, T.; Yotsuyanagi, H. The human microbiome and COVID-19: A systematic review. PLoS ONE 2021, 16, e0253293. [Google Scholar] [CrossRef] [PubMed]
71. Zuo, T.; Zhang, F.; Lui, G.C.Y.; Yeoh, Y.K.; Li, A.Y.L.; Zhan, H.; Wan, Y.; Chung, A.C.K.; Cheung, C.P.; Chen, N.; et al. Alterations in Gut Microbiota of Patients With COVID-19 During Time of Hospitalization. Gastroenterology 2020, 159, 944–955.e948. [Google Scholar] [CrossRef]
72. Geva-Zatorsky, N.; Sefik, E.; Kua, L.; Pasman, L.; Tan, T.G.; Ortiz-Lopez, A.; Yanortsang, T.B.; Yang, L.; Jupp, R.; Mathis, D.; et al. Mining the Human Gut Microbiota for Immunomodulatory Organisms. Cell 2017, 168, 928–943.e911. [Google Scholar] [CrossRef]
73. Tang, L.; Gu, S.; Gong, Y.; Li, B.; Lu, H.; Li, Q.; Zhang, R.; Gao, X.; Wu, Z.; Zhang, J.; et al. Clinical Significance of the Correlation between Changes in the Major Intestinal Bacteria Species and COVID-19 Severity. Engineering 2020, 6, 1178–1184. [Google Scholar] [CrossRef]
74. Fan, J.; Li, X.; Gao, Y.; Zhou, J.; Wang, S.; Huang, B.; Wu, J.; Cao, Q.; Chen, Y.; Wang, Z.; et al. The lung tissue microbiota features of 20 deceased patients with COVID-19. J. Infect. 2020, 81, e64–e67. [Google Scholar] [CrossRef]
75. Smythies, L.E.; Sellers, M.; Clements, R.H.; Mosteller-Barnum, M.; Meng, G.; Benjamin, W.H.; Orenstein, J.M.; Smith, P.D. Human intestinal macrophages display profound inflammatory anergy despite avid phagocytic and bacteriocidal activity. J. Clin. Investig. 2005, 115, 66–75. [Google Scholar] [CrossRef]
76. Grayson, M.H.; Camarda, L.E.; Hussain, S.-R.A.; Zemple, S.J.; Hayward, M.; Lam, V.; Hunter, D.A.; Santoro, J.L.; Rohlfing, M.; Cheung, D.S.; et al. Intestinal Microbiota Disruption Reduces Regulatory T Cells and Increases Respiratory Viral Infection Mortality Through Increased IFNγ Production. Front. Immunol. 2018, 9, 1587. [Google Scholar] [CrossRef]
77. Zafar, N.; Aslam, M.; Ali, A.; Khatoon, A.; Nazir, A.; Tanveer, Q.; Bilal, M.; Kanwar, R.; Qadeer, A.; Sikandar, M.; et al. Probiotics: Helpful for the prevention of COVID-19? Biomed. Res. Ther. 2020, 7, 4086–4099. [Google Scholar] [CrossRef]
78. Raghuvanshi, R.; Grayson, A.G.; Schena, I.; Amanze, O.; Suwintono, K.; Quinn, R.A. Microbial Transformations of Organically Fermented Foods. Metabolites 2019, 9, 165. [Google Scholar] [CrossRef] [PubMed]
79. Hill, C.; Guarner, F.; Reid, G.; Gibson, G.R.; Merenstein, D.J.; Pot, B.; Morelli, L.; Canani, R.B.; Flint, H.J.; Salminen, S.; et al. The International Scientific Association for Probiotics and Prebiotics consensus statement on the scope and appropriate use of the term probiotic. Nat. Rev. Gastroenterol. Hepatol. 2014, 11, 506–514. [Google Scholar] [CrossRef] [PubMed]
80. Kligler, B.; Cohrssen, A. Probiotics. Am. Fam. Physician 2008, 78, 1073–1078. [Google Scholar]
81. Snydman, D.R. The safety of probiotics. Clin. Infect. Dis. Off. Publ. Infect. Dis. Soc. Am. 2008, 46 (Suppl. 2), S104–S111; discussion S144–S151. [Google Scholar] [CrossRef]
82. Gueimonde, M.; Ouwehand, A.C.; Salminen, S. Safety of probiotics. Scand. J. Nutr. 2004, 48, 42–48. [Google Scholar] [CrossRef]
83. Sanders, M.E.; Akkermans, L.M.; Haller, D.; Hammerman, C.; Heimbach, J.; Hörmannsperger, G.; Huys, G.; Levy, D.D.; Lutgendorff, F.; Mack, D.; et al. Safety assessment of probiotics for human use. Gut Microbes 2010, 1, 164–185. [Google Scholar] [CrossRef] [PubMed]
84. Batista, K.S.; de Albuquerque, J.G.; de Vasconcelos, M.H.A.; Bezerra, M.L.R.; da Silva Barbalho, M.B.; Oliveira, R.P.; Aquino, J.d.S. Probiotics and prebiotics: Potential prevention and therapeutic target for nutritional management of COVID-19? Nutr. Res. Rev. 2021, 1–42. [Google Scholar] [CrossRef] [PubMed]
85. Akour, A. Probiotics and COVID-19: Is there any link? Lett. Appl. Microbiol. 2020, 71, 229–234. [Google Scholar] [CrossRef] [PubMed]
86. Dhar, D.; Mohanty, A. Gut microbiota and COVID-19- possible link and implications. Virus Res. 2020, 285, 198018. [Google Scholar] [CrossRef] [PubMed]
87. Li, Q.; Cheng, F.; Xu, Q.; Su, Y.; Cai, X.; Zeng, F.; Zhang, Y. The role of probiotics in coronavirus disease-19 infection in Wuhan: A retrospective study of 311 severe patients. Int. Immunopharmacol. 2021, 95, 107531. [Google Scholar] [CrossRef] [PubMed]
88. Gutiérrez-Castrellón, P.; Gandara-Martí, T.; Abreu, A.T.; Nieto-Rufino, C.D.; López-Orduña, E.; Jiménez-Escobar, I.; Jiménez-Gutiérrez, C.; López-Velazquez, G.; Espadaler-Mazo, J. Efficacy and safety of novel probiotic formulation in adult Covid19 outpatients: A randomized, placebo-controlled clinical trial. medRxiv 2021. [Google Scholar] [CrossRef]
89. Bousquet, J.; Antó, J.; Czarlewski, W.; Haahtela, T.; Fonseca, S.; Iaccarino, G.; Blain, H.; Vidal, A.; Sheikh, A.; Akdis, C.; et al. Cabbage and fermented vegetables: From death rate heterogeneity in countries to candidates for mitigation strategies of severe COVID-19. Allergy 2020, 76, 735–750. [Google Scholar] [CrossRef]
90. Hemarajata, P.; Versalovic, J. Effects of probiotics on gut microbiota: Mechanisms of intestinal immunomodulation and neuromodulation. Therap. Adv. Gastroenterol. 2013, 6, 39–51. [Google Scholar] [CrossRef]
91. Cho, I.; Blaser, M.J. The human microbiome: At the interface of health and disease. Nat. Rev. Genet. 2012, 13, 260–270. [Google Scholar] [CrossRef]
92. Eetemadi, A.; Rai, N.; Pereira, B.M.P.; Kim, M.; Schmitz, H.; Tagkopoulos, I. The Computational Diet: A Review of Computational Methods Across Diet, Microbiome, and Health. Front. Microbiol. 2020, 11, 393. [Google Scholar] [CrossRef]
93. Satokari, R. Modulation of Gut Microbiota for Health by Current and Next-Generation Probiotics. Nutrients 2019, 11, 1921. [Google Scholar] [CrossRef]
94. Singh, R.; Chang, H.-W.; Yan, D.; Lee, K.; Ucmak, D.; Wong, K.; Abrouk, M.; Farahnik, B.; Nakamura, M.; Zhu, T.; et al. Influence of diet on the gut microbiome and implications for human health. J. Transl. Med. 2017, 15, 73. [Google Scholar] [CrossRef]
95. Walker, A.; Pfitzner, B.; Neschen, S.; Kahle, M.; Harir, M.; Lucio, M.; Moritz, F.; Tziotis, D.; Witting, M.; Rothballer, M.; et al. Distinct signatures of host-microbial meta-metabolome and gut microbiome in two C57BL/6 strains under high-fat diet. ISME J. 2014, 8, 2380–2396. [Google Scholar] [CrossRef] [PubMed]
96. Zhang, X.; Deeke, S.A.; Ning, Z.; Starr, A.E.; Butcher, J.; Li, J.; Mayne, J.; Cheng, K.; Liao, B.; Li, L.; et al. Metaproteomics reveals associations between microbiome and intestinal extracellular vesicle proteins in pediatric inflammatory bowel disease. Nat. Commun. 2018, 9, 2873. [Google Scholar] [CrossRef] [PubMed]
97. Lavelle, A.; Sokol, H. Gut microbiota: Beyond metagenomics, metatranscriptomics illuminates microbiome functionality in IBD. Nature reviews. Gastroenterol. Hepatol. 2018, 15, 193–194. [Google Scholar] [CrossRef]
98. Wang, W.L.; Xu, S.Y.; Ren, Z.G.; Tao, L.; Jiang, J.W.; Zheng, S.S. Application of metagenomics in the human gut microbiome. World J. Gastroenterol. 2015, 21, 803–814. [Google Scholar] [CrossRef] [PubMed]
99. Shim, J.S.; Oh, K.; Kim, H.C. Dietary assessment methods in epidemiologic studies. Epidemiol. Health 2014, 36, e2014009. [Google Scholar] [CrossRef] [PubMed]
100. Peterson, J.; Garges, S.; Giovanni, M.; McInnes, P.; Wang, L.; Schloss, J.A.; Bonazzi, V.; McEwen, J.E.; Wetterstrand, K.A.; Deal, C.; et al. The NIH Human Microbiome Project. Genome Res. 2009, 19, 2317–2323. [Google Scholar] [CrossRef] [PubMed]
101. Cheng, L.; Qi, C.; Zhuang, H.; Fu, T.; Zhang, X. gutMDisorder: A comprehensive database for dysbiosis of the gut microbiota in disorders and interventions. Nucleic Acids Res. 2019, 48, D554–D560. [Google Scholar] [CrossRef]
102. Li, L.; Jing, Q.; Yan, S.; Liu, X.; Sun, Y.; Zhu, D.; Wang, D.; Hao, C.; Xue, D. Amadis: A Comprehensive Database for Association Between Microbiota and Disease. Front. Physiol. 2021, 12, 697059. [Google Scholar] [CrossRef] [PubMed]
103. Hiseni, P.; Rudi, K.; Wilson, R.C.; Hegge, F.T.; Snipen, L. HumGut: A comprehensive human gut prokaryotic genomes collection filtered by metagenome data. Microbiome 2021, 9, 165. [Google Scholar] [CrossRef]
104. Chen, Y.-A.; Park, J.; Natsume-Kitatani, Y.; Kawashima, H.; Mohsen, A.; Hosomi, K.; Tanisawa, K.; Ohno, H.; Konishi, K.; Murakami, H.; et al. MANTA, an integrative database and analysis platform that relates microbiome and phenotypic data. PLoS ONE 2020, 15, e0243609. [Google Scholar] [CrossRef]
105. King, C.H.; Desai, H.; Sylvetsky, A.C.; LoTempio, J.; Ayanyan, S.; Carrie, J.; Crandall, K.A.; Fochtman, B.C.; Gasparyan, L.; Gulzar, N.; et al. Baseline human gut microbiota profile in healthy people and standard reporting template. PLoS ONE 2019, 14, e0206484. [Google Scholar] [CrossRef]
106. Friede, A.; Reid, J.A.; Ory, H.W. CDC WONDER: A comprehensive on-line public health information system of the Centers for Disease Control and Prevention. Am. J. Public Health 1993, 83, 1289–1294. [Google Scholar] [CrossRef]
107. Imhann, F.; Van der Velde, K.J.; Barbieri, R.; Alberts, R.; Voskuil, M.D.; Vich Vila, A.; Collij, V.; Spekhorst, L.M.; Van der Sloot, K.W.J.; Peters, V.; et al. The 1000IBD project: Multi-omics data of 1000 inflammatory bowel disease patients; data release 1. BMC Gastroenterol. 2019, 19, 5. [Google Scholar] [CrossRef]
108. Freifeld, C.C.; Mandl, K.D.; Reis, B.Y.; Brownstein, J.S. HealthMap: Global Infectious Disease Monitoring through Automated Classification and Visualization of Internet Media Reports. J. Am. Med. Inform. Assoc. 2008, 15, 150–157. [Google Scholar] [CrossRef]
109. Kim, S.K.; Guevarra, R.B.; Kim, Y.T.; Kwon, J.; Kim, H.; Cho, J.H.; Kim, H.B.; Lee, J.H. Role of Probiotics in Human Gut Microbiome-Associated Diseases. J. Microbiol. Biotechnol. 2019, 29, 1335–1340. [Google Scholar] [CrossRef] [PubMed]
110. Ursell, L.K.; Metcalf, J.L.; Parfrey, L.W.; Knight, R. Defining the human microbiome. Nutr. Rev. 2012, 70 (Suppl. 1), S38–S44. [Google Scholar] [CrossRef] [PubMed]
111. Shreiner, A.B.; Kao, J.Y.; Young, V.B. The gut microbiome in health and in disease. Curr. Opin. Gastroenterol. 2015, 31, 69–75. [Google Scholar] [CrossRef] [PubMed]
112. Segata, N.; Waldron, L.; Ballarini, A.; Narasimhan, V.; Jousson, O.; Huttenhower, C. Metagenomic microbial community profiling using unique clade-specific marker genes. Nat. Methods 2012, 9, 811–814. [Google Scholar] [CrossRef]
113. Meyer, F.; Paarmann, D.; D’Souza, M.; Olson, R.; Glass, E.M.; Kubal, M.; Paczian, T.; Rodriguez, A.; Stevens, R.; Wilke, A.; et al. The metagenomics RAST server—A public resource for the automatic phylogenetic and functional analysis of metagenomes. BMC Bioinform. 2008, 9, 386. [Google Scholar] [CrossRef]
114. Li, D.; Liu, C.-M.; Luo, R.; Sadakane, K.; Lam, T.-W. MEGAHIT: An ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph. Bioinformatics 2015, 31, 1674–1676. [Google Scholar] [CrossRef]
115. Franzosa, E.A.; McIver, L.J.; Rahnavard, G.; Thompson, L.R.; Schirmer, M.; Weingart, G.; Lipson, K.S.; Knight, R.; Caporaso, J.G.; Segata, N.; et al. Species-level functional profiling of metagenomes and metatranscriptomes. Nat. Methods 2018, 15, 962–968. [Google Scholar] [CrossRef] [PubMed]
116. Kuczynski, J.; Stombaugh, J.; Walters, W.A.; González, A.; Caporaso, J.G.; Knight, R. Using QIIME to analyze 16S rRNA gene sequences from microbial communities. Curr. Protoc. Bioinform. 2011, 10, 17. [Google Scholar] [CrossRef]
117. Schloss, P.D.; Westcott, S.L.; Ryabin, T.; Hall, J.R.; Hartmann, M.; Hollister, E.B.; Lesniewski, R.A.; Oakley, B.B.; Parks, D.H.; Robinson, C.J.; et al. Introducing mothur: Open-source, platform-independent, community-supported software for describing and comparing microbial communities. Appl. Environ. Microbiol. 2009, 75, 7537–7541. [Google Scholar] [CrossRef] [PubMed]
118. Bankevich, A.; Nurk, S.; Antipov, D.; Gurevich, A.A.; Dvorkin, M.; Kulikov, A.S.; Lesin, V.M.; Nikolenko, S.I.; Pham, S.; Prjibelski, A.D.; et al. SPAdes: A new genome assembly algorithm and its applications to single-cell sequencing. J. Comput. Biol. J. Comput. Mol. Cell Biol. 2012, 19, 455–477. [Google Scholar] [CrossRef] [PubMed]
119. Luo, R.; Liu, B.; Xie, Y.; Li, Z.; Huang, W.; Yuan, J.; He, G.; Chen, Y.; Pan, Q.; Liu, Y.; et al. Erratum: SOAPdenovo2: An empirically improved memory-efficient short-read de novo assembler. GigaScience 2015, 4, 30. [Google Scholar] [CrossRef]
120. Westreich, S.T.; Treiber, M.L.; Mills, D.A.; Korf, I.; Lemay, D.G. SAMSA2: A standalone metatranscriptome analysis pipeline. BMC Bioinform. 2018, 19, 175. [Google Scholar] [CrossRef] [PubMed]
121. Milanese, A.; Mende, D.R.; Paoli, L.; Salazar, G.; Ruscheweyh, H.-J.; Cuenca, M.; Hingamp, P.; Alves, R.; Costea, P.I.; Coelho, L.P.; et al. Microbial abundance, activity and population genomic profiling with mOTUs2. Nat. Commun. 2019, 10, 1014. [Google Scholar] [CrossRef]
122. Zhang, H.; Ai, J.W.; Yang, W.; Zhou, X.; He, F.; Xie, S.; Zeng, W.; Li, Y.; Yu, Y.; Gou, X.; et al. Metatranscriptomic Characterization of Coronavirus Disease 2019 Identified a Host Transcriptional Classifier Associated With Immune Signaling. Clin. Infect. Dis. 2021, 73, 376–385. [Google Scholar] [CrossRef] [PubMed]
123. Shen, Z.; Xiao, Y.; Kang, L.; Ma, W.; Shi, L.; Zhang, L.; Zhou, Z.; Yang, J.; Zhong, J.; Yang, D.; et al. Genomic Diversity of Severe Acute Respiratory Syndrome-Coronavirus 2 in Patients With Coronavirus Disease 2019. Clin. Infect. Dis. Off. Publ. Infect. Dis. Soc. Am. 2020, 71, 713–720. [Google Scholar] [CrossRef]
124. Mohs, R.C.; Greig, N.H. Drug discovery and development: Role of basic biological research. Alzheimer’s Dement. (N. Y.) 2017, 3, 651–657. [Google Scholar] [CrossRef]
125. Dibyajyoti, S.; Bin, E.T.; Swati, P.P. Bioinformatics:The effects on the cost of drug discovery. Galle Med. J. 2013, 18, 44. [Google Scholar] [CrossRef]
126. Osakwe, O. The Significance of Discovery Screening and Structure Optimization Studies. In Social Aspects of Drug Discovery, Development and Commercialization; Academic Press: Cambridge, MA, USA, 2016; pp. 109–128. [Google Scholar]
127. Clark, D.E. What has computer-aided molecular design ever done for drug discovery? Expert Opin. Drug Discov. 2006, 1, 103–110. [Google Scholar] [CrossRef] [PubMed]
128. Kirchmair, J.; Distinto, S.; Liedl, K.R.; Markt, P.; Rollinger, J.M.; Schuster, D.; Spitzer, G.M.; Wolber, G. Development of anti-viral agents using molecular modeling and virtual screening techniques. Infect. Disord. Drug Targets 2011, 11, 64–93. [Google Scholar] [CrossRef] [PubMed]
129. Kumar, V.; Chandra, S.; Siddiqi, M.I. Recent advances in the development of antiviral agents using computer-aided structure based approaches. Curr. Pharm. Des. 2014, 20, 3488–3499. [Google Scholar] [CrossRef]
130. Selvaraj, G.F.; Piramanayagam, S.; Devadasan, V.; Hassan, S.; Krishnasamy, K.; Srinivasan, S. Computational analysis of drug like candidates against Neuraminidase of Human Influenza A virus subtypes. Inform. Med. Unlocked 2020, 18. [Google Scholar] [CrossRef]
131. Mallipeddi, P.L.; Kumar, G.; White, S.W.; Webb, T.R. Recent advances in computer-aided drug design as applied to anti-influenza drug discovery. Curr. Top. Med. Chem. 2014, 14, 1875–1889. [Google Scholar] [CrossRef] [PubMed]
132. Mottin, M.; Borba, J.; Melo-Filho, C.; Neves, B.; Muratov, E.; Torres, P.; Braga, R.; Perryman, A.; Ekins, S.; Andrade, C. Computational Drug Discovery for the Zika Virus. Braz. J. Pharm. Sci. 2018, 54, e01002. [Google Scholar] [CrossRef]
133. Tahir ul Qamar, M.; Maryam, A.; Muneer, I.; Xing, F.; Ashfaq, U.A.; Khan, F.A.; Anwar, F.; Geesi, M.H.; Khalid, R.R.; Rauf, S.A.; et al. Computational screening of medicinal plant phytochemicals to discover potent pan-serotype inhibitors against dengue virus. Sci. Rep. 2019, 9, 1433. [Google Scholar] [CrossRef]
134. Alizon, S.; Cazals, F.; Guindon, S.; Lemaitre, C.; Mary-Huard, T.; Niarakis, A.; Salson, M.; Scornavacca, C.; Touzet, H. SARS-CoV-2 Through the Lens of Computational Biology: How Bioinformatics Is Playing a Key Role in the Study of the Virus and Its Origins; CNRS: Paris, France, 2021. [Google Scholar]
135. Mhatre, S.; Naik, S.; Patravale, V. A molecular docking study of EGCG and theaflavin digallate with the druggable targets of SARS-CoV-2. Comput. Biol. Med. 2021, 129, 104137. [Google Scholar] [CrossRef]
136. Kim, S.; Chen, J.; Cheng, T.; Gindulyte, A.; He, J.; He, S.; Li, Q.; Shoemaker, B.; Thiessen, P.; Yu, B.; et al. PubChem 2019 update: Improved access to chemical data. Nucleic Acids Res. 2018, 47, D1102–D1109. [Google Scholar] [CrossRef]
137. Irwin, J.J.; Shoichet, B.K. ZINC—a free database of commercially available compounds for virtual screening. J. Chem. Inf. Modeling 2005, 45, 177–182. [Google Scholar] [CrossRef]
138. Morris, G.M.; Goodsell, D.S.; Halliday, R.S.; Huey, R.; Hart, W.E.; Belew, R.K.; Olson, A.J. Automated docking using a Lamarckian genetic algorithm and an empirical binding free energy function. J. Comput. Chem. 1998, 19, 1639–1662. [Google Scholar] [CrossRef]
139. Trott, O.; Olson, A.J. AutoDock Vina: Improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J. Comput. Chem. 2010, 31, 455–461. [Google Scholar] [CrossRef]
140. Rarey, M.; Kramer, B.; Lengauer, T.; Klebe, G. A fast flexible docking method using an incremental construction algorithm. J. Mol. Biol. 1996, 261, 470–489. [Google Scholar] [CrossRef]
141. Friesner, R.A.; Banks, J.L.; Murphy, R.B.; Halgren, T.A.; Klicic, J.J.; Mainz, D.T.; Repasky, M.P.; Knoll, E.H.; Shelley, M.; Perry, J.K.; et al. Glide: A new approach for rapid, accurate docking and scoring. 1. Method and assessment of docking accuracy. J. Med. Chem. 2004, 47, 1739–1749. [Google Scholar] [CrossRef] [PubMed]
142. Vardhan, S.; Sahoo, S.K. In silico ADMET and molecular docking study on searching potential inhibitors from limonoids and triterpenoids for COVID-19. Comput. Biol. Med. 2020, 124, 103936. [Google Scholar] [CrossRef] [PubMed]
143. Suručić, R.; Tubić, B.; Stojiljković, M.P.; Djuric, D.M.; Travar, M.; Grabež, M.; Šavikin, K.; Škrbić, R. Computational study of pomegranate peel extract polyphenols as potential inhibitors of SARS-CoV-2 virus internalization. Mol. Cell. Biochem. 2021, 476, 1179–1193. [Google Scholar] [CrossRef]
144. Yu, R.; Chen, L.; Lan, R.; Shen, R.; Li, P. Computational screening of antagonists against the SARS-CoV-2 (COVID-19) coronavirus by molecular docking. Int. J. Antimicrob. Agents 2020, 56, 106012. [Google Scholar] [CrossRef] [PubMed]
145. Anwar, F.; Altayb, H.N.; Al-Abbasi, F.A.; Al-Malki, A.L.; Kamal, M.A.; Kumar, V. Antiviral effects of probiotic metabolites on COVID-19. J. Biomol. Struct. Dyn. 2021, 39, 4175–4184. [Google Scholar] [CrossRef]
146. Balmeh, N.; Mahmoudi, S.; Fard, N.A. Manipulated bio antimicrobial peptides from probiotic bacteria as proposed drugs for COVID-19 disease. Inform. Med. Unlocked 2021, 23, 100515. [Google Scholar] [CrossRef]
147. Rather, I.; Choi, S.B.; Kamli, M.; Hakeem, K.; Sabir, J.; Park, Y.-H.; Hor, Y.-Y.; Leitão, J. Potential Adjuvant Therapeutic Effect of Lactobacillus plantarum Probio-88 Postbiotics against SARS-CoV-2. Vaccines 2021, 9, 1067. [Google Scholar] [CrossRef]
148. Pires, D.E.; Blundell, T.L.; Ascher, D.B. pkCSM: Predicting Small-Molecule Pharmacokinetic and Toxicity Properties Using Graph-Based Signatures. J. Med. Chem. 2015, 58, 4066–4072. [Google Scholar] [CrossRef] [PubMed]
149. Husain, A.; Ahmad, A.; Khan, S.A.; Asif, M.; Bhutani, R.; Al-Abbasi, F.A. Synthesis, molecular properties, toxicity and biological evaluation of some new substituted imidazolidine derivatives in search of potent anti-inflammatory agents. Saudi Pharm. J. 2016, 24, 104–114. [Google Scholar] [CrossRef]
150. Ravindranath, P.A.; Forli, S.; Goodsell, D.S.; Olson, A.J.; Sanner, M.F. AutoDockFR: Advances in Protein-Ligand Docking with Explicitly Specified Binding Site Flexibility. PLoS Comput. Biol. 2015, 11, e1004586. [Google Scholar] [CrossRef] [PubMed]
151. Sonawane, P.; Patel, K.; Vishwakarma, R.; Singh, S.; Khan, B. In Silico mutagenesis and Docking studies of active site residues suggest altered substrate specificity and possible physiological role of Cinnamoyl CoA Reductase 1 (Ll-CCRH1). Bioinformation 2013, 9, 224–232. [Google Scholar] [CrossRef]
152. Rodrigues, C.H.; Pires, D.E.; Ascher, D.B. DynaMut: Predicting the impact of mutations on protein conformation, flexibility and stability. Nucleic Acids Res. 2018, 46, W350–W355. [Google Scholar] [CrossRef]
153. Jo, S.; Kim, T.; Iyer, V.G.; Im, W. CHARMM-GUI: A web-based graphical user interface for CHARMM. J. Comput. Chem. 2008, 29, 1859–1865. [Google Scholar] [CrossRef] [PubMed]
154. Humphrey, W.; Dalke, A.; Schulten, K. VMD: Visual molecular dynamics. J. Mol. Graph. 1996, 14, 33–38. [Google Scholar] [CrossRef]
155. Volkamer, A.; Kuhn, D.; Rippmann, F.; Rarey, M. DoGSiteScorer: A web-server for automatic binding site prediction, analysis, and druggability assessment. Bioinformatics 2012, 28, 2074–2075. [Google Scholar] [CrossRef]
156. Pawar, S.; Rohane, S. Review on Discovery Studio: An important Tool for Molecular Docking. Asian J. Res. Chem. 2021, 14, 1–3. [Google Scholar] [CrossRef]
157. Biasini, M.; Bienert, S.; Waterhouse, A.; Arnold, K.; Studer, G.; Schmidt, T.; Kiefer, F.; Gallo Cassarino, T.; Bertoni, M.; Bordoli, L.; et al. SWISS-MODEL: Modelling protein tertiary and quaternary structure using evolutionary information. Nucleic Acids Res. 2014, 42, W252–W258. [Google Scholar] [CrossRef]
158. Williams, C.; Headd, J.; Moriarty, N.; Prisant, M.; Videau, L.; Deis, L.; Verma, V.; Keedy, D.; Hintze, B.; Chen, V.; et al. MolProbity: More and better reference data for improved all-atom structure validation. Protein Sci. 2017, 27, 293–315. [Google Scholar] [CrossRef] [PubMed]
159. Laskowski, R.A.; Rullmannn, J.A.; MacArthur, M.W.; Kaptein, R.; Thornton, J.M. AQUA and PROCHECK-NMR: Programs for checking the quality of protein structures solved by NMR. J. Biomol. NMR 1996, 8, 477–486. [Google Scholar] [CrossRef]
160. Eisenberg, D.; Lüthy, R.; Bowie, J.U. VERIFY3D: Assessment of protein models with three-dimensional profiles. Methods Enzymol. 1997, 277, 396–404. [Google Scholar] [CrossRef]
161. Hooft, R.W.; Vriend, G.; Sander, C.; Abola, E.E. Errors in protein structures. Nature 1996, 381, 272. [Google Scholar] [CrossRef] [PubMed]
162. Salentin, S.; Schreiber, S.; Haupt, V.J.; Adasme, M.F.; Schroeder, M. PLIP: Fully automated protein-ligand interaction profiler. Nucleic Acids Res. 2015, 43, W443–W447. [Google Scholar] [CrossRef] [PubMed]
163. Elfiky, A.A. Ribavirin, Remdesivir, Sofosbuvir, Galidesivir, and Tenofovir against SARS-CoV-2 RNA dependent RNA polymerase (RdRp): A molecular docking study. Life Sci. 2020, 253, 117592. [Google Scholar] [CrossRef]
164. Eswar, N.; Eramian, D.; Webb, B.; Shen, M.-Y.; Sali, A. Protein Structure Modeling with MODELLER. In Structural Proteomics: High-Throughput Methods; Kobe, B., Guss, M., Huber, T., Eds.; Humana Press: Totowa, NJ, USA, 2008; pp. 145–159. [Google Scholar]
165. Yang, H.; Lou, C.; Sun, L.; Li, J.; Cai, Y.; Wang, Z.; Li, W.; Liu, G.; Tang, Y. admetSAR 2.0: Web-service for prediction and optimization of chemical ADMET properties. Bioinformatics 2018, 35, 1067–1069. [Google Scholar] [CrossRef]
166. Aftab, O.; Ghouri, M.; Masood, M.; Haider, Z.; Khan, Z.; Ahmad, A.; Munawar, N. Analysis of SARS-CoV-2 RNA-dependent RNA polymerase as a potential therapeutic drug target using a computational approach. J. Transl. Med. 2020, 18, 275. [Google Scholar] [CrossRef]
167. Pettersen, E.F.; Goddard, T.D.; Huang, C.C.; Couch, G.S.; Greenblatt, D.M.; Meng, E.C.; Ferrin, T.E. UCSF Chimera—A visualization system for exploratory research and analysis. J. Comput. Chem. 2004, 25, 1605–1612. [Google Scholar] [CrossRef]
168. Morris, G.M.; Huey, R.; Lindstrom, W.; Sanner, M.F.; Belew, R.K.; Goodsell, D.S.; Olson, A.J. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. J. Comput. Chem. 2009, 30, 2785–2791. [Google Scholar] [CrossRef] [PubMed]
169. Laskowski, R.A.; Swindells, M.B. LigPlot+: Multiple ligand-protein interaction diagrams for drug discovery. J. Chem. Inf. Modeling 2011, 51, 2778–2786. [Google Scholar] [CrossRef] [PubMed]
170. Abraham, M.J.; Murtola, T.; Schulz, R.; Páll, S.; Smith, J.C.; Hess, B.; Lindahl, E. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX 2015, 1–2, 19–25. [Google Scholar] [CrossRef]
171. Schmid, N.; Eichenberger, A.; Choutko, A.; Riniker, S.; Winger, M.; Mark, A.; van Gunsteren, W. Definition and testing of the GROMOS force-field versions 54A7 and 54B7. Eur. Biophys. J. EBJ 2011, 40, 843–856. [Google Scholar] [CrossRef] [PubMed]
172. Behera, S.K.; Vhora, N.; Contractor, D.; Shard, A.; Kumar, D.; Kalia, K.; Jain, A. Computational drug repurposing study elucidating simultaneous inhibition of entry and replication of novel corona virus by Grazoprevir. Sci. Rep. 2021, 11, 7307. [Google Scholar] [CrossRef]
173. van Zundert, G.C.P.; Rodrigues, J.; Trellet, M.; Schmitz, C.; Kastritis, P.L.; Karaca, E.; Melquiond, A.S.J.; van Dijk, M.; de Vries, S.J.; Bonvin, A. The HADDOCK2.2 Web Server: User-Friendly Integrative Modeling of Biomolecular Complexes. J. Mol. Biol. 2016, 428, 720–725. [Google Scholar] [CrossRef] [PubMed]
174. Scialò, F.; Daniele, A.; Amato, F.; Pastore, L.; Matera, M.G.; Cazzola, M.; Castaldo, G.; Bianco, A. ACE2: The Major Cell Entry Receptor for SARS-CoV-2. Lung 2020, 198, 867–877. [Google Scholar] [CrossRef]
175. Baughn, L.B.; Sharma, N.; Elhaik, E.; Sekulic, A.; Bryce, A.H.; Fonseca, R. Targeting TMPRSS2 in SARS-CoV-2 Infection. Mayo Clin. Proc. 2020, 95, 1989–1999. [Google Scholar] [CrossRef]
176. Hoffmann, M.; Kleine-Weber, H.; Schroeder, S.; Krüger, N.; Herrler, T.; Erichsen, S.; Schiergens, T.S.; Herrler, G.; Wu, N.H.; Nitsche, A.; et al. SARS-CoV-2 Cell Entry Depends on ACE2 and TMPRSS2 and Is Blocked by a Clinically Proven Protease Inhibitor. Cell 2020, 181, 271–280.e278. [Google Scholar] [CrossRef]
177. Huang, Y.; Yang, C.; Xu, X.-f.; Xu, W.; Liu, S.-w. Structural and functional properties of SARS-CoV-2 spike protein: Potential antivirus drug development for COVID-19. Acta Pharmacol. Sin. 2020, 41, 1141–1149. [Google Scholar] [CrossRef] [PubMed]
178. Osipiuk, J.; Azizi, S.-A.; Dvorkin, S.; Endres, M.; Jedrzejczak, R.; Jones, K.A.; Kang, S.; Kathayat, R.S.; Kim, Y.; Lisnyak, V.G.; et al. Structure of papain-like protease from SARS-CoV-2 and its complexes with non-covalent inhibitors. Nat. Commun. 2021, 12, 743. [Google Scholar] [CrossRef]
179. Tahir Ul Qamar, M.; Alqahtani, S.M.; Alamri, M.A.; Chen, L.L. Structural basis of SARS-CoV-2 3CL(pro) and anti-COVID-19 drug discovery from medicinal plants. J. Pharm. Anal. 2020, 10, 313–319. [Google Scholar] [CrossRef] [PubMed]
180. Zhu, W.; Chen, C.Z.; Gorshkov, K.; Xu, M.; Lo, D.C.; Zheng, W. RNA-Dependent RNA Polymerase as a Target for COVID-19 Drug Discovery. SLAS DISCOVERY Adv. Sci. Drug Discov. 2020, 25, 1141–1151. [Google Scholar] [CrossRef] [PubMed]
181. Weber, R.; McCullagh, M. Role of ATP in the RNA Translocation Mechanism of SARS-CoV-2 NSP13 Helicase. J. Phys. Chem. B 2021, 125, 8787–8796. [Google Scholar] [CrossRef] [PubMed]
182. Habtemariam, S.; Nabavi, S.F.; Banach, M.; Berindan-Neagoe, I.; Sarkar, K.; Sil, P.C.; Nabavi, S.M. Should We Try SARS-CoV-2 Helicase Inhibitors for COVID-19 Therapy? Arch. Med. Res. 2020, 51, 733–735. [Google Scholar] [CrossRef] [PubMed]
183. Spratt, A.; Gallazzi, F.; Quinn, T.; Lorson, C.; Sönnerborg, A.; Singh, K. Coronavirus helicases: Attractive and unique targets of antiviral drug-development and therapeutic patents. Expert Opin. Ther. Pat. 2021, 31, 339–350. [Google Scholar] [CrossRef]
184. Ekblad, B.; Kristiansen, P.E. NMR structures and mutational analysis of the two peptides constituting the bacteriocin plantaricin S. Sci. Rep. 2019, 9, 2333. [Google Scholar] [CrossRef] [PubMed]
185. Ekblad, B.; Kyriakou, P.K.; Oppegård, C.; Nissen-Meyer, J.; Kaznessis, Y.N.; Kristiansen, P.E. Structure–Function Analysis of the Two-Peptide Bacteriocin Plantaricin EF. Biochemistry 2016, 55, 5106–5116. [Google Scholar] [CrossRef]
186. Fimland, N.; Rogne, P.; Fimland, G.; Nissen-Meyer, J.; Kristiansen, P.E. Three-dimensional structure of the two peptides that constitute the two-peptide bacteriocin plantaricin EF. Biochim. Biophys. Acta 2008, 1784, 1711–1719. [Google Scholar] [CrossRef]
187. Selegård, R.; Musa, A.; Nyström, P.; Aili, D.; Bengtsson, T.; Khalaf, H. Plantaricins markedly enhance the effects of traditional antibiotics against Staphylococcus epidermidis. Future Microbiol. 2019, 14, 195–205. [Google Scholar] [CrossRef]
188. AlphaFold Colab. 2021. Available online: https://colab.research.google.com/github/deepmind/alphafold/blob/main/notebooks/AlphaFold.ipynb (accessed on 28 November 2021).
189. Jumper, J.; Evans, R.; Pritzel, A.; Green, T.; Figurnov, M.; Ronneberger, O.; Tunyasuvunakool, K.; Bates, R.; Žídek, A.; Potapenko, A.; et al. Highly accurate protein structure prediction with AlphaFold. Nature 2021, 596, 583–589. [Google Scholar] [CrossRef] [PubMed]
190. Yuan, S.; Chan, H.C.S.; Hu, Z. Using PyMOL as a platform for computational drug design. WIREs Comput. Mol. Sci. 2017, 7, e1298. [Google Scholar] [CrossRef]
191. Webb, B.; Sali, A. Comparative Protein Structure Modeling Using MODELLER. Curr. Protoc. Bioinform. 2016, 54, 5.6.1–5.6.37. [Google Scholar] [CrossRef] [PubMed]

Будьте здоровы!