Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8  
Depósito Legal ZU2019000058 - ISSN 2711-0494  
Revista Latinoamericana de Difusión Científica  
Volumen 5 - Número 8  
Enero – Junio 2023  
Maracaibo – Venezuela  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
Métodos computacionales para estimar la afinidad de un complejo  
ligando-receptor  
DOI: https://doi.org/10.38186/difcie.58.03  
Martiniano Bello *  
RESUMEN  
A la fecha se han empleado diferentes métodos basados en la estructura para cuantificar  
las interacciones receptor-ligando, y a partir de estas predecir la energía libre de asociación  
que proporcionara un estimado de la afinidad de un compuesto por una diana terapéutica.  
Entre estos métodos está el acoplamiento molecular y las simulaciones de dinámica  
molecular en conjunto con métodos de cálculo de energía libre de asociación. El  
acoplamiento molecular, aunque tiene un alto potencial selectivo posee un éxito limitado en  
la precisión de la estimación de la energía de solvatación y consideración de cambios en la  
entropía conformacional. Por lo tanto, se ha recurrido a técnicas computacionales más  
eficientes que predicen la energía libre de unión de una manera más precisa, como lo son  
los métodos que combinan mecánica molecular con métodos de cálculo de energía. En este  
contexto, los métodos MMPBSA y MMGBSA permiten predecir la energía libre de unión  
usando mecánica molecular y modelos continuos de solvatación implícita. Estas técnicas  
han facilitado la identificación de diferentes compuestos con alta afinidad por una diana  
farmacológica. En este artículo científico describiremos las bases fundamentales de los  
métodos MMPBSA y MMGBSA, así como algunos avances relacionados con el empleo de  
ambos métodos.  
PALABRAS CLAVE: Farmacología, energía libre de unión, dinámica molecular, MMPBSA,  
acoplamiento molecular.  
*Laboratorio de Diseño y Desarrollo de Nuevos Fármacos e Innovación Biotecnológica, Escuela  
Superior de Medicina, Instituto Politécnico Nacional, Ciudad de México 11340, México. ORCID:  
https://orcid.org/0000-0002-9686-0755. E-mail: bellomartini@gmail.com, mbellor@ipn.mx  
Recibido: 12/09/2022  
Aceptado: 08/11/2022  
27  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
Computational methods for estimating the affinity of a ligand-receptor  
complex  
ABSTRACT  
To date, different structure-based methods have been used to quantify receptor-ligand  
interactions, and from these to predict the free energy of association that will provide an  
estimate of the affinity of a compound for a therapeutic target. Among these methods are  
molecular docking and molecular dynamics simulations in conjunction with methods for  
calculating free energy of association. Molecular docking, although it has a high selective  
potential, has limited success in accurately estimating solvation energy and considering  
changes in conformational entropy. Therefore, more efficient computational techniques that  
predict binding free energy more accurately have been used, such as methods that combine  
molecular mechanics with energy calculation methods. In this context, the MMPBSA and  
MMGBSA methods allow the prediction of binding free energy using molecular mechanics  
and continuous implicit solvation models. These techniques have facilitated the identification  
of different compounds with high affinity for a pharmacological target. In this scientific article,  
we will describe the essential bases of the MMPBSA and MMGBSA methods, as well as  
some advances related to the use of both methods.  
KEYWORDS: Pharmacology, Binding free energy, Molecular dynamic simulation, MMPBSA,  
molecular docking.  
Introducción  
El diseño moderno de nuevos fármacos es un procedimiento que implica varias  
etapas con una duración de alrededor de 15 años, con un gasto que va de 500 a 1000  
millones de dólares. La fase inicial del descubrimiento de nuevos fármacos típicamente  
consiste en la identificación de la diana farmacológica y de una serie de compuestos con  
afinidad hacia dicha diana farmacológica. La gran cantidad de estructuras tridimensionales  
disponibles en el Protein Data Bank (PDB, por sus siglas en inglés), la mejora continua de  
software y algoritmos para el modelado molecular de las interacciones químicas, ha hecho  
posible el uso del diseño de nuevos fármacos asistido por computadora, que permite  
predecir la afinidad de miles de compuestos en una o varias dianas farmacológicas, lo que  
ha facilitado acelerar la identificación de nuevos compuestos en tiempos relativamente  
cortos y con bajo costo (Gilson y Zhou, 2007; Hayes y Leonidas, 2010). Aunque  
28  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
comúnmente para que un compuesto pueda ser considerado un fármaco viable, debe de  
poseer buenas propiedades farmacocinéticas de absorción, distribución, metabolismo,  
excreción y toxicidad (ADMET), la propiedad más relevante es una alta selectividad hacia  
la diana farmacológica de interés.  
En general, la mayoría de los métodos empleados para el desarrollo de nuevos  
fármacos mediante técnicas computacionales se enfocan en predecir la energía libre de  
unión de un compuesto candidato, y tales métodos pueden dividirse en aquellos que aplican  
el diseño basado en estructura (en inglés, structure-based design) y el diseño no basado en  
estructura (en inglés, non-structure-based design).  
Con respecto a los métodos no basados en estructura podemos mencionar al  
método que relaciona de manera cuantitativa la estructura y actividad (en inglés, quantitative  
structure-activity relationships, QSAR), el cual permite predecir la actividad de nuevos  
compuestos basado en el conocimiento previo de la actividad de ligandos con alta afinidad  
para una diana terapéutica en particular (Tropsha, 2010). Este método tiene la desventaja  
de ser poco predictivo, puesto que considera que moléculas químicamente parecidas tienen  
propiedades similares, por lo cual muchas veces hace que se propongan compuestos con  
actividades biológicas diferentes a la esperada.  
Lo anterior se debe a un fenómeno denominado acantilados de actividad (Maggiora,  
2
006; Cruz-Monteagudo et al., 2014). Los acantilados de actividad se dan entre pares de  
compuestos químicamente similares, pero que tienen una diferencia importante en su  
potencia; por lo tanto, la correcta identificación de dichos acantilados ayuda a mejorar la  
calidad estadística de los modelos QSAR (Stumpfe et al., 2016).  
Los métodos basados en la estructura emplean la información estructural de la  
macromolécula, la cual comúnmente es una proteína, para obtener información sobre las  
interacciones macromolécula-ligando, y a partir de la cuantificación de las interacciones  
termodinámicamente favorables predecir la energía libre de asociación que dará un  
estimado de la afinidad del compuesto por la diana terapéutica. Entre estos métodos  
resaltan: el acoplamiento molecular (en ingles molecular docking) y la simulación de  
dinámica molecular (en ingles molecular dynamics simulation) combinada con métodos de  
cálculo de energía libre de unión. El método de acoplamiento molecular ha sido utilizado de  
manera amplia para el tamizaje virtual a gran escala (en inglés, high throughput virtual  
29  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
screening) de miles de compuestos disponibles en diversas bases de datos dirigidos hacia  
dianas terapéuticas específicas (Genheden & Ryde, 2015). El acoplamiento molecular es  
eficiente y de bajo costo, se centra en la identificación de varios compuestos con un alto  
potencial de ser selectivos para una diana farmacológica específica (Bello et al., 2013;  
Lavecchia y di Giovanni, 2013); no obstante, la determinación de las energías libres de unión  
mediante esta metodología generalmente no es de alta precisión (Wang et al., 2016; Li et  
al., 2010; Hou et al., 2013).  
Por consiguiente, se ha recurrido a metodologías computacionales más eficientes  
que permiten predecir la energía libre de unión de una manera más precisa, como lo son  
los métodos que combinan mecánica molecular con métodos de cálculo de energía. En este  
contexto, la metodología de Mecánica Molecular Poisson-Boltzmann/Área de Superficie (en  
inglés, Molecular Mechanics Poisson-Boltzmann Surface Area, MMPBSA) y el de Mecánica  
Molecular Generalizada-Born/Área de Superficie (en inglés, Molecular Mechanics  
Generalized-Born Surface Area, MMGBSA), permiten la determinación de la energía libre  
de unión (ΔG) usando mecánica molecular (Campo de fuerza) y modelos continuos de  
solvatación implícita (Kollman et al., 2000), que han sido empleados en diferentes dianas  
terapéuticas y sistemas de transporte de fármacos (Genheden y Ryde, 2015), y está  
disponible en paquetes computacionales como Amber (Case et al., 2005), Delphi (Rocchia  
et al., 2001), GROMACS (Van Der Spoel et al., 2005) y Schrödinger (Du et al., 2011), que  
son de uso amigable, y que ha permitido la identificación de diferentes compuestos con alta  
afinidad por una diana farmacológica.  
En este articulo discutiremos las bases fundamentales de los métodos MMPBSA y  
MMGBSA (MMPB(GB)SA), así como algunos avances relacionados con la combinación del  
acoplamiento molecular y el método MMPB(GB)SA, resaltando su importancia con respecto  
a otros métodos menos eficientes.  
1. Cálculo de la energía libre de Gibbs  
La constante de afinidad (Ka) de un ligando por una proteína se puede representar  
mediante la siguiente ecuación:  
[
푃퐿]  
Ka= [  
………………………………………………………………………………….(1)  
푃][퐿]  
30  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
donde [P], [L] y [PL] representan concentraciones en equilibrio de la proteína, ligando y del  
complejo proteína-ligando, respectivamente. Esta definición se basa en el supuesto que la  
diferencia entre el estado libre y asociada es claramente definida, la cual se cumple solo  
para complejos con asociaciones fuertes; pero se vuelve un poco imprecisa para  
asociaciones débiles.  
Esta afinidad puede relacionarse con la energía libre de asociación mediante la  
siguiente ecuación.  
훥G= −푅TIn퐾푎……………………………………………………………………………(2)  
Donde ΔG representa la energía libre de Gibbs, R es la constante de los gases, T es  
la temperatura absoluta, y Ka es la constante de afinidad entre dos especies, esta última es  
la que deseamos estimar mediante estudios computacionales.  
2. Métodos de cálculos de energía  
El creciente interés por estos métodos surge de que la energía libre de unión entre  
un receptor y un ligando puede estimarse de manera relativamente eficiente, empleando un  
ciclo termodinámico que simplifica una pequeña perturbación del espacio conformacional,  
en contraste con otros cuantificables de interés farmacéutico, como lo son las energías de  
enlace absolutas y cinéticas de enlace, que necesitan recursos computacionales  
considerables.  
Entre los diferentes métodos que combinan mecánica molecular con métodos de  
cálculo de energía destacan los métodos de ruta (en inglés, Pathway methods) y los  
métodos de punto final (en inglés, End-point methods) (Deng y Roux, 2009; Gilson y Zhou,  
2
007). En el método de ruta, el sistema se convierte de un estado (v.gr., el complejo  
proteína-ligando) a otro (v.gr., el estado libre de la proteína y el ligando), introduciendo un  
conjunto de intermediarios no físicos (alquímicos) finitos o infinitesimales en la función de  
energía (Hamiltoniano) del sistema (Kollman, 1993; Straatsma y McCammon, 1992). El valor  
de ΔG es determinado a través de las diferencias en la afinidad entre el conjunto de  
intermediarios alquímicos. Entre los métodos de ruta destacan: Perturbación de la energía  
libre (en inglés, Free energy perturbation, FEP) y el método de Integración termodinámica  
31  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
(
en inglés, Thermodynamic integration, TI) (Beveridge y Dicapua, 1989). En contraste, en el  
método de punto final, solo se consideran los estados iniciales (receptor y ligando libres) y  
finales (complejo receptor-ligando) para determinar el valor de ΔG. Aunque los fundamentos  
de los métodos FEP y TI fueron postulados hace décadas (Kirkwood, 1935; Zwanzig, 1954),  
fue en años recientes que empezaron a emplearse para el cálculo del valor de ΔG, debido  
al incremento en el poder de cómputo, al desarrollo de campos de fuerza más precisos  
(
Cornell et al., 1995; Van Gunsteren., 1996; MacKerell et al., 1998;), la implementación de  
protocolos para la determinación de la ΔG (Boresch et al., 2003; Boresch y Bruckner, 2011;  
Lee y Olson, 2006; Mobley et al., 2007), la combinación de dinámica molecular o  
simulaciones Morte Carlo en solvente explicito, y la reciente implementación de códigos  
biomoleculares en unidades de procesamiento gráfico o tarjetas gráficas (Harvey et al.,  
2
009; Stone et al., 2011).  
Entre los métodos de punto final destacan: Interacción lineal de energía (en inglés,  
Linear Interaction Energy, LIE) (Aqvist et al., 1994), y el método MMPB(GB)SA (Kollman et  
al., 2000; Wang et al., 2006; Wang et al., 2001;). Aunque la evaluación de la ΔG en todos  
estos métodos se determina a través de múltiples conformaciones obtenidas a partir de la  
simulación molecular, existen diferencias entre ellos. De estos métodos, los métodos de ruta  
FEP y TI, determinan la energía libre basada en perturbaciones del complejo biológico a  
partir de una sola simulación molecular; estos métodos realizan un tratamiento exhaustivo  
de los grados de libertad y emplean modelos de solvatación apropiados; no obstante, el  
costo computacional de dichos métodos es alto debido a la convergencia lenta del valor de  
la ΔG. (Meng et al., 2011), sobre todo para el cribado virtual de miles de compuestos.  
Los métodos LIE y MMPB(GB)SA surgen en un intento de combinar rapidez y  
precisión, donde el primero considera que la energía libre de unión de un complejo es  
resultado de la combinación lineal de las energías electrostáticas y de Van der Waals. En  
tanto que en el método MMPB(GB)SA, la energía libre de un sistema se evalúa a partir de  
la combinación de mecánica molecular, la energía electrostática, que se estima mediante  
los modelos de solvatación implícita Poisson-Boltzmann o Generalizada Born, y un término  
entrópico. Aunque los métodos LIE y MMPB(GB)SA han mostrado resultados similares,  
estos últimos han sido empleados en una manera exitosa en un mayor número de  
32  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
investigaciones. En este articulo describiremos en qué consiste el método MMPB(GB)SA,  
así como algunas aplicaciones recientes empleando ambos métodos.  
3. El método MMPB(GB)SA  
El método MMPB(GB)SA es empleado para determinar los valores de ΔG relativo, el  
cual no incluye la contribución entrópica, de un conjunto de ligandos a una diana  
farmacológica. El método tiene alta reproducibilidad y precisión con un bajo costo  
computacional comparado con los métodos FEP y TI. Esta reproducibilidad se constata  
mediante la obtención de valores similares de ΔG por diferentes grupos de investigación,  
con o sin variación en su implementación, incluido el software y el hardware empleados. En  
tanto que la precisión se constata por la cercanía de los resultados de ΔG teóricos con los  
valores experimentales correspondientes. Adicionalmente, el método MMPB(GB)SA puede  
darnos información detallada de las energías por residuo de los aminoácidos que participan  
en el reconocimiento molecular (Archontis et al., 2001; Polydoridis et al., 2007; Hayes et al.,  
2
011). Como un método de punto final, el objetivo del método MMPB(GB)SA es determinar  
el valor de ΔG entre dos estados que representan el estado unido y no unido de dos  
moléculas solvatadas.  
Aunque de manera ideal nos gustaría determinar el valor de ΔG como se muestra:  
Figura 1. Ciclo termodinámico para la obtención del ΔG considerando el estado libre y  
asociado del complejo receptor-ligando en agua (medio solvatado).  
Sin embargo, el considerar ambos estados como solvatados ocasionaría que gran  
parte de las contribuciones energéticas provengan de la interacción agua-agua.  
Adicionalmente, las fluctuaciones en la energía total serían alrededor de un orden de  
33  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
magnitud mayor que las energías de enlace, ocasionando que estas tarden en alcanzar  
convergencia. Por lo tanto, una manera más efectiva es realizar el análisis considerando el  
siguiente ciclo termodinámico:  
Figura 2. Ciclo termodinámico para la obtención del ΔG considerando el estado libre y  
asociado del complejo receptor-ligando solvatado y en vacío.  
Empleando este esquema, el valor de ΔG en presencia de solvente se determina de  
la siguiente manera.  
훥퐺 = 훥퐺푣ꢀ푐 + 훥퐺푠표푙,푐표푚 − (훥퐺푠표푙,푙ꢁ푔 + 훥퐺푠표푙,푟푒푐)………………………………………(1)  
Donde ΔGvac corresponde al valor de ΔG determinado en el vacío, mientras que  
ΔGsol,com, ΔGsol,lig y ΔGsol,rec corresponden al ΔG del complejo, ligando y el receptor,  
respectivamente, determinado en presencia de solvente. Los valores de ΔGsolv se  
determinan mediante la resolución de la ecuación de Poisson-Boltzmann (PB) o de  
Generalizada Born para cada uno de los tres estados. Como resultado se obtiene la  
contribución electrostática considerando la constante dieléctrica del exterior e interior del  
receptor (퐺푒푙푒푐,푐ꢂ80, y 퐺푒푙푒푐,푐ꢂ1), y las contribuciones hidrofóbicas (훥퐺ℎꢁ푑푟표푓) de la ΔGsolv  
:
34  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
훥퐺푠표푙푣 = 퐺푒푙푒푐,푐ꢂ80, − 퐺푒푙푒푐,푐ꢂ1 + 훥퐺ℎꢁ푑푟표푓………………………………………………(2)  
En tanto que el valor de ΔGvac se obtiene a través del valor promedio de la energía  
de interacción (훥퐸푀푀 ) entre el receptor y ligando, y considerando la contribución entrópica  
(
훥푆), si es requerido para el análisis.  
훥퐺푣ꢀ푐 = 퐸푀푀 − 푇. 훥푆…………………………………………………………………….(3)  
A su vez 퐸푀푀 es la sumatoria de las interacciones unidas (en inglés, non-bonded  
interactions) o covalentes y las interacciones no unidas (en inglés, non-bonded interactions):  
interacciones electrostáticas (elec) y de Van der Waals (vdw).  
퐸푀푀 = 퐸푏표푛푑푒푑 + 퐸푒푙푒푐 + 퐸푣푑푤……………..…………………………………………(4)  
Estas contribuciones se calculan a partir de las estructuras atómicas de las especies  
libres y formando el complejo empleando el campo de fuerza.  
En tanto que el 훥푆 contiene las contribuciones traslacionales, rotacionales y  
vibracionales. Las contribuciones traslacionales y rotacionales se calculan mediante  
expresiones de la mecánica estadística estándar; mientras que la contribución vibracional  
se determina mediante modos normales (Karplus y Kushick 1981; Tidor y Karplus 1994;  
Brooks et al., 1995). En teoría se pueden emplear diferentes protocolos para realizar  
estudios empleando el método MMPB(GB)SA. No obstante, se ha puesto atención a una  
serie de detalles empleados para realizar los cálculos.  
En general, un protocolo consiste en estos tres pasos. El primer paso es realizar  
estudios de simulaciones de dinámica molecular en solvente explicito para obtener una serie  
de conformaciones de complejos receptor-ligando; en esta fase es importante que las  
conformaciones seleccionadas estén en equilibrio. En la segunda fase, se determinan las  
energías de interacción 퐸푀푀 y los valores de 훥퐺푠표푙푣 sobre el grupo de conformaciones  
obtenidos en el estudio de dinámica molecular. Para este paso es necesario remover las  
moléculas de agua y reemplazarlas por un continuo dieléctrico. Finalmente, se determinan  
las contribuciones entrópicas 훥푆 para el conjunto de estructuras, y dicho valor entrópico se  
35  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
combina con el ΔG para obtener el valor final que se describe en la ecuación 2. Aunque  
hemos descrito como se realizan los estudios con el método MMPB(GB)SA empleando solo  
una simulación de dinámica molecular (en inglés single-trajectory approximation) (Gohlke y  
Case, 2004); también se emplea el método de tres simulaciones (en inglés, three-trajectory  
approximation), en el que se realizan simulaciones independientes para el ligando, receptor  
y complejo receptor-ligando. Esta última es considerada cuando el sistema a evaluar  
experimenta cambios conformacionales significativos en su reconocimiento molecular,  
llevando a mejores estimaciones de la energía libre de unión que aquellas determinadas  
usando solo una simulación de dinámica molecular (Yang et al., 2009).  
3.1. Aplicaciones del método MMPB(GB)SA  
La combinación de acoplamiento molecular, dinámica molecular y determinación de  
la energía libre de unión empleado el método MMPB(GB)SA nos permiten abordar muchos  
problemas tanto en biofísica estructural como en el diseño de fármacos. Con estas técnicas  
se pueden modelar estructuras biológicas complejas, calcular las energías libres de  
asociación, e identificar los principales contactos (residuos de aminoácidos) que contribuyen  
de manera importante en la formación del complejo biológico. En esta sección describiremos  
algunas aplicaciones del método MMPB(GB)SA que se han empleado para determinar la  
afinidad para una variedad de sistemas biológicos.  
-
Ejemplo 1: Desarrollo de fármacos dirigidos a combatir el cáncer de mama  
Las anomalías en los niveles de expresión del receptor del factor de crecimiento  
epidérmico humano tipo 1 (EGFR, por sus siglas en inglés: epidermal growth factor receptor)  
y tipo 2 (HER2, por sus siglas en inglés: human epidermal growth factor receptor 2) se  
encuentran sobreexpresados en muchos tipos de cáncer humano. Por lo consiguiente, el  
diseño de compuestos con actividad inhibitoria dual de EGFR/HER2 es una estrategia  
anticancerígena reconocida. Estudios experimentales demostraron que algunos derivados  
de lapatinib, un compuesto que ha demostrado actividad dual inhibitoria de EGFR/HER2  
(
Rusnak et al., 2001; Konecny et al., 2006), con modificación en el grupo  
metilsulfoniletilamino, demostraron que el compuesto 2i mostró una potente actividad  
inhibidora contra las células cancerosas que sobreexpresan EGFR/HER2, y también una  
36  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
mayor actividad inhibitoria utilizando un KitC EGFR/HER2 (IC50 de 0.5 y 4.1 nM para HER2  
y EGFR, respectivamente) que lapatinib (IC50 de 2.7 y 7.9 nM para HER2 y EGFR,  
respectivamente) (Lyu et al., 2014). Debido a la falta de información estructural experimental  
para la unión de estos ligandos, se realizaron estudios de acoplamiento y dinámica  
molecular en solvente explícito usando Amber 16 (Bello et al., 2020) para cada complejo  
EGFR-inhibidor o HER2-inhibitor, con dinámicas moleculares de producción de 100  
nanosegundos (ns), escala de tiempo suficiente para observar la relajación y equilibrio de  
este tipo de sistema. Basado en el tiempo de simulación en la que los complejos alcanzaron  
el equilibrio, se determinaron las conformaciones predominantes mediante un análisis de  
agrupamientos (análisis de clústers) para determinar las interacciones predominantes  
durante la dinámica molecular. Adicionalmente, se estimaron los valores de afinidad de los  
complejos empleando el método MMPB(GB)SA. Basados en sus resultados dilucidaron  
cómo una ligera modificación de lapatinib contribuye a un aumento en la afinidad de ambos  
receptores por el compuesto 2i en comparación con el compuesto lapatinib, que está de  
acuerdo con los resultados experimentales. Adicionalmente, el análisis de componentes  
principales (PCA, por sus siglas en inglés: Principal Component Analysis) permitió observar  
que el acoplamiento de 2i en EGFR/HER2 está relacionado con una reducción en la  
movilidad conformacional, que también puede contribuir a la mejora de la afinidad por este  
compuesto en comparación con lapatinib.  
-
Ejemplo 2: Efectos de las mutaciones en la predicción del valor de ΔG  
Las mutaciones son frecuentes en las proteínas, lo cual repercute en el mapa de  
interacciones y afinidad entre la proteína y un fármaco, por lo que establecer el impacto de  
las mutaciones en el valor de ΔG es de gran importancia. En un estudio reciente se evaluó  
la capacidad predictiva del método MMPB(GB)SA empleando diferentes proteínas  
conteniendo mutaciones (Yu et al., 2021). Estos estudios se realizaron considerando las  
siguientes estrategias computacionales: diferentes longitudes de simulaciones de dinámica  
molecular, diferentes valores de las constantes dieléctricas, y consideración o no de los  
efectos entrópicos en el cálculo del valor de ΔG. Los resultados de este estudio señalaron  
que una simulación de dinámica molecular relativamente larga, por ejemplo, de 100 ns,  
beneficia la precisión de la predicción tanto para el método MMGBSA y MMPBSA. También  
37  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
se observó que los sistemas con un mayor número de mutaciones mostraron una mejor  
correlación entre los valores teóricos y experimentales, indicando que el algoritmo es más  
sensible a cambios más significativos, es decir, a un número considerable de mutaciones.  
En general esta investigación demostró que para proteínas con múltiples mutaciones es  
necesario un ajuste conformacional para refinar el microambiente en los sistemas mutados  
y así poder valores ΔG confiables, lo cual explica por qué se obtuvieron mejores resultados  
en simulaciones de dinámica molecular más largas.  
-
Ejemplo 3: Predicción del ΔG empleando el método MMGBSA en servidor web  
El empleo del método MMPB(GB)SA para la predicción del valor de ΔG está  
implementado en diferentes paquetes computacionales como Amber (Case et al., 2005) y  
GROMACS (Van Der Spoel et al., 2005); no obstante, su empleo requiere cierto tipo de  
conocimiento de manejo de plataformas UNIX, bioinformática y quimioinformática para  
construir los sistemas a simular, lo cual es un reto incluso para los expertos; por lo tanto, se  
han desarrollado servidores web como HawkDock (Weng et al., 2019) y farPPI (Wang et al.,  
2
019) que ayudan en la predicción del valor de ΔG para un complejo proteína-proteína  
empleando el método MMPB(GB)SA a partir de un complejo generado mediante estudios  
de acoplamiento molecular. Mas recientemente, se desarrolló otro servidor web llamado  
fastDRH (Wang et al., 2022) diseñado para predecir valor de ΔG para un complejo proteína-  
ligando combinando el acoplamiento molecular, y el método MMPB(GB)SA con estrategias  
mejoradas a las empleadas en HawkDock y farPPI. No obstante, un par de inconvenientes  
de fastDRH comparado con el cálculo del valor del ΔG mediante la combinación de  
simulaciones de dinámica molecular con el método MMPB(GB)SA, es que no considera  
cambios conformacionales en el complejo proteína-ligando, lo cual es muy importante  
cuando se exploran sistemas muy flexibles; y que trunca o recorta el sistema a evaluar para  
acelerar la velocidad de cálculo.  
-
Ejemplo 4: Predicción del valor de ΔG entre métodos de ruta y de punto final  
La fosfodiesterasa 5 (PDE5A, por sus siglas en inglés) es una enzima que participa  
en la conversión de guanosín monofosfato cíclico a guanosín monofosfato.  
El sildenafilo cuyo nombre comercial es Viagra es empleado en el tratamiento de  
la disfunción eréctil, y es un inhibidor selectivo de la PDE5A. En un estudio reciente se  
38  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
identificaron algunos inhibidores potentes de la PDE5A empleando el método de ruta FEP  
y de punto final MMPB(GB)SA (Wu et al., 2022). Este estudio demostró que el método FEP  
fue capaz de proveer en general mejores predicciones que el método MMPB(GB)SA, las  
cuales fueron más consistentes con los valores experimentales. Este resultado está en  
concordancia con reportes que señalan que los métodos de ruta son más capaces de  
proporcionar predicciones más consistentes que los métodos de punta final, aunque tienen  
la desventaja de un costo computacional elevado debido a la convergencia lenta del valor  
de ΔG. (Meng et al., 2011), costo que se ve acentuado en el cribado virtual de miles de  
compuestos.  
-
Ejemplo 5: Implementaciones en el método MMPB(GB)SA para mejor su  
capacidad predictiva  
Aunque el método MMPB(GB)SA se ha empleado ampliamente para la predicción  
del valor de ΔG, en la práctica es un método en disputa, ya que es dependiente del sistema  
en estudio. En un estudio reciente, se desarrolló una versión novedosa denominada  
MMPB(GB)SA de dieléctrico atómico variable (variable atomic dielectric, por sus siglas en  
inglés) VAD- MMPB(GB)SA (Wang et al., 2021). Con esta estrategia se asignan constantes  
dieléctricas variables directamente a los átomos de proteína y el ligando, permitiendo una  
precisión mejorada en los cálculos del valor de ΔG. VAD-MM/GBSA también demostró ser  
mejor que Prime MMGBSA, que es una versión del método MMPB(GB)SA implementado  
en el software Schrödinger. Basado en lo anterior es posible que el método VAD-  
MMPB(GB)SA con poca demanda computacional reemplace al método MMPB(GB)SA  
presente en el software AMBER. Adicionalmente, existe un servidor en línea disponible para  
realizar predicciones del ΔG empleando el método VAD-MMGBSA.  
Otro reto en el método MMPB(GB)SA es la determinación correcta del componente  
entrópico, el cual también es sistema dependiente y en muchos casos en lugar de mejorar  
el poder predictivo del método lo empeora. En un estudio reciente realizaron la  
implementación del método denominado de interacción entrópica (Interaction entropy, IE,  
por sus siglas en inglés) (Zhong et al., 2020). El desempeño de esta implementación fue  
evaluado considerando 176 complejos proteína-ligando y proteína-proteína de la familia de  
la proteína Bcl-2 (B-cell lymphoma 2, por sus siglas en inglés), que participa de manera  
39  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
importante en el desarrollo normal de las células y es uno de los principales reguladores de  
la vía apoptótica celular. La incorporación de la IE fue capaz de mejorar la capacidad  
predictiva del método MMPB(GB)SA, proporcionando mejores resultados para los sistemas  
proteína-proteína que para proteína-ligando.  
-
Ejemplo 6: Implementaciones en el protocolo MMPB(GB)SA para mejorar su  
capacidad predictiva en complejos TCR-HLA  
El complejo entre el receptor de células T (TCR por sus siglas en inglés) y su ligando  
endógeno, el antígeno peptídico leucocitario humano (pHLA, por sus siglas en inglés) es un  
componente importante del sistema inmunológico del cuerpo que permite diferenciar células  
propias en condiciones normales o en el curso de una enfermedad metabólica. El  
reconocimiento molecular de pHLA por parte del TCR promueve la activación de células T,  
que apoyan en la destrucción y erradicación de células enfermas. En este contexto se han  
diseñado diferentes moléculas TCR que están dirigidos a unir pHLA específicos presentes  
en células enfermas, como por ejemplo de cáncer, pero sin afinidad para la gran mayoría  
de pHLA presentados por células sanas, lo cual evita efectos tóxicos (Oates et al., 2013).  
Para lograr la especificidad del complejo TCR-pHLA, se requiere que el pHLA tenga una  
alta afinidad por el TCR en el rango picomolar.  
En este contexto, Crean et al. (2022), exploraron diferentes protocolos que les  
permitieron evaluar de manera confiable el valor de ΔG para complejos entre variantes del  
receptor de células. Para este estudio consideraron diferentes complejos TCR-pHLA con 3  
a 14 mutaciones presentes en pHLA. Sus resultados señalaron que una serie de  
propiedades pueden ser consideradas para el estudio de estos sistemas: constante  
dieléctrica interna de entre 4 y 8, simulaciones de dinámica molecular cortas de entre 4 a 5  
ns, solvatación explicita en la superficie de interacción proteína-proteína, y considerar el  
TCR truncado o recortado para el cálculo de la entropía. Estos resultados podrían aplicarse  
para el desarrollo y optimización de TCR con potencial terapéutico.  
Conclusión  
MMPB(GB)SA es un método de cálculo de energía libre de punto final que permite  
calcular la energía libre de unión absoluta con un modesto costo computacional. Aunque  
40  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
inicialmente MMPB(GB)SA se presentó como un método que no contenía ningún parámetro  
de ajuste, a la fecha el método incluye varios parámetros como la constante dieléctrica, la  
energía no polar, los radios utilizados para las constantes de solvatación implícita (PB y  
GB), y la inclusión de la entropía, que pueden ajustarse dependiendo del sistema a estudiar.  
No obstante, el método involucra varias aproximaciones termodinámicas; por ejemplo, el  
método ignora la entropía conformacional del complejo, así como la entropía de las  
moléculas de agua involucradas en la asociación molecular. Por consiguiente, debido a  
estas aproximaciones, el método MMPB(GB)SA es más aplicable para clasificar las  
afinidades de unión entre un grupo de ligandos y un receptor específico, que para determinar  
las energías libres de unión absolutas que puedan reproducir energías libres de unión  
experimentales; sin embargo, en varios casos el método ha permitido reproducir datos  
experimentales.  
Referencias  
Aqvist, J.; Medina, C.; Samuelsson, J. E. (1994). New Method for Predicting Binding-Affinity  
in Computer-Aided Drug Design. Protein Eng. 7 (3), 385–391. doi: 10.1093/protein/7.3.385  
Archontis, G.; Simonson T.; Karplus M. (2001). Binding free energies and free energy  
components from molecular dynamics and Poisson-Boltzmann calculations. Application to  
amino acid recognition by aspartyl-tRNA synthetase. J Mol Biol., 306 (2), 307-327. doi:  
1
0.1006/jmbi.2000.4285  
Bello, M.; Martinez-Archundia, M.; Correa-Basurto, J. (2013). Automated docking for novel  
drug discovery. Expert Opinion on Drug Discovery, 8, 821-834. doi:  
1
0.1517/17460441.2013.794780  
Bello, M.; Guadarrama-García, C.; Rodriguez-Fonseca, R. A (2020). Dissecting the  
molecular recognition of dual lapatinib derivatives for EGFR/HER2. J Comput Aided Mol Des.  
2
020 Mar;34(3):293-303. doi: 10.1007/s10822-019-00270-4  
Beveridge, D. L.; Dicapua, F. M. (1989). Free-Energy Via Molecular Simulation - Applications  
to Chemical and Biomolecular Systems. Annu. Rev. Biophys. Biomol. Struct., 18, 431-492.  
doi: 10.1146/annurev.bb.18.060189.002243  
Boresch, S.; Bruckner, S. (2011). Avoiding the van der Waals endpoint problem using serial  
atomic insertion. Journal of Computational Chemistry, 32, 11, 2449-2458. doi:  
1
0.1002/jcc.21829  
41  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
Boresch, S.; Tettinger, F.; Leitgeb, M.; Karplus, M. (2003). Absolute binding free energies: A  
quantitative approach for their calculation. Journal of Physical Chemistry B, 107, 35, 9535-  
9
551. DOI:10.1021/JP0217839  
Brooks, B.R.; Janezic, D.; Karplus M. (1995). Harmonic-analysis of large systems. 1.  
Methodology. J. Comput. Chem., 16, 1522-1542. https://doi.org/10.1002/jcc.540161209  
Case, D. A.; Cheatham, T. E.; Darden, T.; Gohlke, H.; Luo, R.; Merz, K. M.; Onufriev, A.;  
Simmerling, C.; Wang, B.; Woods, R. J. (2005). The Amber biomolecular simulation  
programs. Journal of Computational Chemistry, 26(16), 1668-1688. doi: 10.1002/jcc.20290  
Cornell, W.D.; Cieplak, P.; Bayly, C. I.; Gould, I. R.; Merz, K. M.; Ferguson, D. M.;  
Spellmeyer, D. C.; Fox, T.; Caldwell, J. W.; Kollman P. A. (1995). A second generation  
forcefield for the simulation of proteins, nucleic acids, and organic molecules. Journal of the  
American Chemical Society, 117, 19, 5179-5197. https://doi.org/10.1021/ja00124a002  
Crean, R. M.; Pudney, C. R.; Cole, D. K.; Van der Kamp, M. W. (2022). Reliable in silico  
ranking of engineered therapeutic TCR binding affinities with MMPB/GBSA. Journal of  
chemical information and modeling, 62(3), 577-590. doi: 10.1021/acs.jcim.1c00765  
Cruz-Monteagudo, M.; Medina-Franco, J. L.; Pérez-Castillo, Y.; Nicolotti, O.; Cordeiro, M.  
N., et al. (2014). Activity cliffs in drug discovery: Dr. Jekyll or Mr. Hyde? Drug Discovery  
Today, 19, 1069-1080. doi: 10.1016/j.drudis.2014.02.003  
Deng, Y.; Roux, B. (2009). Computations of standard binding free energies with molecular  
dynamics simulations. J Phys Chem B., 113 (8), 2234-2246. doi: 10.1021/jp807701h  
Du, J.; Sun, H.; Xi, L.; Li, J.; Yang, Y.; Liu, H.; Yao, X. (2011). Molecular modeling study of  
Checkpoint Kinase 1 inhibitors by multiple docking strategies and Prime/MMGBSA. Journal  
of Computational Chemistry, 32, 13, 2800-2808. DOI: 10.1002/jcc.21859  
Genheden, S.; Ryde, U. (2015). The MM/PBSA and MM/GBSA methods to estimate ligand-  
binding  
affinities. Expert  
Opin  
Drug  
Discov., 10(5),  
449-461.  
doi:  
1
0.1517/17460441.2015.1032936  
Gilson, M. K.; Zhou, H. X. (2007). Calculation of protein-ligand binding affinities. Annu Rev  
of Biophys Biomol Struct, 36, 21-42. doi: 10.1146/annurev.biophys.36.040306.132550  
Harvey, M. J.; Giupponi, G.; De Fabritiis, G. (2009). ACEMD: Accelerating  
biomolecularsimulations in the microsecond time scale. Journal of Chemical Theory &  
Computation, 5, 6, 1632-1639. doi: 10.1021/ct9000685  
Hayes, J. M.; Leonidas, D. D. (2010). Computation as a tool for glycogen phosphorylase  
inhibitor design. Mini Reviews in Medicinal Chemistry, 10, 12, 1156-1174. doi:  
1
0.2174/1389557511009011156  
Hayes, J. M.; Skamnaki, V. T.; Archontis, G.; Lamprakis, C.; Sarrou, J.; Bischler, N.;  
Skaltsounis, A. L.; Zographos, S. E.; Oikonomakos, N. G. (2011). Kinetics, in silico docking,  
42  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
molecular dynamics, and MM-GBSA binding studies on prototype indirubins, KT5720, and  
staurosporine as phosphorylase kinase ATP-binding site inhibitors: The role of water  
molecules examined. Proteins., 79 (3), 703-719. doi: 10.1002/prot.22890  
Hou, X. B.; Du, J. T.; Zhang, J.; Du, L. P.; Fang, H.; Li, M. Y (2013). How to Improve Docking  
Accuracy of Autodock4.2: A Case Study Using Different Electrostatic Potentials. J. Chem.  
Inf. Model., 53, 188−200. doi: 10.1021/ci300417y  
Karplus, M.; Kushick, J. N. (1981). Method for estimating the configurational entropy of  
macromolecules. Macromolecules, 14, 2, 325-332. https://doi.org/10.1021/ma50003a019  
Kirkwood, J. G. (1935). Statistical mechanics of fluid mixtures. Journal of Chemical Physics,  
3
, 5, 300-313. https://doi.org/10.1063/1.1749657  
Kollman, P. (1993). Free energy calculations: Applications to chemical and biochemical  
phenomena. Chem. Rev., 93 (7), 2395-2417. https://doi.org/10.1021/cr00023a004  
Kollman, P. A.; Massova, I.; Reyes, C.; Kuhn, B.; Huo, S. H.; Chong, L.; Lee, M.; Lee, T.;  
Duan, Y.; Wang, W.; Donini, O.; Cieplak, P.; Srinivasan, J.; Case, D. A.; Cheatham, T. E.  
(
2000). Calculating structures and free energies of complex molecules: Combining molecular  
mechanics and continuum models. Acc. Chem. Res., 33 (12), 889-897.  
https://doi.org/10.1021/ar000033j  
Konecny, G. E.; Pegram, M. D.; Venkatesan, N.; Finn, R.; Yang, G. (2006). Activity of the  
dual kinase inhibitor lapatinib (GW572016) against HER-2-overexpressing and trastuzumab-  
treated breast cancer cells. Cancer Res 66:1630-1639. doi: 10.1158/0008-5472.CAN-05-  
1
182  
Lavecchia, A.; di Giovanni, C. (2013). Virtual screening strategies in drug discovery: A critical  
review. Current Medicinal Chemistry, 20, 2839-2860. doi: 10.2174/09298673113209990001  
Lee, M. S.; Olson, M. A. (2006). Calculation of absolute protein-ligand binding affinity using  
path and endpoint approaches. Biophysical Journal, 90, 3, 864-877. doi:  
1
0.1529/biophysj.105.071589  
Li, Y.; Shen, J.; Sun, X.; Li, W.; Liu, G.; Tang, Y. (2010). Accuracy Assessment of Protein-  
Based Docking Programs against RNA Targets. J. Chem. Inf. Model, 50, 1134−1146. doi:  
1
0.1021/ci9004157  
Lyu, A.; Lei, F.; Shaohua, G. (2014). Design and synthesis of Lapatinib derivatives containing  
a branched side chain as HER1/HER2 targeting antitumor drug candidates. Eur J Med  
Chem., 87, 631-642. doi: 10.1016/j.ejmech.2014.10.006.  
MacKerell, A.D.; Bashford, D.; Bellott M.; Dunbrack, Jr.; R. L.; Evanseck, J. D.; Field, M. J.;  
Fischer, S.; Gao, J.; Guo, H.; Ha, S.; Joseph-McCarthy, D.; Kuchnir, L.; Kuczera, K.; Lau,  
F.T.K.; Mattos, C.; Michnick, S.; Ngo, T.; Nguyen, D. T.; Prodhorn, B.; Reiher, III, W. E.;  
Roux, B.; Schlenkrich, M.; Smith, J. C.; Stote, R.; Straub, J.; Watanabe M.; Wiórkiewicz-  
Kuczera, J.; Yin, D.; Karplus, M. (1998). All-atom empirical potential for molecular modeling  
43  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
and dynamics studies of proteins. Journal of Physical Chemistry B.102., 18, 3586-3616.  
https://doi.org/10.1021/jp973084f  
Maggiora, G. M. (2006). On outliers and activity cliffs-why QSAR often disappoints. Journal  
of Chemical Inforation and Modeling, 46, 1535. https://doi.org/10.1021/ci060117s  
Meng, Y.; Sabri Dashti, D.; Roitberg, A. E (2011). Computing Alchemical Free Energy  
Differences with Hamiltonian Replica Exchange Molecular Dynamics (H-REMD)  
Simulations. J. Chem. Theory Comput., 7, 2721−2727. doi: 10.1021/ct200153u  
Mobley, D. L.; Graves, A. P.; Chodera, J. D.; McReynolds, A. C.; Shoichet, B. K.; Dill, K. A.  
(
2007). Predicting absolute binding free energies to a simple model site. Journal of Molecular  
Biology., 371, 4, 1118-1134. doi: 10.1016/j.jmb.2007.06.002  
Oates, J.; Jakobsen, B.K. (2013). ImmTACs: Novel bi-specific agents for targeted cancer  
therapy. Oncoimmunology. 1, 2(2):e22891. doi: 10.4161/onci.22891  
Polydoridis, S.; Leonidas, D. D.; Oikonomakos, N. G.; Archontis G. (2007). Recognition of  
ribonuclease A by 3’-5’-pyrophosphate-linked dinucleotide inhibitors: A molecular  
dynamics/continuum electrostatics analysis. Biophys J., 92(5), 1659-1672. doi:  
1
0.1529/biophysj.106.093419  
Rocchia, W.; Alexov, E.; Honig, B. (2001). Extending the applicability of the nonlinear  
Poisson-Boltzmann equation: Multiple dielectric constants and multivalent ions. J. Phys.  
Chem. B., 105, 6507-6514. DOI:10.1021/JP010454Y  
Rusnak, D.W.; Lackey, K.; Affleck, K. (2001). The effects of the novel, reversible epidermal  
growth factor receptor/ErbB-2 tyrosine kinase inhibitor, GW2016, on the growth of human  
normal and tumor-derived cell lines in vitro and in vivo. Mol Cancer Ther., 1(2), 85-94.  
Straatsma, T. P.; McCammon J. A. (1992). Computational alchemy. Annual Review of  
Physical Chemistry., 43, 407-435. https://doi.org/10.1146/annurev.pc.43.100192.002203  
Stone, J. E., Hardy, D. J., Isralewitz, B., y Schulten, K. (2011). Chapter 16: GPU algorithms  
for molecular modeling. In: Scientific Computing with Multicore & Accelerators, Dongarra J.;  
Bader J.A & Kurzak J., pp. (351-371), Chapman & Hall/CRC Press, ISBN 9781439825365.  
Stumpfe, D.; Hu, Y.; Dimova, D., Bajorath, J. (2016). Recent Progress in Understanding  
Activity Cliffs and Their Utility in Medicinal Chemistry. J Med Chem., 57: 18- 28.  
https://doi.org/10.1021/jm401120g  
Suzuki, T., Motohashi, H., Yamamoto, M. (2013). Toward Clinical Application of the  
Keap1−Nrf2 Pathway. Trends Pharmacol. Sci., 34, 340−346. doi: 10.1016/j.tips.2013.04.005  
Tidor, B.; Karplus, M. (1994). The contribution of vibrational entropy to molecular association  
–
the dimerization of insulin. J Mol Biol., 238(3), 405-414. doi: 10.1006/jmbi.1994.1300  
44  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
Tropsha, A. (2010). Best practices for QSAR model development, validation, and  
exploitation. Molecular Informatics, 29, 476-488. doi: 10.1002/minf.201000061  
Van Gunsteren, W. F., Billeter, S. R., Eising, A. A., Hünenberger, P. H., Krueger, P., Mark,  
A. E., Scott, W. R. P., y Tironi, I. G. (1996). Biomolecular Simulation: The GROMOS96  
Manual and User Guide; vdf Hochschulverlag AG an der ETH Zürich and BIOMOS b.v.  
Zürich, Groningen.  
Van Der Spoel, D.; Lindahl, E.; Hess, B.; Groenhof, G.; Mark, A.E.; Berendsen, H.J. (2005).  
GROMACS: fast, flexible, and free. J. Comput. Chem., 26, 1701-1718. doi:  
1
0.1002/jcc.20291  
Wang, E.; Fu, W.; Jiang, D.; Sun, H.; Wang, J.; Zhang, X.; Weng, G.; Liu, H.; Tao, P.; Hou.  
T. (2021). VAD-MM/GBSA: A Variable Atomic Dielectric MM/GBSA Model for Improved  
Accuracy in Protein-Ligand Binding Free Energy Calculations. J Chem Inf Model. 28, 61(6),  
2
844-2856. doi: 10.1021/acs.jcim.1c00091  
Wang, J.M.; Hou, T.J.; Xu, X.J. (2006). Recent advances in free energy calculations with a  
combination of molecular mechanics and continuum models. Curr. Comput. Aided Drug  
Des., 2 (3), 287-306. DOI: 10.2174/157340906778226454  
Wang, Z.; Sun, H.; Yao, X.; Li, D.; Xu, L.; Li, Y.; Tian, S.; Hou, T. (2016). Comprehensive  
Evaluation of Ten Docking Programs on a Diverse Set of Protein−Ligand Complexes: The  
Prediction Accuracy of Sampling Power and Scoring Power. Phys. Chem. Chem. Phys., 18,  
1
2964−12975. DOI: 10.1039/c6cp01555g  
Wang, Z.; Pan, H.; Sun, H.; Kang, Y.; Liu, H.; Cao, D.; Hou, T. (2022). fastDRH: a webserver  
to predict and analyze protein-ligand complexes based on molecular docking and  
MM/PB(GB)SA computation. Brief Bioinform. 20, 23(5):bbac201. doi: 10.1093/bib/bbac201  
Wang, Z.; Wang, X.; Li, Y.; et al (2019). farPPI: a webserver for accurate prediction of protein-  
ligand binding structures for small-molecule PPI inhibitors by MM/PB(GB)SA methods.  
Bioinformatics. 35, 1777-9. doi: 10.1093/bioinformatics/bty879  
Weng, G.; Wang, E.; Wang, Z.; Liu, H.; Zhu, F.; Li, D.; Hou, T. (2019). HawkDock: a web  
server to predict and analyze the protein-protein complex based on computational docking  
and MM/GBSA. Nucleic Acids Res. 2;47(W1), W322-W330. doi: 10.1093/nar/gkz397  
Wu, D.; Zheng, X.; Liu, R.; Li, Z.; Jiang, Z.; Zhou, Q.; Huang, Y.; Wu, X. N.; Zhang, C.; Huang,  
Y. Y.; Luo, H. B. (2022). Free energy perturbation (FEP)-guided scaffold hopping. Acta  
Pharm Sin B. 2(3), 1351-1362. doi: 10.1016/j.apsb.2021.09.027  
Yang, C. Y.; Sun, H.; Chen, J.; Nikolovska-Coleska, Z.; Wang, S. (2009). Importance of  
ligand reorganization free energy in protein-ligand binding affinity prediction. J Am Chem  
Soc., 131(38), 13709-13721. doi: 10.1021/ja9039373  
45  
Revista Latinoamericana de Difusión Científica  
Volumen 5 – Número 8 – Enero/Junio 2023- ISSN 2711-0494  
M. Bello// Métodos computacionales para estimar la afinidad de un complejo ligando… 27-46  
Yu, Y.; Wang, Z.; Wang, L.; Tian, S.; Hou, T.; Sun, H. (2022). Predicting the mutation effects  
of protein-ligand interactions via end-point binding free energy calculations: strategies and  
analyses. J Cheminform. 20, 14(1), 56. doi: 10.1186/s13321-022-00639  
Zhong, S.; Huang, K.; Luo, S.: Dong, S.; Duan, L. (2020). Improving the performance of the  
MM/PBSA and MM/GBSA methods in recognizing the native structure of the Bcl-2 family  
using the interaction entropy method. Physical Chemistry Chemical Physics. 22(7), 4240-  
4
251. doi: 10.1039/c9cp06459a  
Zwanzig, R. W. (1954). High-temperature equation of state by a perturbation method. I.  
Nonpolar gases. Journal of Chemical Physics. 8, 1420-1426.  
https://doi.org/10.1063/1.1740409  
46