పరిశోధన నైపుణ్యాలు

డ్రగ్-టార్గెట్ బైండింగ్‌ను అంచనా వేయడానికి మోలిక్యులర్ డాకింగ్ — CXCL9/10 మరియు SKP2 వంటి క్యాన్సర్ లక్ష్యాల కోసం సంభావ్య చికిత్సా అభ్యర్థులను గుర్తించడానికి మరియు వేలాది సమ్మేళనాలను పరీక్షించడానికి AutoDock Vina, SwissDock మరియు PATCHDOCKలను ఉపయోగించారు.

• AutoDock Vina — batch protein-ligand docking (1,950+ complexes)
• Protein-protein docking — HADDOCK, pyDockWeb, PatchDock, ClusPro
• Protein-protein interaction — CD151 cholesterol binding, TWIST1-OGT/OGase, survivin-caspase complexes
• Protein-complex docking — ternary systems (survivin + OBPHA + caspase-3/7/9)
• Peptide-peptide docking — TWIST1-OGT/OGase interactions
• Ligand preparation — AutoDockTools, OpenBabel, PubChemPy 3D SDF, SwissParam topology
• Post-docking analysis — ChimeraX H-bond/contact automation, PLIP, PRODIGY
• Cancer targets — CXCL9/10, SKP2, PPARγ, BRCA1, GRK2, CD63-VEGF, p53, Bcl-2, PDGFR
• DrugBank & FDA drug screening — 8K+ conformers, immune checkpoints (CD28, TIGIT, PD-1)

నానోసెకండ్ టైమ్‌స్కేల్‌లలో ప్రోటీన్ స్థిరత్వం, లిగాండ్ బైండింగ్ పథాలు మరియు ఆకృతీకరణ మార్పులను అధ్యయనం చేయడానికి GROMACS మరియు WebGroతో మోలిక్యులర్ డైనమిక్స్ అనుకరణలు — డాకింగ్ అంచనాలను ధృవీకరించడానికి చాలా కీలకం.

• GROMACS — full MD pipeline (pdb2gmx, editconf, solvate, genion, grompp, mdrun) up to 300ns
• Coarse-grain MD — MARTINI force field for lipid–ligand membrane systems (Lapatinib/DMPC/cholesterol)
• Atomistic MD — CHARMM36 force field for protein–ligand complexes; AMBER/CHARMM36 for membranes
• CHARMM-GUI membrane builder — DMPC, DOPC, DOPS, cholesterol bilayer preparation & embedding
• Desmond MD — local installation & WebGro cloud submission, trajectory analysis
• MMPBSA — gmx_MMPBSA binding free energy calculations (300ns trajectories)
• RMSD / RMSF / Rg / SASA / DSSP — protein stability, secondary structure, solvent analysis
• SwissParam & PRODRG — ligand topology/ITP generation for GROMACS CHARMM force field
• GMXvg — published GROMACS visualization & plotting tool

AlphaFold2, SwissModel, I-TASSER, Rosetta తో ప్రోటీన్ నిర్మాణ అంచనా — మ్యూటెంట్ మోడలింగ్, ట్రాన్స్‌మెంబ్రేన్ ప్రోటీన్ అంచనా, ప్రోటీన్ పోలిక (RMSD) తో సహా.

• AlphaFold2 — protein structure prediction via Google Colab (IL27 complex, CD151, CD63)
• SwissModel — homology modeling + QA (quality assessment) for mutant proteins (3EQH-ALA76GLY)
• I-TASSER — 3D structure prediction for membrane & transmembrane proteins
• Rosetta — protein structure prediction and design
• Avogadro — energy minimization of small molecules & ligand 3D optimization
• Protein structure comparison — ChimeraX Matchmaker (RMSD, primary/secondary/tertiary structure)
• PDB processing — UniProt mapping, PDBTM for transmembrane, chain cleanup, HETATM separation
• O-GlcNAcylation site prediction — YinOYang, dbPTM, PhosphoSitePlus for GRK2 sites (S20, S121, S370)
• Membrane protein resources — PDBTM, TMDock, MemProtMD, PerMemDB, MBPpred, ProteinTools

GEOParseతో GEO డేటాసెట్‌లను మైనింగ్ చేయడం, RNA-Seq మరియు ncRNA వ్యక్తీకరణ ప్రొఫైల్‌లను విశ్లేషించడం, క్యాన్సర్‌లో క్రమరహిత జన్యువులు మరియు నియంత్రణ నెట్‌వర్క్‌లను గుర్తించడానికి పాత్‌వే ఎన్రిచ్‌మెంట్ మరియు GO ఉల్లేఖనాలను నిర్వహించడం.

• GEO dataset mining — GEOParse querying, GDS database search, sample/platform/series filtering (GSE15852, GSE73002, GSE77348)
• Differential gene expression — PyDGE framework, MCF7 vs MCF10A, normal vs tumor expression analysis
• TCGA cancer genomics — GDC portal data download (gdc-client), TCGA-BRCA miRNA-seq, TNBC cohort filtering, sample type codes
• miRNA database consolidation — miRBase (2,693 mature), ExoCarta, EVmiRNA, miRCancer cross-referencing & Venn analysis
• miRNA target prediction — TargetScan, miRDB, DIANA, miRWalk, miRTarBase validated targets
• Exosomal miRNA analysis — miR-34a, miR-10b, miR-21, miR-9; ExoLoger prediction database
• ncRNA analysis — lncRNA, circRNA, siRNA, piRNA; RNAComposer, UNAFold, MXfold2 for 3D structure
• Pathway & network analysis — KEGG (KEGGScape), WikiPathways, Biocarta, STRING interaction networks, FunRich enrichment
• NCBI/Entrez queries — PubMed search, GDS metadata extraction, Gene database cross-referencing
• Cancer gene resources — IntOGen (BRCA driver genes), cBioPortal, OncoKB, COSMIC, CancerES (IIITD)
• PTM databases — dbPTM, PhosphoSitePlus, O-GlcNAc (oglcnac.mcw.edu), VerSeDa

SieveAIని నిర్మించారు, ఇది బ్యాచ్‌లో స్క్రీనింగ్, డాకింగ్ మరియు స్కోరింగ్‌ను సమన్వయం చేసే ఒక స్వయంచాలక ఔషధ ఆవిష్కరణ పైప్‌లైన్ — నెలల తరబడి చేసే మాన్యువల్ పనిని గంటల వ్యవధికి తగ్గిస్తుంది. Zenodo DOIతో ప్రచురించబడింది మరియు ఓపెన్-సోర్స్ చేయబడింది.

• SieveAI — end-to-end automated drug discovery pipeline: PDB prep → ligand prep → docking → result extraction → filtering
• Bulk docking automation — 576 cancer genes × 5 ligands = 1,950+ complexes; 9,127 Vina results parsed & filtered
• DrugBank high-throughput screening — GRK2 (3,894 complexes ~60h compute), immune checkpoints (8K+ conformers)
• Automated PDB processing — Python scripts for ATOM/HETATM separation, chain cleanup, grid box calculation, PDBQT conversion
• Bulk ligand preparation — AutoDockTools prepare_ligand4.py, OpenBabel batch PDB→SDF→SMILES, PubChemPy 3D SDF download
• Automated result extraction — Vina score parsing, ChimeraX H-bond/contact command generation, best-pose selection by residue interaction
• SwissADME bulk — automated SMILES submission, ADME radar scraping, property aggregation across 88+ compounds
• MDDAA-Mate — docking analysis assistant for validation & cross-checking against published results

PubMed సాహిత్య మైనింగ్ కోసం అనుకూల స్క్రాపింగ్ ఫ్రేమ్‌వర్క్‌లను అభివృద్ధి చేశారు, మెటా-విశ్లేషణ మరియు క్రమబద్ధమైన సమీక్షల కోసం వేలాది అబ్‌స్ట్రాక్ట్‌లు మరియు శాస్త్రీಯ వెబ్ మూలాల నుండి నిర్మాణాత్మక డేటాను సేకరిస్తారు.

• PubMed querying & full-text mining — biopubmed CLI tool
• Scientific literature meta-analysis — systematic review automation
• Web scraping framework (Scrapper) — GEO, DrugBank, UniProt, ZINC, PubChem data extraction
• API integration — PubChemPy 3D SDF download, RCSB ligand fetch, KEGG KGML pathway
• miR literature curation — exosomal miR article classification & filtering

పరిశోధన అబ్‌స్ట్రాక్ట్‌ల నుండి పేరున్న ఎంటిటీ గుర్తింపు (NER) మరియు కీవర్డ్ సహ-సంభవ విశ్లేషణ కోసం బయోమెడికల్ NLP — పెద్ద సేకరణల నుండి స్వయంచాలక సాహిత్య సంశ్లేషణ మరియు పరికల్పన ఉత్పత్తిని ప్రారంభిస్తుంది.

• Biomedical NLP — keyword co-occurrence, named entity recognition, spaCy POS/lemma extraction
• Text mining — structured extraction from thousands of PubMed results
• Exosomal miR prediction — NLP + clustering for unvalidated miR identification
• Regex-based data extraction — SMILES conversion, gene ID mapping, UniProt batch queries

కఠినమైన మూల్యాంకనంతో (AUC, F1, MCC) రాండమ్ ఫారెస్ట్, SVM మరియు XGBoost మోడల్‌ల ద్వారా అనుబంధించబడిన SMILES/SMARTS వేలిముద్రలను ఉపయోగించి మెటాబోలైట్ వర్గీకరణ కోసం డీప్ న్యూరల్ నెట్‌ವರ್క్‌ಗಳು (DNN).

• DNN for metabolite classification — SMILES/SMARTS fingerprinting
• Random Forest / SVM / XGBoost — cancer gene expression classifiers
• Model evaluation — AUC, F1, MCC metrics
• PCA & one-hot encoding — miRNA sequence analysis & dimensionality reduction

కంప్యూటేషనల్ సాఫ్ట్‌ವೇర్ టూల్స్‌ను రచించి ప్రచురించారు — SieveAI (ఔషధ ఆవిష్కరణ), ExoLoger (ಎಕ್ಸೋಸೋಮಲ್ miRNA ಅಂದಾಜು), GMXvg (GROMACS విజువలైజేషన్, Zenodo DOI), miRvim (3D miRNA నిర్మాణ డేటాబేస్), మరియు UtilityLib (పైథాన్ యుటిలిటీస్, Zenodo DOI).

• SieveAI — automated drug discovery pipeline
• ExoLoger — exosomal miRNA prediction database
• GMXvg — GROMACS visualization & plotting
• miRVim — 3D miRNA structure database
• UtilityLib — Python utility library (PyPI v2.21.4)
• TheBiomics — Drupal education platform (17K+ users)
• biopubmed — PubMed scraping & processing CLI
• Scrapper — scientific web data extraction framework
• MDDAA-Mate — docking analysis assistant & validation tool
• PyDGE — differential gene expression analysis framework