Síntesis de aminoácidos modificados con carbonilos reactivos in silico para evaluar los efectos estructurales mediante simulaciones de dinámica molecular
April 26th, 2024
En este trabajo se describe un protocolo para la optimización y parametrización de residuos de aminoácidos modificados con especies carbonilas reactivas, adaptables a sistemas proteicos. Los pasos del protocolo incluyen el diseño y la optimización de la estructura, las asignaciones de carga, la construcción de parámetros y la preparación de sistemas de proteínas.
Nuestro trabajo muestra una ruta para la creación in silico de aminoácidos carbonilados con productos finales de peroxidación lipídica y sobre cómo incorporarlos a una proteína. Esto puede ayudarnos a entender cómo esta modificación postraduccional puede alterar la función estructural de las proteínas carboniladas. Los programas basados en algoritmos de inteligencia artificial son las herramientas computacionales más potentes de la actualidad para predecir la estructura terciaria de las proteínas.
Sin embargo, aún no reconocen los aminoácidos carbonilados y, por lo tanto, no pueden predecir sus efectos sobre la estructura de las proteínas. Para estudiar el impacto de la modificación postraduccional en la estructura y función de una proteína, se dispone de una amplia gama de métodos de parámetros que se combinan con enfoques computacionales para acelerar y profundizar el hallazgo deseado. Existen importantes retos a los que hay que hacer frente en el estudio de la modificación postraduccional de proteínas, tanto in vivo, como in vitro e in silico.
A nivel in silico, todavía se requiere la mejora de los campos de fuerza y los programas de análisis de datos, junto con la creación de nuevos parámetros. Debido al aumento de proteínas carboniladas en infecciones metabólicas y enfermedades relacionadas con el envejecimiento, entre muchas otras, nuestros resultados pueden contribuir a comprender el cambio estructural que se produce en esta y cómo esto puede afectar a la función in silico
Información general
Este artículo presenta un protocolo para la creación in silico de aminoácidos carbonilados y su incorporación en proteínas. Destaca la importancia de comprender cómo las modificaciones postraduccionales pueden afectar la estructura y función de las proteínas.
Componentes clave del estudio
Área de la ciencia
- Bioquímica
- Biología estructural
- Biología computacional
Antecedentes
- Los aminoácidos carbonilados son productos de la peroxidación lipídica.
- Las modificaciones postraduccionales pueden alterar significativamente la funcionalidad de las proteínas.
- Los algoritmos de IA actuales no tienen en cuenta los aminoácidos carbonilados.
- Entender estas modificaciones es crucial para los estudios de proteínas.
Propósito del estudio
- Desarrollar un protocolo para optimizar los aminoácidos carbonilados.
- Explorar los efectos de estas modificaciones en la estructura de las proteínas.
- Abordar los desafíos en el estudio de las modificaciones postraduccionales.
Métodos utilizados
- Diseño in silico de aminoácidos carbonilados.
- Parametrización de residuos modificados.
- Integración de modificaciones en sistemas proteicos.
- Utilización de herramientas computacionales para la predicción estructural.
Principales resultados
- Creación exitosa de aminoácidos carbonilados.
- Incorporación demostrada en estructuras proteicas.
- Identificación de desafíos en la predicción de impactos estructurales.
- Proporción de un marco para futuros estudios sobre modificaciones proteicas.
Conclusiones
- El protocolo mejora la comprensión de las proteínas carboniladas.
- Abre vías para futuras investigaciones sobre modificaciones postraduccionales.
- Las herramientas de IA necesitan evolucionar para incluir aminoácidos carbonilados.
Preguntas frecuentes
Executive Industry Relevance
Understanding the structural impact of protein carbonylation is critical for de-risking target validation and elucidating mechanisms underlying age-related and metabolic diseases. This in silico protocol enables the generation and integration of carbonylated amino acid parameters, addressing a key gap in predictive modeling for post-translational modifications. The approach supports portfolio decisions by enhancing confidence in structure-function relationships for modified protein targets.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of post-translational modification effects on protein structure and function.
- Supports mechanistic de-risking by modeling disease-relevant modifications in silico.
- Improves predictive confidence for target selection in age-related and metabolic disease research.
Screening & Assay Development
- Facilitates preparation of structurally validated protein models for downstream screening workflows.
- Enables quantitative assessment of conformational stability and modification-induced changes.
- Supports reproducibility and standardization in computational assay development.
Translational & Preclinical Research
- Aligns in silico models with disease-relevant post-translational modifications observed in vivo.
- Provides continuity from molecular modeling to preclinical hypothesis testing.
- De-risks translational advancement by clarifying modification-driven structural liabilities.
Pipeline & Workflow Integration
This protocol integrates into the discovery continuum from early mechanistic studies through preclinical modeling, enabling iterative hypothesis testing and structural validation.
- Discovery Biology: Supports hypothesis testing on the impact of carbonylation on protein targets.
- Screening: Delivers reproducible, parameterized models for computational screening and comparison.
- Analytics: Provides quantitative outputs such as RMSD, RMSF, DSSP, and SASA for structural assessment.
- Translational Research: Bridges in silico findings with disease-relevant protein modifications for preclinical studies.
- Enterprise Reuse: Establishes a reusable computational framework for modeling diverse post-translational modifications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in target validation.
- Operational Value: Standardizes computational workflows for modified protein modeling and analysis.
- Strategic Value: Informs go/no-go decisions by clarifying structural risks associated with protein modifications.
- Portfolio Impact: Enables risk-adjusted prioritization of targets affected by post-translational modifications.
Implementation Considerations
- Requires expertise in computational chemistry and molecular dynamics simulations.
- Demands access to advanced software for structure optimization and parameterization.
- Necessitates cross-team standardization of data formats and analysis protocols.
- Adaptation may be needed for different protein systems or modification types.
- Current AI tools may not recognize carbonylated residues, requiring custom parameter development.
