Article de méthode

Application de I TASSER, trRosetta, UCSF Chimera, HADDOCK server et HEX loria pour la conception de novo et in silico de protéines

DOI :

10.3791/68003

⸱

8 juillet 2025

 , 
1Facultad de Ciencias Naturales, Doctorado en Ciencias Biológicas, Campus Aeropuerto. Laboratorio de Biología Cuantitativa y Sistemas Complejos, Universidad Autónoma de Querétaro

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La conception de protéines implique la construction de séquences d’acides aminés et l’incorporation de motifs spécifiques pour créer des variantes fonctionnelles. Cette approche est essentielle pour le développement de peptides antimicrobiens (AMP) pour lutter contre les agents pathogènes résistants aux antibiotiques. Cet article présente une procédure de construction de protéines à l’aide de divers outils bioinformatiques.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les frontières de la conception des protéines résident dans la construction de séquences d’acides aminés et l’incorporation de motifs spécifiques, tels que les sites de liaison, dans les récepteurs, les canaux ioniques ou d’autres protéines. Cette approche permet la production de variantes protéiques avec des fonctions et des objectifs spécifiques. Une application exemplaire de ces ressources bioinformatiques est l’amélioration des peptides antimicrobiens (AMP) ou la conception d’AMP synthétiques. Cette évolution est importante en raison de l’augmentation récente des maladies émergentes, souvent causées par des agents pathogènes difficiles à éradiquer et présentant une résistance aux antibiotiques. Les conséquences de cette tendance comprennent l’extinction mondiale des espèces animales et la mort de l’humanité. Il est donc essentiel de mettre au point rapidement des AMP nouvelles et efficaces. Ces serveurs et programmes peuvent faciliter le développement rapide de vaccins, de AMP ou de traitements efficaces contre ces agents pathogènes. L’objectif de ce travail était de présenter et de proposer une procédure de construction de protéines à partir de séquences et d’élucider le processus d’utilisation de différents outils pour construire ces molécules étape par étape.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’incidence des maladies animales augmente, et ce phénomène est influencé par le changement climatique. L’augmentation de la température mondiale a entraîné la prolifération de micro-organismes et l’émergence d’agents pathogènes opportunistes, contribuant au développement de maladies virulentes et résistantes aux médicaments1. Le changement climatique affecte le sol, l’eau, la peau et le microbiome intestinal, entraînant un stress persistant sur la physiologie animale et l’adaptation environnementale. Il a été démontré que ce phénomène compromet les réponses immunitaires, rendant les animaux plus sensibles aux agents pathogènes émergents, ce qui peut avoir des conséquences mortelles et potentiellement conduire à l’extinction de certaines espèces 2,3,4,5. Un exemple marquant est le syndrome du museau blanc (SMB), une maladie causée par le champignon Pseudogymnoascus destructans, qui affecte les chauves-souris en hibernation. Cette maladie et d’autres n’ont pas été identifiées jusqu’à ce qu’une mortalité importante se soit produite sur le continent américain en 20066. Pour atténuer les dommages causés par ces agents pathogènes, les chercheurs se sont tournés vers l’administration d’antimycosiques, tels que l’itraconazole et le kétoconazole, et de probiotiques, y compris l’inoculation du microbiote bénéfique Pseudomonas fluorescens7. Un autre exemple de maladie causée par un champignon est celui d’Ophidiomyces ophiodiicola, un champignon qui provoque des dermatites et des maladies multisystémiques chez les serpents en captivité et sauvages 4,8.

Ces études soulignent la nécessité d’une sensibilisation et d’une compréhension accrues des maladies fongiques chez les animaux sauvages afin de mettre en œuvre rapidement des solutions pratiques. Des infections fongiques ont été signalées chez les amphibiens, et un agent pathogène prévalent qui affecte ces animaux est le champignon aquatique Batrachochytrium dendrobatidis (Bd), qui provoque la chytridiomycose. Cette maladie provoque de graves lésions cutanées et perturbe le fonctionnement normal de la peau chez les animaux sensibles, ce qui peut entraîner la mort9. Cet agent pathogène s’est largement répandu depuis le 20e siècle, contribuant à l’extinction de 90 espèces d’amphibiens. La prévalence de ces infections pose un défi de taille pour les prévenir et identifier des traitements efficaces, car elles nécessitent la prise en compte de divers facteurs écologiques, physiologiques, du microbiome et d’autres facteurs10.

C’est un phénomène bien documenté que les micro-organismes pathogènes possèdent la capacité de développer rapidement des mécanismes de résistance par codage génétique, un processus qui peut être illustré par la production de pompes d’efflux externes pour les médicaments et les antibiotiques11. De plus, on a observé que ces micro-organismes modifient la composition lipidique membranaire dans le but de contrecarrer les effets de molécules spécifiques12. Le domaine des séquences protéiques a suscité un intérêt considérable, notamment dans le contexte de son intégration dans les approches de traitement et de la construction de modèles de structure protéique. Ces modèles sont conçus pour optimiser le temps et les ressources du laboratoire avant le début de la synthèse des protéines13. Dans ces cas, la prévention des infections est une tâche complexe qui fait appel à de multiples facteurs écologiques, physiologiques et du microbiome14. Cette approche facilite une gestion plus efficace du temps et des ressources en laboratoire et met l’accent sur la complexité de la tâche.

Dans le but d’améliorer le potentiel d’applications pratiques des composés existants, ainsi que de créer de nouveaux composés avec un potentiel plus important pour de telles applications, il est impératif d’utiliser l’expertise de diverses disciplines, notamment la chimie, la biologie moléculaire, la physique et la programmation. À cette fin, plusieurs outils sont disponibles, notamment I-TASSER (Iterative Threading ASSembly Refinement)15,16 et trRosetta 17,18 (prédiction de la structure des protéines par Rosetta restrainée par TRansform-restrained). la prédiction des protéines structurelles et UCSF Chimera (un système de visualisation pour la recherche exploratoire et l’analyse de l’Université de Californie à San Francisco)19 et HEX loria (un programme interactif d’amarrage des protéines et de superposition moléculaire)20 pour l’amarrage moléculaire et l’édition de fichiers PDB.

I-TASSER est un serveur en ligne automatisé qui prédit la structure et le fonctionnement. Ce programme est accessible via un navigateur web ou en téléchargement. Sur la page de soumission, les utilisateurs peuvent saisir la séquence au format FASTA ou télécharger une archive au format .txt. Le processus serveur implique l’identification de modèles structurels avec un certain degré d’homologie, comme décrit dans Serveur de méta-threading local LOMETS 20,21,22,23,24,25. Après le traitement d’un million de résultats potentiels par le serveur, un processus de filtration est lancé et les fragments sont sélectionnés en fonction de l’écart quadratique médian (RMSD), de la TM (une métrique utilisée pour évaluer la similarité structurelle entre deux modèles) et du C-score (une métrique utilisée pour évaluer la confiance des modèles structurels de protéines générés par les outils). Les utilisateurs peuvent personnaliser les résultats en fonction de paramètres prédéterminés fournis dans le programme ou saisir leurs propres valeurs en fonction de leur séquence spécifique ou de leurs attentes structurelles 20,21,22,23,24,25.

trRosetta est un programme très efficace pour la prédiction de la structure des protéines. Sur ce serveur, les utilisateurs peuvent soumettre des séquences dans un format d’archive, TXT, FASTA, séquence d’entrée ou séquences d’alignement multiples (MSA). Ce programme permet aux utilisateurs de choisir entre les modèles ou d’exécuter trRosetta-single pour le pliage de séquence. Ces serveurs utilisent un réseau d’apprentissage profond pour générer des prédictions structurelles. Le processus de prédiction de séquence implique une étape initiale de prédiction de la carte de contact et de distance, suivie de la sélection des cinq meilleurs modèles pour le modèle final et d’une étape visant à minimiser l’énergie pour le pliage et l’affinement17.

Le serveur HADDOCK (High Ambiguity Protein-Protein Docking) est un outil de calcul qui facilite l’amarrage flexible de deux fichiers PDB ou plus, englobant des structures de protéines, de peptides, de ligands et de récepteurs. Ce serveur utilise une approche qui intègre des AIR (Ambiguous Interaction Restraints), qui codent des informations à partir de protéines prédites ou identifiées pendant le processus d’amarrage. Les AIR englobent les restrictions en acides aminés, les classant comme acides aminés passifs ou actifs. L’incorporation d’acides aminés actifs est particulièrement importante, car ils indiquent des sites de liaison ou d’interaction potentiels entre les récepteurs protéiques. La conception du programme intègre l’exposition aux solvants dans le modèle26.

HEX Loria est un serveur interactif en ligne qui facilite l’analyse des complexes protéiques et l’amarrage moléculaire. Ce serveur peut lire les archives de coordonnées au format PDB (Protein Data Bank) et générer rapidement des calculs d’ancrage à l’aide de cibles graphiques NVIDIA ou CUDA. Le programme peut produire jusqu’à 1 000 prédictions d’amarrage et utilise la corrélation de Fourier pour les orientations globales de deux molécules27. L’interface HEX Loria est conçue pour être conviviale, permettant aux chercheurs de télécharger de manière transparente leurs structures protéiques et de configurer les paramètres pour les simulations d’amarrage. Il a été démontré que la capacité du serveur à utiliser des unités de traitement graphique NVIDIA ou CUDA entraîne une accélération substantielle du temps de calcul, permettant ainsi aux chercheurs d’obtenir des résultats plus rapidement. De plus, HEX Loria offre une gamme d’options de visualisation pour l’amarrage des résultats, permettant aux utilisateurs d’entreprendre une analyse détaillée des interactions protéine-protéine prévues.

L’utilisation de l’UCSF Chimera est impérative pour garantir l’exactitude des résultats de la recherche. Ce logiciel nécessite une installation pour l’exécution du présent protocole, et les fonctionnalités qui en découlent seront utilisées : mesure des distances interatomiques et diverses autres tâches analytiques. Le logiciel dispose de fonctionnalités telles que l’étiquetage, la coloration, le rendu de surface et l’exportation de figures aux formats JPG ou PNG. L’incorporation d’étiquettes et de couleurs facilite l’identification des acides aminés ayant une forte probabilité de contact entre le récepteur et la protéine antimicrobienne conçue. De plus, il permet de mesurer avec précision la distance entre ces acides aminés.

Ce protocole vise à identifier des options de traitement alternatives pour le problème de santé émergent qui afflige les amphibiens. La chytridiomycose, une infection fongique de la peau, a été observée à divers stades du développement des amphibiens. La principale source d’infection chez ces animaux est les plans d’eau où ils résident généralement et se livrent à diverses activités. La mise au point d’un agent antifongique efficace nécessite l’identification d’au moins trois cibles moléculaires : l’interaction avec la paroi cellulaire à l’aide de charges, la liaison à la membrane plasmique, et enfin, la liaison et l’interaction avec une protéine réceptrice au niveau de la membrane, qui joue un rôle vital dans le champignon Bd.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Identifier les séquences cibles moléculaires dans Bd

REMARQUE : La sélection des acides aminés dans la séquence est basée sur les recommandations de la littérature. Les acides aminés clés sont K, W, G, A, V, I et L. Pour savoir quels programmes utiliser, consultez la Table des matériaux.

  1. Récupérez les séquences cibles à partir de la base de données NCBI.
    1. Accédez à la base de données du National Center for Biotechnology Information (NCBI) à l’https://www.ncbi.nlm.nih.gov/.
    2. Sélectionnez Toutes les bases de données et Nucleotide comme catégorie de recherche.
    3. Entrez Batrachochytrium dendrobatidis dans la barre de recherche et filtrez les résultats par souche et espèce.
    4. Téléchargez et enregistrez la séquence dans un éditeur de texte ou au format FASTA pour une analyse plus approfondie.

2. Analysez la séquence par BLAST ou SMART BLAST

  1. Effectuez une recherche BLAST.
    1. Ouvrez un navigateur Web et accédez à BLAST (Basic Local Alignment Search Tool).
    2. Sélectionnez Protein BLAST pour comparer la séquence de requête à celle des bases de données de protéines https://blast.ncbi.nlm.nih.gov/Blast.cgi.
  2. Vérifiez la spécificité de la cible.
    1. Assurez-vous que la cible moléculaire sélectionnée n’est pas présente chez d’autres espèces. Si la cible apparaît chez plusieurs espèces, répéter la sélection de séquence jusqu’à ce que la spécificité soit confirmée (voir la figure 1).
      REMARQUE : Cette étape permet de s’assurer qu’aucune cible moléculaire secondaire indésirable n’interfère avec la fonction de l’AMP ou des protéines antifongiques
  3. Vérifiez l’homologie dans les séquences de protéines.
    1. Vérifiez que la séquence d’acides aminés conçue ne correspond pas à celle de protéines homologues chez d’autres espèces.
      REMARQUE : Cette étape permet de confirmer que la fonction antifongique est spécifique aux cibles visées

3. Concevoir la séquence protéique antimicrobienne

REMARQUE : La teneur et la séquence en acides aminés doivent être adaptées à la fonction protéique souhaitée, en particulier à l’activité antifongique. La séquence conçue doit coder une protéine ayant des effets antimycosiques contre Bd. Vérifiez cela sur le serveur de prédiction Antifp28.

  1. Revue de la littérature et conception de séquences
    1. Effectuer un examen exhaustif de la littérature récente afin de déterminer les principales caractéristiques du Bd et les mécanismes antimicrobiens potentiels.
      REMARQUE : Des études antérieures décrivent des peptides antimicrobiens (AMP) contre le Bd, synthétisés par divers animaux et micro-organismes. La formule29de Shai fournit un cadre pour la conception de peptides antifongiques synthétiques. Cette méthode doit être utilisée pour optimiser les séquences protéiques afin d’obtenir une activité antifongique maximale.

4. Prédisez la structure 3D à l’aide d’I-TASSER

REMARQUE : Ce protocole s’applique à la cible moléculaire et à la séquence antimicrobienne conçue.

  1. Pour accéder aux séquences et les soumettre, visitez le serveur I-TASSER pour obtenir des https://zhanggroup.org/I-TASSER/ de prédiction de la structure et de la fonction des protéines.
  2. Inscrivez-vous à l’aide d’une adresse e-mail institutionnelle pour recevoir un nom d’utilisateur et un mot de passe pour accéder à l’outil.
  3. Soumettez la cible moléculaire ou la séquence conçue au format FATA, .txt fichier ou copiez-collez directement dans le champ de saisie.
  4. Attribuez un nom unique à la séquence.
  5. Cliquez sur Soumettre et laissez le programme analyser la séquence, en fournissant une estimation du temps de traitement.
    REMARQUE : Mettez le protocole en pause jusqu’à ce que les résultats soient reçus. Le temps de traitement varie généralement de 24 à 72 heures pour les petites protéines (≤50 acides aminés) et peut prendre plus de temps pour les protéines plus grosses (jusqu’à 3 000 acides aminés).
    Conseils sur le choix de l’outil : Utilisez I-TASSER pour les petites protéines, telles que les peptides antimicrobiens conçus. Pour les grandes protéines, utilisez trRosetta, qui est optimisé pour la modélisation structurelle complexe.

5. Prédisez la structure 3D à l’aide de trRosetta

  1. Rendez-vous sur le serveur web de trRosetta : https://yanglab.qd.sdu.edu.cn/trRosetta/.
  2. Entrez la séquence du récepteur cible au format FASTA, .txt ou MSA, ou collez-la directement dans le serveur.
  3. Attribuez un nom à la protéine prédite structurellement.
  4. Cliquez sur Envoyer, en vous assurant que l’option d’exclusion des modèles est sélectionnée. Choisissez des homologues uniques trRosettaX pour lancer le processus de prédiction.
    REMARQUE : Mettez le protocole en pause jusqu’à ce que les résultats soient reçus.
  5. Attendez un e-mail de confirmation une fois la soumission réussie.
  6. Analysez les résultats de la prédiction.
    1. Vérifiez que le score TM est une mesure de la qualité du modèle.
    2. Examinez les cartes de contact, les cartes de distance par acide aminé et les cartes de rotation des carbones alpha et bêta aux angles ω (oméga), θ (thêta) et φ (phi).
  7. Téléchargez les résultats au format ZIP pour une analyse plus approfondie.

6. Analyse de l’amarrage moléculaire et des interactions (à l’aide de HADDOCK)

  1. Accédez au serveur d’accueil HADDOCK : https://wenmr.science.uu.nl/haddock2.4/.
  2. Créez un compte à l’aide d’une adresse e-mail institutionnelle, confirmez le compte et connectez-vous.
  3. Revenez à la page d’accueil, sélectionnez Nouvelle tâche et commencez une soumission.
  4. Sur la page de soumission HADDOCK, remplissez les informations requises : nom de la tâche, numéro de molécule (dans ce cas, 2). Sélectionnez tout.
  5. Télécharger Molécules pour l’amarrage. Téléchargez les structures PDB pour le récepteur et le ligand. Sélectionnez l’amarrage protéine-ligand pour les deux.
  6. Répétez les étapes de soumission des ligands, sélectionnez toutes les chaînes et laissez les paramètres restants par défaut.
  7. Cliquez sur Suivant pour l’étape de soumission suivante.
    REMARQUE : Dans les sections 1 et 2, ajoutez la liste des acides aminés impliqués dans les interactions récepteur-ligand et marquez-les comme résidus actifs. Les résidus passifs restent prédéfinis. Les sites actifs sont les sites d’interaction et doivent être choisis en fonction des caractéristiques de la protéine conçue et des acides aminés exposés à la protéine réceptrice.
  8. Finalisez et exécutez le processus d’ancrage.
    1. Cliquez sur Suivant pour conserver les paramètres d’ancrage par défaut inchangés.
    2. Cliquez sur Soumettre pour commencer le traitement.
      REMARQUE : Le temps de traitement prévu varie de 24 à 72 h.
  9. Vérifiez les résultats de la station d’accueil.
    1. Le serveur sélectionne et classe automatiquement les meilleurs résultats d’amarrage. Analysez les interactions entre les acides aminés à l’aide d’un logiciel de visualisation structurelle (par exemple, PyMOL ou UCSF Chimera).
  10. Téléchargez les structures amarrées finales au format PDB pour une étude plus approfondie.
    REMARQUE : Reportez-vous au fichier supplémentaire 1 : figure supplémentaire S1, figure supplémentaire S2, figure supplémentaire S3, figure supplémentaire S4 et figure supplémentaire S5.

7. Mesurez les distances (FACULTATIF) [voir le fichier supplémentaire 1 : figure supplémentaire S6, figure supplémentaire S7 et figure supplémentaire S8.]

  1. Analysez les résultats d’amarrage à l’aide d’un programme de visualisation de structure (PDB). Ouvrez le fichier PDB d’amarrage moléculaire dans UCSF Chimera et évaluez la proximité structurelle et les sites de liaison potentiels (distances mesurées).
  2. Double-cliquez sur l’icône Chimera pour ouvrir la base de données plugplugile. Sélectionnez Fichier, Ouvrir, puis choisissez un fichier dans la fenêtre du répertoire du document .
  3. Identifier les atomes. Allez dans actions, atomes/liaisons, et sélectionnez afficher.
  4. Sélectionnez les atomes les plus proches du ligand et du récepteur. Sélectionnez l’atome 1 avec Ctrl+clic et l’atome 2 avec Ctrl+Maj+Clic.
  5. Accédez aux outils, à l’analyse de structure et sélectionnez les distances.
  6. Cliquez sur Créer (vérifier la sélection d’atomes). La fenêtre affiche les acides aminés et l’emplacement des atomes 1 et 2.
    REMARQUE : La colonne de distance indique les angles entre les atomes.
  7. Téléchargez le tableau et enregistrez-le sur l’ordinateur local.
    REMARQUE : Pour plus d’informations, reportez-vous au fichier supplémentaire 1 .

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La suite en cours d’élaboration utilise la formule suivante : K(X)3KW(X)2K(X)2K, où (X) peut être G, A, V, I ou L28. Les résultats de recherche obtenus comprenaient des séquences protéiques de plus de 300 acides aminés, qui ont été sélectionnées en raison de leur statut de séquences protéiques complètes, par opposition à des séquences partielles. Il est à noter que des séquences complètes sont indispensables pour l’étude. Les fonctions de chaque récepteur/canal mem...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’approche bio-informatique utilisée dans la prédiction structurelle des protéines a des limites inhérentes en raison de sa dépendance à des programmes informatiques. Ces programmes tentent d’approximer les structures protéiques réelles, mais sont limités par des facteurs tels que la température, la solubilité et la présence de solvants, qui peuvent ne pas se reproduire complètement dans des conditions in vivo. De plus, la méthode dépend de l’identification précise des principales protéi...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs n’ont aucun conflit d’intérêts à divulguer.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Jimena R. Villarreal est doctorante du programme Doctorado en Ciencias Biológicas, Universidad Autónoma de Querétaro (UAQ), et a reçu une bourse du Consejo Nacional de Humanidades, Ciencias y Tecnologías (CONAHCyT) (1003112).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
BLASTN/AN/AServeur en ligne
OrdinateurAMDN/ASO : XP, W7, W8, W10, ubuntu, linux
Serveur HADDOCKBONVINLABN/AServeur en ligne
HEX 5.2BBSRC-INRIAN/ADownload-Serveur en ligne
I-TASSERZHANG LABN/ADownload-Serveur en ligne
MUSCLEN/AN/AServeur en ligne
NCBIN/AN/A Serveuren ligne
PYMOLSCHRÖ ; DINGERN/ADownload-XP, W7, W8, W10, W11, LINUX
MODÈLE SUISSEBIOZENTRUMN/AServeur en ligne
trRosetta serveurYANG LABN/AServeur en ligne
USCF CHIMERARBVI N/ADownload-XP, W7, W8, W10, W11, LINUX

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. McArthur, D. B. Emerging infectious diseases. Nurs Clin North Am. 54 (2), 297-311 (2019).
  2. Schilliger, L., Paillusseau, C., Francois, C., Bonwitt, J. Major emerging fungal diseases of reptiles and amphibians. Pathogens. 12 (3), 429(2023).
  3. Campbell, L. J., Garner, T. W. J., Hopkins, K., Griffiths, A. G. F., Harrison, X. A. Outbreaks of an emerging viral disease covary with differences in the composition of the skin microbiome of a wild United Kingdom amphibian. Front Microbiol. 10, 1245(2019).
  4. Lorch, J. M., et al. Snake fungal disease: An emerging threat to wild snakes. Philos Trans Royal Soc Lond BBiol Sci. 371 (1709), 20150457(2016).
  5. Costa, S., Lopes, I. Saprolegniosis in amphibians: An integrated overview of a fluffy killer disease. Jo F BaselSwitz. 8 (5), 537(2022).
  6. Lemieux-Labonté, V., Dorville, N. A. S. -Y., Willis, C. K. R., Lapointe, F. -J. Antifungal potential of the skin microbiota of hibernating big brown bats (Eptesicusfuscus) infected with the causal agent of White-Nose Syndrome. Front Microbiol. 11, 1776(2020).
  7. Hoyt, J. R., et al. Field trial of a probiotic bacteria to protect bats from White-Nose Syndrome. Sci Rep. 9 (1), 9158(2019).
  8. Origgi, F. C., et al. Ophiodimyces ophiodiicola, etiologic agent of snake fungal disease, in Europe since late 1950s. Emerg Infect Dis. 28 (10), 2064-2068 (2022).
  9. Van Rooijk, P., Martel, A., Haesebrouck, F., Pasmans, F. Amphibian chytridiomycosis: a review with a focus on fungus host interactions. Vet Res. 46, 137(2015).
  10. Fisher, M. C., Garner, T. W. J., Walker, S. F. Global emergence of Batrachochytrium dendrobatidis and amphibian Chytridiomycosis in space, time, and host. Ann Rev Microbiol. 63 (1), 291-310 (2009).
  11. Hancock, R., Brinkman, F. S. L. Function of Pseudomonas porins in uptake and efflux. Ann Rev Microbiol. 56 (1), 17-38 (2002).
  12. Carfrae, L., et al. Inhibiting fatty acid synthesis overcomes colistin resistance. Nat Microbiol. 8 (6), 1026-1038 (2023).
  13. Robson, B. Denovo protein folding on computers. Benefits and challenges. Comp Biol Med. 143, 105292(2022).
  14. Munita, J. M., Arias, C. A. Mechanisms of antibiotic resistance. Microbiol Spect. 4 (2), (2016).
  15. Zheng, W., et al. Folding non-homologous proteins by coupling deep-learning contact maps with I-TASSER assembly simulations. Cell Rep Met. 1 (3), 100014(2021).
  16. Yang, J., Zhang, Y. I-TASSER server: New development for protein structure and function predictions. Nuc Acid Res. 43 (W1), W174-W181 (2015).
  17. Du, Z., et al. The trRosetta server for fast and accurate protein structure prediction. Nat Prot. 16 (12), 5634-5651 (2021).
  18. Wang, W., Peng, Z., Yang, J. Single-sequence protein structure prediction using supervised transformer protein language models. Nat Comp Sci. 2 (12), 804-814 (2022).
  19. Pettersen, E., et al. UCSF Chimera-A visualization system for exploratory research and analysis. J Comp Chem. 25 (13), 1605-1612 (2004).
  20. Ghoorah, A. W., Devignes, M. -D., Smail-Tabbone, M., Ritchie, D. W. Protein docking using case-based reasoning. Proteins: Struct Funct Bioinf. 81 (12), 2150-2158 (2013).
  21. Battey, J., et al. Automated server predictions in CASP7. Proteins: Struct Funct Bioinf. 69 (S8), 68-82 (2007).
  22. Kryshtafovych, A., et al. Evaluation of the template-based modeling in CASP12. Proteins: Struct Funct Bioinf. 86 (S1), 321-334 (2018).
  23. Anishchenko, I., et al. Protein tertiary structure prediction and refinement using deep learning and Rosetta in CASP14. Proteins: Struct Funct Bioinf. 89 (12), 1722-1733 (2021).
  24. Kinch, L. N., Schaeffer, R. D., Kryshtafovych, A., Grishin, N. V. Target classification in the 14th round of the critical assessment of protein structure prediction (CASP14). Proteins: Struct Funct Bioinf. 89 (12), 1618-1632 (2021).
  25. Honorato, R. V., et al. Structural biology in the clouds: The WeNMR-EOSC ecosystem. FrontMolBiosci. 8, 729513(2021).
  26. Van Zundert,, et al. The HADDOCK2.2 Web Server: User-friendly integrative modeling of biomolecular complexes. JMolBiol. 428 (4), 720-725 (2016).
  27. Macindoe, G., Mavridis, L., Venkatraman, V., Devignes, M. -D., Ritchie, D. W. HexServer: An FFT-based protein docking server powered by graphics processors. Nucl Acid Res. 28 (Web Server), W445-W449 (2010).
  28. Agrawal, P., et al. In silico approach for prediction of antifungal peptides. Front Microbiol. 9, 323(2018).
  29. Shai, Y. Mode of action of membrane active antimicrobial peptides. Biopolymers. 66 (4), 236-248 (2002).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Conception de prot inesprot ine in silicopeptides antimicrobienspr diction de la structure des prot inesamarrage mol culaireserveur I TASSERpr diction trRosettaamarrage HADDOCKAMP synth tiques

Articles connexes