Prédiction computationnelle des préférences en acides aminés de domaines de liaison à des peptides potentiellement multispécifiques impliqués dans des interactions protéine-protéine
January 26th, 2024
Nous décrivons une méthodologie basée sur la diversification des séquences pour estimer les préférences en acides aminés des sites de liaison multispécifiques dans les interactions protéine-protéine (IPP). Dans cette stratégie, des milliers de ligands peptidiques potentiels sont générés et criblés in silico, surmontant ainsi certaines limites des méthodes expérimentales disponibles.
Nous proposons un protocole pour la prédiction computationnelle des préférences en acides aminés dans des interactions protéine-protéine plus spécifiques. Ce protocole peut être considéré comme une première étape dans la conception de médiateurs de ces interactions. Nous nous intéressons à l’utilisation de ces médiateurs comme inhibiteurs potentiels d’interactions spécifiques, en immunologie.
Notre outil de mise en œuvre utilisé pour caractériser les préférences en acides aminés entre les sites de liaison spécifiques est coûteux et fastidieux. Notre protocole est une technologie bio-soutenue basée sur l’efficacité et les opérations en série. Cette stratégie a le potentiel de traiter un grand nombre de séquences de lignes, fournissant une différence complète et cohérente des préférences en acides aminés.
Notre protocole offre un rapport coût-efficacité professionnel en traitant un grand nombre de séquences d’ADN préférées à un processus plus complet à partir du nombre généralement limité de séquences, dans des approches de laboratoire en ligne. En plus du développement d’inhibiteurs de produits immunologiques, nous aimerions comparer les performances de cette méthodologie avec d’autres familles de produits. Cela nous permettra de mieux comprendre la base structurelle de la multispécificité, non seulement dans un contexte immunologique, mais aussi dans d’autres fonctions cellulaires, telles que la signalisation et la communication.
Commencez par télécharger la structure du complexe protéine-protéine. Pour cela, rendez-vous sur la page d’accueil de la banque de données sur les protéines et entrez l’ID PDB dans le champ de recherche principal. Sur la page principale de la structure, cliquez sur Télécharger les fichiers, puis sur Biological Assembly 1 pour télécharger les fichiers au format PDB gz.
Ouvrez la structure téléchargée dans UCSF Chimera. Accédez à Outils, puis à Édition de la structure, puis cliquez sur Modifier les ID de chaîne. Renommez la deuxième chaîne initialement étiquetée A, en B.Ensuite, cliquez sur Favoris, puis sur Panneau de modèle.
Sélectionnez le modèle avec les deux chaînes et cliquez sur le bouton grouper/dissocier pour séparer chaque chaîne en un modèle différent. Ensuite, sélectionnez les deux modèles et cliquez sur le bouton copier/combiner. Entrez un nouveau nom pour le modèle combiné.
Cochez la case Fermer les modèles source, puis cliquez sur OK. Cliquez sur Sélectionner, puis sur Chaînage et vérifiez que les chaînes du dimère sont maintenant identifiées comme A et B.Cliquez sur Fichier et enregistrez PDB pour enregistrer la structure modifiée en tant que nouveau fichier PDB. Pour identifier le segment cible dans la protéine ligand, accédez au serveur BUDE Alanine Scan. Cliquez sur le bouton Choisir un fichier sous Téléchargement de la structure et téléchargez le fichier PDB enregistré.
Sur la page suivante, vérifiez que la structure a été correctement chargée et entrez un nom pour le travail sur le serveur. Définissez les chaînes A comme récepteur et B comme ligand, puis cliquez sur le bouton Démarrer l’analyse pour soumettre le travail. Une fois le travail terminé, cliquez sur Afficher les résultats pour ouvrir la page Résultats.
Dans la liste Résidus, sélectionnez le tronçon de résidus prévu pour mieux interagir avec la surface de liaison cible. En utilisant ce protocole et le segment d’acide aminé, interagissant avec la surface de liaison d’IRF5, a été prédit. En utilisant la mutagenèse computationnelle à balayage de l’alanine, un segment de 13 acides aminés a été prédit des positions 424 à 436, le motif p L x IS commençant à l’arginine 432.
Pour commencer, préparez l’interface du peptide protéique pour la diversification des séquences. Ouvrez le fichier PDB dans Chimera et assurez-vous que la structure des sous-unités cibles est intacte, sans atomes ou liaisons manquants. Pour supprimer toutes les molécules non essentielles de la structure, cliquez sur Sélectionner puis sur Résidus, puis sélectionnez toutes les molécules autres que les acides aminés standard.
Cliquez ensuite sur Actions suivies de Adams/Bonds, et supprimez. Ensuite, cliquez sur Favoris, dans Séquence, puis cliquez sur la chaîne considérée comme le ligand. Recadrez la chaîne de ligands jusqu’au segment en interaction identifié en supprimant tous les résidus sauf ceux entre les positions sélectionnées.
Cliquez sur Fichier et enregistrer la base de données pluggable pour enregistrer la structure modifiée dans un autre fichier de base de données pluggable. Copiez ce fichier dans un emplacement Linux accessible par les applications Rosetta. Utilisez l’application fixedbb de Rosetta pour effectuer un reconditionnement de toutes les chaînes latérales d’acides aminés de la structure de base avant la diversification de la séquence, en exécutant cette commande.
Renommez ensuite le fichier PDB repack avec un suffixe _ repack à l’aide de la commande suivante. Ensuite, exécutez pepspec en mode conception pour effectuer la diversification de séquence à l’aide de cette commande. Ensuite, générez un pwm à l’aide de gen pepspec pwm.
py inclus dans la suite Rosetta. Pour exécuter ce script, utilisez la commande suivante. Pour créer un logo de séquence, ouvrez le fichier contenant les séquences peptidiques générées à l’étape précédente avec l’éditeur de texte de votre choix et copiez toutes les séquences.
Accédez au serveur WebLogo et collez les séquences dans la zone de texte Alignement de séquences multiples. Choisissez le format et la taille du logo en fonction de la longueur d’entrée, puis cliquez sur Créer un logo. À l’aide de ce protocole, les préférences en acides aminés ont été prédites pour le motif p L x IS conservé dans la surface de liaison IRF5.
La position, la matrice pondérale et le logo de la séquence générés lors de la diversification des séquences ont montré une préférence pour le glutamate à la position 432, et pour la leucine et l’isoleucine aux positions 433 et 435. Les positions 427, 429 et 436, généralement occupées par la sérine, ont montré une préférence plus élevée pour l’aspartate et le glutamate, mettant en évidence le rôle de la phosphorylation et de la dimérisation de l’IRF5. La position 425 a montré une forte préférence pour la sérine, suggérant son implication dans l’interaction protéine-protéine sous sa forme non phosphorylée.
Aperçu
Cet article présente un protocole pour la prédiction computationnelle des préférences des acides aminés dans des interactions protéine-protéine (PPI) spécifiques. La méthodologie vise à faciliter la conception de médiateurs pouvant inhiber ces interactions, en particulier en immunologie.
Composantes clés de l'étude
Domaine scientifique
- Interactions protéine-protéine
- Biologie computationnelle
- Immunologie
Contexte
- La compréhension des préférences des acides aminés est cruciale pour la conception d'inhibiteurs efficaces des PPI.
- Les méthodes actuelles pour caractériser ces préférences sont souvent coûteuses et fastidieuses.
- Cette étude propose une approche computationnelle plus efficace.
- Le protocole permet le traitement de nombreuses séquences peptidiques.
Objectif de l'étude
- Développer un protocole computationnel pour prédire les préférences des acides aminés.
- Améliorer la conception de médiateurs pour inhiber des interactions protéiques spécifiques.
- Rationalisez le processus d'analyse des caractéristiques des sites de liaison.
Méthodes utilisées
- Génération de milliers de ligands peptidiques potentiels.
- Criblage in silico des ligands peptidiques.
- Analyse des préférences des acides aminés sur les sites de liaison multispécifiques.
- Utilisation d'une technologie bio-soutenue pour un traitement efficace.
Principaux résultats
- Le protocole prédit avec succès les préférences des acides aminés dans les PPI.
- Il démontre la capacité à gérer un volume élevé de séquences.
- Les résultats indiquent une différenciation cohérente des préférences des acides aminés.
- Cette approche pourrait conduire à des inhibiteurs plus efficaces en immunologie.
Conclusions
- La méthodologie proposée offre une alternative prometteuse aux méthodes expérimentales traditionnelles.
- Elle a le potentiel de faire progresser significativement l'étude des interactions protéiques.
- Les applications futures pourraient inclure le développement d'agents thérapeutiques ciblés.
Questions fréquemment posées
Executive Industry Relevance
Computational prediction of amino acid preferences in peptide-binding domains addresses a critical bottleneck in early-stage protein-protein interaction (PPI) modulator discovery. This approach enables rapid, cost-effective prioritization of peptide candidates for downstream validation, directly impacting target validation and mechanistic de-risking in biopharma pipelines. By supporting the design of multispecific PPI mediators, it enhances predictive confidence and portfolio triage for therapeutic innovation.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of binding specificity and multispecificity in protein interaction networks.
- Supports functional target validation by mapping amino acid preferences at key binding interfaces.
- Facilitates mechanistic de-risking by clarifying sequence determinants of PPI selectivity.
- Improves predictive confidence for advancing peptide-based modulators.
Screening & Assay Development
- Prepares validated peptide candidates for downstream experimental screening workflows.
- Standardizes computational assessment of binding affinity and sequence diversity.
- Generates quantitative outputs such as position-weight matrices for assay design.
- Enables scalable evaluation of large peptide libraries prior to synthesis.
Translational & Preclinical Research
- Aligns computational predictions with disease-relevant PPI targets for translational continuity.
- Supports risk-adjusted advancement of peptide candidates into preclinical validation.
- Provides mechanistic insights into post-translational modification effects, such as phosphorylation mimicry.
- Facilitates cross-functional data integration for biomarker and target engagement studies.
Pipeline & Workflow Integration
This computational protocol integrates at the interface of early discovery and lead identification, bridging in silico design with experimental validation in the PPI modulator workflow.
- Discovery Biology: Enables hypothesis-driven mapping of amino acid determinants for PPI specificity and multispecificity.
- Screening: Delivers reproducible, quantitative sequence preference data to inform high-throughput peptide screening.
- Analytics: Provides position-weight matrices and sequence logos for comparative analysis of binding motifs.
- Translational Research: Connects computational predictions to disease-relevant PPIs and post-translational modification effects.
- Enterprise Reuse: Establishes a scalable, reusable computational workflow for diverse PPI target families.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in PPI modulator design.
- Operational Value: Standardizes and accelerates sequence preference analysis across multiple targets.
- Strategic Value: Enables more informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of peptide-based therapeutic candidates.
Implementation Considerations
- Requires expertise in computational biology and structural bioinformatics.
- Depends on access to molecular modeling software (e.g., Rosetta) and supporting analytical tools.
- Necessitates standardized data formats and cross-team protocol harmonization.
- Adaptable to various PPI targets with available structural information.
- Limited by the accuracy of input structures and computational docking algorithms.
