Articolo metodologico

Applicazione di I TASSER, trRosetta, UCSF Chimera, HADDOCK server e HEX loria per la progettazione De Novo e In Silico di proteine

DOI:

10.3791/68003

⸱

8 luglio 2025

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

In questo articolo

Sommario

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

La progettazione delle proteine comporta la costruzione di sequenze di amminoacidi e l'incorporazione di motivi specifici per creare varianti funzionali. Questo approccio è fondamentale per lo sviluppo di peptidi antimicrobici (AMP) per combattere i patogeni resistenti agli antibiotici. Questo articolo presenta una procedura per la costruzione di proteine utilizzando vari strumenti bioinformatici.

Abstract

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

Le frontiere della progettazione delle proteine risiedono nella costruzione di sequenze di amminoacidi e nell'incorporazione di motivi specifici, come i siti di legame, nei recettori, nei canali ionici o in altre proteine. Questo approccio consente la produzione di varianti proteiche con funzioni e scopi specifici. Un'applicazione esemplare di queste risorse bioinformatiche è il miglioramento dei peptidi antimicrobici (AMP) o la progettazione di AMP sintetici. Questo sviluppo è significativo a causa del recente aumento delle malattie emergenti, spesso causate da agenti patogeni difficili da eradicare e che mostrano resistenza agli antibiotici. Le conseguenze di questa tendenza includono l'estinzione globale delle specie animali e la morte umana. La sintesi rapida di AMP nuovi ed efficaci è, quindi, essenziale. Questi server e programmi possono facilitare il rapido sviluppo di vaccini, AMP o trattamenti efficaci contro questi agenti patogeni. Lo scopo di questo lavoro è stato quello di presentare e proporre una procedura per la costruzione di proteine da sequenze e di chiarire il processo di utilizzo di diversi strumenti per costruire queste molecole passo dopo passo.

Introduzione

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

L'incidenza delle malattie animali è in aumento e questo fenomeno è influenzato dai cambiamenti climatici. L'aumento della temperatura globale ha portato alla proliferazione di microrganismi e all'emergere di agenti patogeni opportunisti, contribuendo allo sviluppo di malattie virulente e resistenti ai farmaci1. I cambiamenti climatici colpiscono il suolo, l'acqua, la pelle e il microbioma intestinale, con conseguente stress persistente sulla fisiologia animale e sull'adattamento ambientale. È stato dimostrato che questo fenomeno compromette le risposte immunitarie, rendendo gli animali più suscettibili ai patogeni emergenti, che possono avere conseguenze letali e potenzialmente portare all'estinzione di alcune specie 2,3,4,5. Un esempio saliente è la sindrome del naso bianco (WNS), una malattia causata dal fungo Pseudogymnoascus destructans, che colpisce i pipistrelli in letargo. Questa malattia e altre non sono state identificate fino a quando non si è verificato un evento di mortalità sostanziale nel continente americano nel 20066. Per mitigare i danni causati da tali agenti patogeni, i ricercatori si sono rivolti alla somministrazione di antimicotici, come itraconazolo e ketoconazolo, e probiotici, tra cui l'inoculazione con il microbiota benefico Pseudomonas fluorescens7. Un altro esempio di malattia causata da un fungo è quello dell'Ophidiomyces ophiodiicola, un fungo che causa dermatiti e malattie multisistemiche sia nei serpenti in cattività che in quelli selvatici 4,8.

Questi studi sottolineano la necessità di una maggiore consapevolezza e comprensione delle malattie fungine negli animali selvatici per implementare rapidamente soluzioni pratiche. Infezioni fungine sono state segnalate negli anfibi e un agente patogeno prevalente che colpisce questi animali è il fungo acquatico Batrachochytrium dendrobatidis (Bd), che causa la chitridiomicosi. Questa malattia provoca gravi lesioni cutanee e interrompe la normale funzione cutanea negli animali sensibili, portando potenzialmente alla mortalità9. Questo patogeno è stato ampiamente diffuso a partire dal 20° secolo, contribuendo all'estinzione di 90 specie di anfibi. La prevalenza di queste infezioni rappresenta una sfida sostanziale nella loro prevenzione e nell'identificazione di trattamenti efficaci, in quanto richiedono la considerazione di vari fattori ecologici, fisiologici, microbiomici e di altro tipo10.

È un fenomeno ben documentato che i microrganismi patogeni possiedono la capacità di evolvere rapidamente meccanismi di resistenza attraverso la codifica genetica, un processo che può essere esemplificato dalla produzione di pompe di efflusso esterne per farmaci e antibiotici11. Inoltre, è stato osservato che questi microrganismi modificano la composizione lipidica di membrana con l'obiettivo di contrastare gli effetti di specifiche molecole12. Il campo delle sequenze proteiche ha suscitato un notevole interesse, in particolare nel contesto della sua integrazione negli approcci terapeutici e nella costruzione di modelli di struttura proteica. Questi modelli sono progettati per ottimizzare il tempo e le risorse del laboratorio prima dell'inizio della sintesi proteica13. La prevenzione delle infezioni in questi casi è un compito complesso che coinvolge molteplici fattori ecologici, fisiologici e del microbioma14. Questo approccio facilita una gestione più efficace del tempo e delle risorse in laboratorio e sottolinea la complessità del compito.

Nell'interesse di migliorare il potenziale per le applicazioni pratiche dei composti esistenti, nonché di creare nuovi composti con un potenziale più significativo per tali applicazioni, è imperativo impiegare competenze di varie discipline, tra cui chimica, biologia molecolare, fisica e programmazione. A tal fine, sono disponibili diversi strumenti, tra cui I-TASSER (Iterative Threading ASSembly Refinement)15,16 e trRosetta 17,18 (Protein structure prediction by TRansform-restrained Rosetta). la predizione strutturale delle proteine e UCSF Chimera (un sistema di visualizzazione per la ricerca esplorativa e l'analisi dell'Università della California, San Francisco)19 e HEX loria (un programma interattivo di docking di proteine e sovrapposizione molecolare)20 per l'aggancio molecolare e l'editing di file PDB.

I-TASSER è un server online automatizzato che prevede struttura e funzione. Questo programma è accessibile tramite un browser web o come download. Nella pagina di invio, gli utenti possono inserire la sequenza in formato FASTA o scaricare un archivio in formato .txt. Il processo server prevede l'identificazione di modelli strutturali con un grado di omologia, come descritto in Local Meta-Threading Server LOMETS 20,21,22,23,24,25. Dopo l'elaborazione di un milione di potenziali risultati da parte del server, viene avviato un processo di filtrazione e i frammenti vengono selezionati in base alla deviazione quadrata mediana della radice (RMSD), TM (una metrica utilizzata per valutare la somiglianza strutturale tra due modelli) e C-score (una metrica utilizzata per valutare la confidenza dei modelli strutturali proteici generati dagli strumenti). Gli utenti possono personalizzare i risultati in base a parametri predeterminati forniti nel programma o inserire i propri valori in base alla sequenza specifica o alle aspettative strutturali 20,21,22,23,24,25.

trRosetta è un programma altamente efficace per la previsione della struttura delle proteine. Su questo server, gli utenti possono inviare sequenze in formato archivio, TXT, FASTA, sequenza di input o sequenze di allineamento multiple (MSA). Questo programma consente agli utenti di selezionare tra i modelli o di eseguire trRosetta-single per la piegatura della sequenza. Questi server utilizzano una rete di deep learning per generare previsioni strutturali. Il processo di previsione della sequenza prevede una fase iniziale di previsione della mappa di contatto e distanza, seguita dalla selezione dei primi cinque modelli per il modello finale e una fase per ridurre al minimo l'energia per la piegatura e l'affinamento17.

Il server HADDOCK (High Ambiguity Protein-Protein Codocking) è uno strumento computazionale che facilita l'aggancio flessibile di due o più file PDB, comprendendo strutture di proteine, peptidi, ligandi e recettori. Questo server utilizza un approccio che incorpora gli AIR (Ambiguous Interaction Restraints), che codificano le informazioni provenienti da proteine previste o identificate durante il processo di docking. Le AIR comprendono le restrizioni degli aminoacidi, classificandole come aminoacidi passivi o attivi. L'incorporazione di amminoacidi attivi è di particolare importanza, in quanto sono indicativi di potenziali siti di legame o di interazione tra i recettori proteici. Il design del programma incorpora l'esposizione al solvente nel modello26.

HEX Loria è un server interattivo online che facilita l'analisi dei complessi proteici e l'aggancio molecolare. Questo server è in grado di leggere gli archivi di coordinate in formato PDB (Protein Data Bank) e di generare rapidamente calcoli di docking utilizzando target grafici NVIDIA o CUDA. Il programma può produrre fino a 1.000 previsioni di docking e utilizza la correlazione di Fourier per l'orientamento generale di due molecole27. L'interfaccia HEX Loria è progettata per essere facile da usare, consentendo ai ricercatori di caricare senza problemi le loro strutture proteiche e configurare i parametri per le simulazioni di docking. È stato dimostrato che la capacità del server di utilizzare le unità di elaborazione grafica NVIDIA o CUDA si traduce in una sostanziale accelerazione del tempo di calcolo, consentendo così ai ricercatori di ottenere risultati con maggiore rapidità. Inoltre, HEX Loria offre una gamma di opzioni di visualizzazione per l'aggancio dei risultati, consentendo agli utenti di intraprendere un'analisi dettagliata delle interazioni proteina-proteina previste.

L'utilizzo della UCSF Chimera è indispensabile per garantire l'accuratezza dei risultati della ricerca. Questo software richiede l'installazione per l'esecuzione del presente protocollo, e verranno impiegate le funzionalità che ne derivano: misurazione delle distanze interatomiche e varie altre attività analitiche. Il software vanta funzionalità come l'etichettatura, la colorazione, il rendering delle superfici e l'esportazione di figure in formato JPG o PNG. L'incorporazione di etichette e colori facilita l'identificazione degli amminoacidi con un'alta probabilità di contatto tra il recettore e la proteina antimicrobica progettata. Inoltre, consente di misurare con precisione la distanza tra questi amminoacidi.

Questo protocollo mira a identificare opzioni di trattamento alternative per l'emergente problema di salute che affligge gli anfibi. La chitridiomicosi, un'infezione fungina della pelle, è stata osservata in varie fasi dello sviluppo degli anfibi. La principale fonte di infezione tra questi animali sono i corpi idrici in cui risiedono tipicamente e si impegnano in varie attività. Lo sviluppo di un agente antimicotico efficace richiede l'identificazione di almeno tre bersagli molecolari: l'interazione con la parete cellulare mediante cariche, il legame con la membrana plasmatica e, infine, il legame e l'interazione con una proteina recettore a livello di membrana, che svolge un ruolo vitale nel fungo Bd.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

1. Identificare sequenze bersaglio molecolari in Bd

NOTA: La selezione degli amminoacidi nella sequenza si basa sulle raccomandazioni della letteratura. Gli amminoacidi chiave includono K, W, G, A, V, I e L. Per scoprire quali programmi utilizzare, consulta la Tabella dei Materiali.

  1. Recupera le sequenze target dal database NCBI.
    1. Accedi alla banca dati del National Center for Biotechnology Information (NCBI) all'indirizzo https://www.ncbi.nlm.nih.gov/.
    2. Seleziona Tutti i database e scegli Nucleotide come categoria di ricerca.
    3. Inserisci Batrachochytrium dendrobatidis nella barra di ricerca e filtra i risultati per ceppo e specie.
    4. Scarica e salva la sequenza in un editor di testo o in formato FASTA per ulteriori analisi.

2. Analizzare la sequenza con BLAST o SMART BLAST

  1. Eseguire una ricerca BLAST.
    1. Apri un browser web e vai su BLAST (Basic Local Alignment Search Tool).
    2. Selezionare Protein BLAST per confrontare la sequenza di query con i database delle proteine https://blast.ncbi.nlm.nih.gov/Blast.cgi.
  2. Verificare la specificità del bersaglio.
    1. Assicurarsi che il bersaglio molecolare selezionato non sia presente in altre specie. Se il bersaglio appare in più specie, ripetere la selezione della sequenza fino a quando la specificità non è confermata (vedi Figura 1).
      NOTA: Questo passaggio garantisce che nessun bersaglio molecolare secondario indesiderato interferisca con l'AMP o la funzione delle proteine antimicotiche
  3. Verificare l'omologia nelle sequenze proteiche.
    1. Verificare che la sequenza di amminoacidi progettata non corrisponda alle proteine omologhe di altre specie.
      NOTA: Questo passaggio conferma che la funzione antifungina è specifica per i bersagli previsti

3. Progettare la sequenza proteica antimicrobica

NOTA: Il contenuto e la sequenza di aminoacidi devono essere adattati alla funzione proteica desiderata, in particolare all'attività antifungina. La sequenza progettata dovrebbe codificare una proteina con effetti antimicotici contro il Bd. Controlla questo sul server di previsione Antifp28.

  1. Revisione della letteratura e progettazione delle sequenze
    1. Condurre una revisione completa della letteratura recente per identificare le caratteristiche chiave del Bd e i potenziali meccanismi antimicrobici.
      NOTA: Studi precedenti descrivono peptidi antimicrobici (AMP) contro il Bd, sintetizzati da vari animali e microrganismi. La formula29di Shai fornisce un quadro per la progettazione di peptidi antifungini sintetici. Questo metodo dovrebbe essere utilizzato per ottimizzare le sequenze proteiche per la massima attività antifungina.

4. Prevedi la struttura 3D utilizzando I-TASSER

NOTA: Questo protocollo si applica al bersaglio molecolare e alla sequenza antimicrobica progettata.

  1. Per accedere e inviare le sequenze, visitare il server I-TASSER per la https://zhanggroup.org/I-TASSER/ di previsione della struttura e della funzione delle proteine.
  2. Registrati tramite email istituzionale per ricevere username e password per l'accesso allo strumento.
  3. Invia il bersaglio molecolare o la sequenza progettata in formato FASTA, .txt file o copia e incolla direttamente nel campo di input.
  4. Assegna un nome univoco alla sequenza.
  5. Fare clic su Invia e lasciare che il programma analizzi la sequenza, fornendo una stima del tempo di elaborazione.
    NOTA: Mettere in pausa il protocollo fino alla ricezione dei risultati. Il tempo di elaborazione varia in genere da 24 a 72 ore per le proteine piccole (≤50 aminoacidi) e può richiedere più tempo per le proteine più grandi (fino a 3.000 aminoacidi).
    Guida alla selezione degli utensili: utilizzare I-TASSER per piccole proteine, come i peptidi antimicrobici progettati. Per le proteine di grandi dimensioni, utilizzare trRosetta, che è ottimizzato per la modellazione strutturale complessa.

5. Prevedere la struttura 3D utilizzando trRosetta

  1. Visita il server web di trRosetta: https://yanglab.qd.sdu.edu.cn/trRosetta/.
  2. Inserisci la sequenza del recettore di destinazione in formato FASTA, .txt o MSA oppure incollala direttamente nel server.
  3. Assegna un nome alla proteina strutturalmente prevista.
  4. Fare clic su Invia, assicurandosi che l'opzione per escludere i modelli sia selezionata. Scegliere trRosettaX-single homologs per avviare il processo di previsione.
    NOTA: Mettere in pausa il protocollo fino alla ricezione dei risultati.
  5. Attendi un'e-mail di conferma al termine dell'invio.
  6. Analizzare i risultati della previsione.
    1. Verificare che il punteggio TM sia una misura della qualità del modello.
    2. Esamina le mappe di contatto, le mappe di distanza per amminoacido e le mappe di rotazione per i carboni alfa e beta agli angoli ω (omega), θ (theta) e φ (phi).
  7. Scarica i risultati in formato ZIP per ulteriori analisi.

6. Docking molecolare e analisi delle interazioni (utilizzando HADDOCK)

  1. Accedere al server di docking HADDOCK: https://wenmr.science.uu.nl/haddock2.4/.
  2. Registra un account utilizzando un'email istituzionale, conferma l'account ed effettua l'accesso.
  3. Tornare alla home page, selezionare Nuovo processo e avviare un invio.
  4. Nella pagina di invio di HADDOCK, inserisci le informazioni richieste: nome del lavoro, numero della molecola (in questo caso, 2). Seleziona tutto.
  5. Caricare Molecole per l'attracco. Carica le strutture PDB per il recettore e il ligando. Selezionare l'aggancio proteina-ligando per entrambi.
  6. Ripeti i passaggi per l'invio del ligando, seleziona tutte le catene e lascia le impostazioni rimanenti come predefinite.
  7. Fare clic su Avanti per il passaggio di invio successivo.
    NOTA: Nelle sezioni 1 e 2, aggiungere l'elenco degli amminoacidi coinvolti nelle interazioni recettore-ligando e contrassegnarli come residui attivi. I residui passivi rimangono predefiniti. I siti attivi sono i siti di interazione e devono essere scelti in base alle caratteristiche della proteina progettata e agli amminoacidi esposti della proteina recettore.
  8. Finalizzare ed eseguire il processo di docking.
    1. Fare clic su Avanti per mantenere invariati i parametri di ancoraggio predefiniti.
    2. Fare clic su Invia per avviare l'elaborazione.
      NOTA: Il tempo di elaborazione previsto varia da 24 a 72 ore.
  9. Esaminare i risultati dell'attracco.
    1. Il server seleziona e classifica automaticamente i migliori risultati di docking. Analizza le interazioni degli amminoacidi utilizzando software di visualizzazione strutturale (ad esempio, PyMOL o UCSF Chimera).
  10. Scarica le strutture ancorate finali in formato PDB per ulteriori studi.
    NOTA: Fare riferimento al file supplementare 1: Figura supplementare S1, Figura supplementare S2, Figura supplementare S3, Figura supplementare S4 e Figura supplementare S5.

7. Misurare le distanze (OPZIONALE) [vedi File supplementare 1: Figura supplementare S6, Figura supplementare S7 e Figura supplementare S8.]

  1. Analizza i risultati dell'attracco utilizzando un programma di visualizzazione della struttura (PDB). Aprire il file PDB di docking molecolare in UCSF Chimera e valutare la prossimità strutturale e i potenziali siti di legame (distanze misurate).
  2. Fare doppio clic sull'icona Chimera per aprire il PDB. Selezionare File, Apri e scegliere un file dalla finestra della directory del documento .
  3. Identificare gli atomi. Vai su azioni, atomi/legami e seleziona mostra.
  4. Seleziona gli atomi più vicini al ligando e al recettore. Seleziona atom 1 con Ctrl+clic e atom 2 con Ctrl+Maiusc+clic.
  5. Vai su strumenti, analisi della struttura e seleziona le distanze.
  6. Fare clic su Crea (verificare la selezione dell'atomo). La finestra mostra gli amminoacidi e le posizioni degli atomi 1 e 2.
    NOTA: La colonna della distanza mostra gli angoli tra gli atomi.
  7. Scaricare la tabella e salvarla sul computer locale.
    NOTA: Per ulteriori informazioni, fare riferimento al file supplementare 1 .

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

La sequenza in fase di sviluppo utilizza la seguente formula: K(X)3KW(X)2K(X)2K, dove (X) può essere G, A, V, I o L28. I risultati della ricerca ottenuti includevano sequenze proteiche di oltre 300 amminoacidi, che sono state selezionate in base al loro status di sequenze proteiche complete, rispetto alle sequenze parziali. Va notato che le sequenze complete sono essenziali per lo studio. Le funzioni di ciascun recettore/canale di membrana sono state ricercate anch...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

L'approccio bioinformatico impiegato nella predizione strutturale delle proteine ha limitazioni intrinseche dovute alla sua dipendenza da programmi computazionali. Questi programmi tentano di approssimare le strutture proteiche reali, ma sono limitati da fattori come la temperatura, la solubilità e la presenza di solventi, che potrebbero non replicarsi completamente in condizioni di vivo. Inoltre, il metodo dipende dall'identificazione accurata delle proteine chiave conservate attraverso...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non hanno conflitti di interesse da rivelare.

Ringraziamenti

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

Jimena R. Villarreal è una dottoranda del Programma di Doctorado en Ciencias Biológicas, Universidad Autónoma de Querétaro (UAQ), e ha ricevuto una borsa di studio del Consejo Nacional de Humanidades, Ciencias y Tecnologías (CONAHCyT) (1003112).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
BLASTN/AN/AServer online
ComputerAMDN/ASO: XP, W7, W8, W10, ubuntu, linux
HADDOCK serverBONVINLABN/AServer online
HEX 5.2BBSRC-INRIAN/ADownload-Online server
I-TASSERZHANG LABN/ADownload-Online server
MUSCLEN/AN/AServer online
NCBIN/AN/AServer online
PYMOLSCHRÖ DINGERN/ADownload-XP, W7, W8, W10, W11, LINUX
SWISS-MODELBIOZENTRUMN/AServer online
trRosetta serverYANG LABN/AServer online
USCF CHIMERARBVIN/ADownload-XP, W7, W8, W10, W11, LINUX

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Design di proteineproteine in silicopeptidi antimicrobiciprevisione della struttura proteicadocking molecolareserver I TASSERprevisione trRosettadocking HADDOCKAMP sintetici

Articoli correlati