Name: 단백질 지혜 : 용 워크 벤치 실리코에 드 노보 디자인 (동영상) | JoVE Journal
Uploaded: 2013-07-25T13:00:00.000+00:00
Duration: 10 min 58 s
Description: 학습하세요 단백질 WISDOM을 활용한 컴퓨터 기반 단백질 설계 방법을 통해 안정성과 결합 친화도가 향상된 단백질을 설계하는 기술을. 이 연구는 생명공학 및 의학 분야의 치료제 개발에 활용됩니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

CAF는 NSF, NIH의 지원에 감사를 표합니다(R01 GM52032; R24 GM069 736) 및 미국 환경 보호국, EPA(R 832721-010)에서 확인할 수 있습니다. 이 연구의 일부는 DoD, Air Force Office of Scientific Research의 정부 지원으로 가능했습니다. JS는 NIH (P50GM071508-06)의 지원에 감사드립니다. MLBP는 NDSEG(National Defense Science and Engineering Graduate) 펠로우십, 32 CFR 168a의 지원에 감사드립니다. GAK는 보조금 번호 DGE-1148900으로 National Science Foundation 대학원 연구 펠로우십의 지원에 감사드립니다.

저자는 경쟁하는 금전적 이해관계가 없음을 선언합니다.

de novo 단백질 설계 프레임워크는 서열 선택 단계와 검증 단계의 두 단계로 구성됩니다. 이 프레임워크는 견고하고 유연한 설계 템플릿을 처리할 수 있을 만큼 견고하며 단일 단백질 설계 또는 복잡한 단백질 설계에 적용할 수 있습니다. 이 프레임워크는 수십 가지 질병에 적용되는 수많은 단백질 시스템에 성공적으로 적용되었습니다. 많은 디자인이 실험적으로 검증되어 현재까지 발견된 일부 단백질의 가장 강력한 억제제 또는 작용제를 제공합니다. 이 프레임워크는 이제 Protein WISDOM을 통해 학계에서 사용할 수 있습니다.
이 방법에는 세 가지 중요한 단계가 있습니다. 첫 번째는 단백질 설계를 위한 글로벌 최적화 기술을 사용하는 서열 선택 단계입니다. 단백질 설계 문제는 매우 복잡한 문제입니다(n개의 돌연변이 가능한 위치에 대해 20개의 가능한 서열). 이 숫자는 실험 설계 방법으로 고려할 수 있는 가능한 시퀀스 수보다 훨씬 높습니...

De novo protein design은 향상된 특성 또는 기능을 가진 원하는 3차 구조를 생성하는 단백질 서열을 식별하는 것입니다. 단백질의 네이티브 폴드(native fold)는 자유 에너지 최소값에 놓인 형태이기 때문에 de novo protein design은 타겟 폴드에서 자유 에너지 최소값을 갖는 염기서열을 찾습니다. 이 문제는 Drexler1과 Pabo2에 의해 처음 설명되었으며 "역 폴딩 문제"라고 불렸습니다. 그러나 염기서열이 하나의 접힌 구조 솔루션만 생성할 수 있는 단백질 접힘 문제와 달리 de novo protein design 문제는 퇴화를 나타냅니다. 많은 다른 아미노산 서열은 동일한 3차 구조와 기능을 생성할 수 있습니다.
단백질 설계는 전통적으로 합리적 설계와 지시된 진화를 통해 실험적으로 수행되어 왔지만, 최근에는 실험 방법에 내재된 제한된 검색 공간을 극복하기 위해 계산 방법이 채택되었습니다. 결정론적 방법(deterministic method), 확률론적 방법(stochastic methods), 확률론적 방법(probabilistic method)을 포함한 다양한 계산 방법이 사용되어 왔다. 3,4 초기의 계산 방법은 문제를 더 쉽게 해결할 수 있도록 고정 백본 템플릿을 사용했습니다. 5-7 더 빠른 프로세서, 고성능 컴퓨팅 및 더 효율적인 알고리즘의 출현으로 백본 유연성은 고정 백본 템플릿8-14의 앙상블을 사용하거나 원자 간 거리 및 이면각의 범위로 템플릿을 표현하여 진정한 백본 유연성을 통합함으로써 통합되었습니다. 15,16년
이 백서에서는 새로운 단백질 설계 프레임워크 computational을 활용하기 위해 학계에서 사용할 수 있는 온라인 도구인 Protein WISDOM에 대해 자세히 설명합니다. 이 프레임워크는 HIV, 암, 보체 질환 및 기타 자가면역 질환과 같은 질병을 표적으로 하는 치료용 단백질의 설계에 적용되었습니다. 예측된 펩타이드 중 다수가 실험적으로 검증되어 이 방법의 힘을 입증했습니다. 표 1은 단백질 또는 펩타이드의 크기, 예측 횟수 및 실험적 검증을 포함하여 설계된 다양한 단백질에 대한 요약을 제공합니다.
<테이블 테두리="1">
	<tbody>
		<tr>
			<td>단백질 디자인</td>
			<td>단백질 길이</td>
			<td># 계산 예측</td>
			<td># 실험적 검증</td>
			<td>참조</td>
		</tr>
		<tr>
			<td>인간 beta-defensin-2의 가득 차있는 순서 디자인</td>
			<td>41</td>의
			<td>340</td>의
			<td> </td>
			<td>(17)</td>
		</tr>
		<tr>
			<td>인간 C3의 콤프스타틴 억제제</td>
			<td>13</td>세
			<td>28</td>분
			<td>3/3</td>
			<td>(18, 19)</td>
		</tr>
		<tr>
			<td>쥐 C3c에 결합하는 콤프스타틴 유사체</td>
			<td>13</td>세
			<td>5</td> 개
			<td> </td>
			<td>(20)</td>
		</tr>
		<tr>
			<td>디세린 확장이 있는 콤프스타틴 유사체</td>
			<td>15</td>분
			<td>8</td>
			<td> </td>
			<td> </td>
		</tr>
		<tr>
			<td>콤프스타틴 아날로그 W4A9의 안정화 구조</td>
			<td>13</td>세
			<td>18</td>분
			<td> </td>
			<td> </td>
		</tr>
		<tr>
			<td>C3a 수용체 작용제 및 길항제</td>
			<td>77</td>의
			<td>20</td>분
			<td>4/7</td>
			<td>(21)</td>
		</tr>
		<tr>
			<td>C5a 수용체 작용제 및 길항제</td>
			<td>74</td>의
			<td>61</td>의
			<td>2/61</td>년
			<td> </td>
		</tr>
		<tr>
			<td>HIV-1 gp14 억제제</td>
			<td>12</td>세
			<td>6</td>
			<td>4/5</td>년
			<td>(22)</td>
		</tr>
		<tr>
			<td>HIV-1 gp120 억제제</td>
			<td>9</td> 개
			<td>14</td>분
			<td> </td>
			<td> </td>
		</tr>
		<tr>
			<td>Bcl-x L 및 Bcl-2의 Bak 억제제</td>
			<td>16-18</td>호
			<td>10</td>분
			<td>5/5</td>년
			<td>(23)</td>
		</tr>
		<tr>
			<td>ERK2 억제제</td>
			<td>11</td>세
			<td>25</td>분
			<td> </td>
			<td> </td>
		</tr>
		<tr>
			<td>EZH2 억제제</td>
			<td>21</td>분
			<td>17</td>의
			<td>10월 10</td>일
			<td>(24)</td>
		</tr>
		<tr>
			<td>LSD1 및 LSD2 억제제</td>
			<td>16</td>세
			<td>41</td>의
			<td>20월17일</td>
			<td> </td>
		</tr>
		<tr>
			<td>HLA-DR1 억제제</td>
			<td>13</td>세
			<td>6</td>
			<td> </td>
			<td>(25세)</td>
		</tr>
		<tr>
			<td>PNP 억제제</td>
			<td>5</td> 개
			<td>13</td>세
			<td> </td>
			<td> </td>
		</tr>
	</tbody>
</table>
표 1. De novo Protein Design Framework를 사용하여 설계된 단백질 및 펩타이드 요약. 계산 예측의 #은 유리한 예측의 수로 표시됩니다(즉, 특정 컷오프 이상의 폴드 특이성 또는 기본 시퀀스보다 큰 근사 결합 친화도). # of experimental validations는 두 개의 숫자를 제공합니다: 첫 번째는 실험적으로 검증된 예측의 수이고 두 번째는 실험적으로 테스트된 예측의 총 수입니다.
펩타이드의 항균성을 향상시키기 위해 human-beta-defensin-2 (hβD-2)의 설계가 수행되었습니다. 17 이 설계를 위해 우리는 두 가지 경우를 고려했습니다: 1) hβD-2를 따라 최대 10개의 돌연변이와 2) 시스테인(8, 15, 20, 30, 37 및 38)을 제외한 모든 hβD-2 잔기 위치의 전체 염기서열 설계. 세 가지 다른 디자인 템플릿과 세 가지 다른 시퀀스 선택 모델이 디자인에 사용되었습니다. 돌연변이의 높은 수준의 유사성은 10개의 돌연변이 설계와 전체 염기서열 설계 모두에 대해 가중 평균과 거리 빈 모델 간에 관찰되었습니다. 또한, 많은 수의 염기서열(sequence)이 네이티브 염기서열(native sequence)보다 더 유리하게 계산된 Fold Specificity(폴드 특이성) 값을 갖는 것으로 밝혀졌습니다.
보체 시스템 억제제(C3, C3a 및 C5a)는 뇌졸중, 심장마비, 알츠하이머병, 천식, 류마티스 관절염, 이종 이식 거부 반응, 성인 호흡기 질환, 건선 및 크론병과 같은 여러 면역 질환과 싸우도록 설계되었습니다. 단백질 설계 프레임워크에 의해 예측된 C3c의 콤프스타틴 억제제 3종과 합리적으로 설계된 염기서열 3종은 실험적으로 네이티브 콤프스타틴보다 더 나은 결합제인 것으로 검증되었습니다. 18,19년
추가 연구에서는 비영장류 C3c에 대한 콤프스타틴의 활성 상실을 조사하고 여러 후보 랫드 및 마우스 C3c 억제제를 설계했습니다. 5개의 염기서열은 C3c를 억제하는 것으로 알려진 W4A9 콤스타틴 돌연변이보다 쥐 C3c와 더 유리한 연관 자유 에너지를 갖는 것으로 나타났습니다. 이것은 Arg1에 의한 새로운 소금 다리 형성 때문입니다. 20 N-말단 확장을 가진 8개의 염기서열은 디세린 확장을 가진 W4A9보다 더 나은 결합체로 예측되었습니다. 마지막으로, 18개의 콤프스타틴 염기서열은 W4A9의 결합 형태를 안정화하여 영장류 및 비영장류 C3c 억제제에 대한 강력한 후보를 제공하는 것으로 예측되었습니다.
C3c 억제제 외에도 C3a 및 C5a 수용체 작용제 및 길항제는 C3a 및 C5a의 구조를 기반으로 설계되었습니다. 모델에 의해 예측된 7개의 C3a 염기서열을 실험적으로 테스트했습니다. 염기서열 중 2개는 강력한 작용제였고 다른 2개는 부분 작용제였다. 21 두 가지 강력한 작용제는 이전에 발견된 "초작용제"에 비해 58배의 개선을 보였다. C5a 수용체 작용제 및 길항제의 설계는 61개의 염기서열 세트를 제공했습니다. 모든 염기서열을 합성하였고 2개는 새로운 C5a 작용제인 것으로 밝혀졌습니다.
AIDS를 일으키는 바이러스인 HIV-1의 융합 억제제는 HIV-1이 세포를 감염시키는 것을 막기 위해 고안되었습니다. 첫 번째 설계는 HIV-1의 외피 당단백질인 gp41을 표적으로 했습니다. 단백질 설계 프레임워크는 네이티브 염기서열보다 더 나은 결합재인 6개의 염기서열을 예측했습니다. 이러한 예측된 염기서열 중 4개는 IC50이 29μM만큼 낮은 최상의 염기서열로 HIV-1을 억제하는 것으로 실험적으로 검증되었습니다. 이 염기서열은 네이티브 염기서열보다 3-15배 개선된 것으로 나타났으며 Enfuvirtide 내성 바이러스 균주에 대해 활성을 잃지 않았습니다. 22 두 번째 설계는 HIV-1의 또 다른 외피 당단백질인 gp120을 표적으로 했습니다. 14개의 염기서열은 gp120의 결합체이며 HIV-1의 추가적인 잠재적 융합 억제제를 제공하는 것으로 예측되었다.
암과 관련된 수많은 단백질이 암 치료의 유망한 표적을 제공했습니다. Bcl-2 및 Bcl-xL은 세포 사멸을 예방하는 항세포사멸 단백질입니다. 이 두 단백질의 억제제는 암세포에서 세포 사멸을 유도하도록 설계되었습니다. 10개의 염기서열은 네이티브보다 더 나은 결합재로 예측되었으며, 이러한 결과는 이전의 실험 및 돌연변이 유발 결과를 포착했습니다. 23 또 다른 표적 단백질인 ERK2는 항증식성 암 치료의 유망한 표적이 되는 신호 전달 캐스케이드에 관여합니다. 25개의 염기서열이 ERK2의 억제제인 것으로 예측되었다.
히스톤 메틸전이효소 및 탈메틸화효소는 전립선암, 유방암, 림프종, 골수종, 방광암, 결장, 피부암, 간암, 자궁내막암, 폐암, 위암 등 많은 암과 관련된 히스톤 메틸화를 동적으로 제어합니다. de novo protein design framework는 EZH2(Lysine methyltransferase)의 17가지 억제제를 확인했으며, 실험적으로 테스트된 10가지 중 모두 EZH2를 억제하는 것으로 밝혀졌습니다. 24 가장 강력한 펩타이드는 약 13μM의 IC50을 가졌고, 효소 농도가 높아도 동일하게 효과적이었으며, 보조인자와 경쟁하지 않았습니다. 이 펩타이드는 EZH2의 첫 번째 억제제 세트였습니다. 프레임워크에 의해 53개의 LSD1 억제제(탈메틸화효소)가 예측되었으며, 실험적으로 시험된 20개의 억제제 중 17개는 LSD1의 억제제였고 18개는 LSD2의 억제제였다. 최고의 억제제는 IC50 값이 1μM 미만으로 현재까지 발견된 가장 강력한 펩티드 억제제입니다.
마지막 두 단백질 시스템은 셀리악병, 진성 당뇨병 1형, 전신성 홍반성 루푸스, 쇼그렌 증후군, 츄르그-스트로스 증후군, 하시모토 갑상선염, 그레이브스병, 특발성 혈소판 감소성 자반병, 류마티스 관절염 및 알레르기와 같은 다양한 자가면역 질환을 치료하기 위한 표적을 제공했습니다. 이러한 잠재적 억제제 중 어느 것도 실험적으로 검증되지 않았지만, 프레임워크는 HLA-DR1에 결합하는 6개의 염기서열과 PNP에 결합하는 13개의 염기서열을 예측했습니다.
표 2는 de novo protein design framework를 사용하여 예측된 실험적으로 검증된 억제제 및 작용제를 요약한 것입니다. approximate binding affinity metric은 9개의 염기서열(human C3c, HIV-1 gp41, EZH2, LSD1 및 LSD2 억제제)을 예측하는 데 사용되었으며, fold specificity metric은 4개의 염기서열(C3aR의 agonists/antagonist)을 식별하는 데 사용되었습니다. 이러한 펩타이드는 de novo 단백질 설계 프레임워크, 특히 추가된 근사 결합 친화도 메트릭의 성공을 강조합니다. 이 프레임워크는 적용 가능성이 매우 다양합니다. 25개의 서로 다른 질병과 관련된 6개의 서로 다른 단백질이 성공적으로 설계되고 실험적으로 검증되었습니다.
<표 테두리 ="1" cellpadding ="1" cellspacing="1" 높이 ="147" 너비 ="856">
	<tbody>
		<tr>
			<td>이름</td>
			<td>IC50</td> 시리즈
			<td>50 EC50</td>
			<td>단백질 타겟</td>
			<td>적용 가능한 질병</td>
		</tr>
		<tr>
			<td>SQ027</td>
			<td>0.94 μM의</td>
			<td> </td>
			<td>인간 C3c</td>
			<td colspan="1" rowspan="7">뇌졸중, 심장마비, 알츠하이머병, 천식, 류마티스 관절염, 전신성 홍반성 루푸스, 다발성 경화증, 건선, 당뇨병 I형, 크론병, 췌장염 및 낭포성 섬유증</td>
		</tr>
		<tr>
			<td>SQ086</td>
			<td>1.98 μM</td>
			<td> </td>
			<td>인간 C3c</td>
		</tr>
		<tr>
			<td>SQ059</td>
			<td>4.73 μM</td>
			<td> </td>
			<td>인간 C3c</td>
		</tr>
		<tr>
			<td>SQ110-4 (단</td>편)
			<td> </td>
			<td>15.2 nM</td>
			<td>C3아르</td>
		</tr>
		<tr>
			<td>SQ060-4</td> (단편)
			<td> </td>
			<td>36.4 nM</td>
			<td>C3아르</td>
		</tr>
		<tr>
			<td>SQ007-5</td> (단)
			<td>15.4 nM</td>
			<td> </td>
			<td>C3아르</td>
		</tr>
		<tr>
			<td>SQ002-5</td> 시리즈
			<td>26.1 nM</td>
			<td> </td>
			<td>C3아르</td>
		</tr>
		<tr>
			<td>SQ435</td>
			<td>29 - 253 마이크로미터</td>
			<td> </td>
			<td>HIV-1 gp41</td>
			<td>AIDS</td>
		</tr>
		<tr>
			<td>SQ037</td>
			<td>13.57 μM</td>
			<td> </td>
			<td>이즈2</td>
			<td colspan="1" rowspan="5">전립선, 유방암, 림프종, 골수종, 방광암, 결장암, 피부암, 간암, 자궁내막암, 폐암 및 위암</td>
		</tr>
		<tr>
			<td>SQ011-1</td> (단)
			<td>0.521 μM</td>
			<td> </td>
			<td>증권 시세 표시기1</td>
		</tr>
		<tr>
			<td>SQ016-1</td>
			<td>0.249 μM</td>
			<td> </td>
			<td>증권 시세 표시기1</td>
		</tr>
		<tr>
			<td>SQ026-1</td>
			<td>2.51 μm</td>
			<td> </td>
			<td>증권 시세 표시기2</td>
		</tr>
		<tr>
			<td>SQ015-1</td>
			<td>1.332 μM</td>
			<td> </td>
			<td>증권 시세 표시기2</td>
		</tr>
	</tbody>
</table>
표 2. 다양한 질병을 표적으로 하는 전산을 통해 예측하고 실험적으로 검증된 펩타이드.

단백질 지혜 : 용 워크 벤치<em&gt; 실리코에</em&gt;<em&gt; 드 노보</em생체 분자의&gt; 디자인

Protein WISDOM: A Workbench for In silico De novo Design of BioMolecules

드 노보 단백질 설계의 목적은 기본 순서를 기준으로 같은 결합력, 작용제 또는 길항제의 행동이나 안정성 등의 특정 속성, 개선에 필요한 3 차원 구조로 접을 것 아미노산 서열을 찾을 수 있습니다. 단백질 디자인은 현재 발전 약물 설계 및 발견의 중심에 자리 잡고 있습니다. 뿐만 아니라 단백질 디자인은 잠재적으로 유용한 약물 표적에 대한 예측을 제공하지만, 그것은 또한 단백질 폴딩 과정과 단백질 - 단백질 상호 작용에 대한 우리의 이해를 향상 않습니다. 같은 방향 진화 등의 실험 방법은 단백질 디자인에서 성공을 보여 주었다. 그러나, 이러한 방법은 tractably 검색 할 수 있습니다 제한된 순서 공백으로 제한됩니다. 반면, 전산 설계 전략 특성과 다양한 기능을 포함 시퀀스의 훨씬 더 큰 집합의 심사 할 수 있습니다. 우리는 전산 드 노보 단백질 디자인 METHO의 범위를 개발했습니다단백질 설계의 몇 가지 중요한 영역을 다루는 능력 DS. 이러한 증가 바인딩 선호도 증가 안정성과 단지에 대한 단량체 단백질의 디자인이 (가) 있습니다. 넓은 위해 이러한 방법을 전파하는 것은 우리가 단백질 지혜 (현재 사용 <a href="http://www.proteinwisdom.org" target="_blank">http://www.proteinwisdom.org</a> ), 단백질 설계 문제의 다양한 자동화 된 방법을 제공하는 도구입니다. 구조 템플릿은 디자인 프로세스를 초기화하기 위해 제출됩니다. 설계의 첫 번째 단계는 시퀀스 공간에 잠재적 인 에너지의 최소화를 통해 안정성을 향상을 목표로 최적화 순서 선택 단계입니다. 선택한 시퀀스는 다음 배 특이 무대와 결합 친화 단계를 통해 실행됩니다. 프로세스의 각 단계에 대한 염기 서열의 순위 정렬 된 목록은 함께 관련 설계 구조로, 디자인의 포괄적 인 양적 평가와 함께 사용자를 제공합니다. 여기에서 우리는 세부 사항 O를 제공합니다F 각 설계 방법뿐만 아니라, 방법의 사용을 통해 달성 몇 가지 주목할만한 실험 성공.

HIV-1 진입 억제제의 De Novo 설계
Protein WISDOM에 구현된 de novo 설계 프레임워크는 여러 중요한 치료 시스템을 위한 억제 펩타이드 설계에 사용되었습니다(표 1 및 2). 주목할 만한 시스템 중 하나는 호스트 세포 수용체인 CD4로의 HIV-1 진입을 억제하는 펩타이드 설계이며, 본에서는 Protein WISDOM 인터페이스의 실질적인 사용법을 입증하기 위한 대표 시스템으로 활용됩니다. 이 펩타이드들은 호스트 T 도움 세포로의 HIV-1 융합 및 진입의 핵심 역할을 하는 막관통 서브유닛 gp41을 표적으로 설계되었습니다. 결과가 원본 논문에 제시된 것과 반드시 동일하지는 않을 수 있음에 유의하십시오. 이는 본 방법의 이 단계에서 사용된 Rosetta 방법의 확률적 특성과 원본 논문 발표 이후 Rosetta2.3에서 Rosetta3.4로의 업데이트로 인한 것입니다.
<p class="jove...

우리는 단백질 설계의 몇 가지 중요한 영역을 다룰 수 있는 computational de novo 단백질 설계 방법을 개발했습니다. 이러한 방법을 보급하기 위해 단백질 설계를 위한 온라인 도구인 Protein WISDOM을 제시합니다(<a href="http://www.proteinwisdom.org" target="_blank">http://www.proteinwisdom.org</a>). 구조적 주형에서 시작하여 안정성 향상을 위한 단량체 단백질과 결합 친화도 향상을 위한 복합체의 설계를 수행할 수 있습니다.

The aim of de novo protein design is to find the amino acid sequences that will fold into a desired 3-dimensional structure with improvements in specific ...

다음 실험의 전반적인 목표는 폴딩, 결합 또는 기능적 특성이 향상된 단백질 또는 펩타이드를 설계하는 것입니다. 이는 단백질 또는 복합체 구조를 업로드하고 돌연변이 및 생물학적 제약 조건을 정의함으로써 달성됩니다. 두 번째 단계로 설계 목표를 정의하기 위해 서열 선택 최적화를 수행하며, 이를 통해 안정성과 상호작용 특성이 향상된 수많은 가능한 단백질 또는 펩타이드 서열이 생성됩니다. 다음으로 폴딩을 진행합니다.설계된 단백질이나 펩타이드가 원하는 개선된 특성을 갖추었는지 검증하기 위해, 설계된 서열에 대해 특이성 및/또는 근사 결합 친화도 계산을 수행합니다. 이 과정을 통해 생성된 구조의 계산 분석을 바탕으로, 설계된 서열의 특성이 개선되었음을 보여주는 결과를 얻습니다. 본 프로토콜은 프린스턴 대학교의 플루트 연주자인 Chris Doles 교수의 실험실에서 개발되었습니다.이 일반적인 계산 기반의 de novo 단백질 설계 프로토콜은 단백질 설계의 여러 중요한 영역을 다룰 수 있습니다. 여기에는 안정성 향상을 위한 단량체 단백질 설계와 결합 친화도 향상을 위한 복합체 설계가 포함됩니다. 저희는 H-I-V-G-P 41 억제제, 암 치료제를 위한 EZH2 표적 억제제, 보체 성분 C3 A 표적 억제제 등 다양한 치료 분야에서 여러 주목할 만한 설계 성공 사례를 거두었습니다. 단백질 설계 방법론을 더 넓은 학계에서 활용할 수 있도록, 저희는 Protein Wisdom이라는 웹 인터페이스를 개발하였습니다.이 인터페이스를 통해 사용자는 템플릿 제출, 디자인 제약 조건 정의 및 방법 매개변수 지정을 완전히 제어할 수 있어, 매우 다양한 디자인 문제에 디자인 방법을 쉽게 적용할 수 있습니다. 텍스트 프로토콜에 설명된 대로 protein wisdom 웹사이트에 사용자 등록을 마친 후, 사용자 로그인 버튼을 클릭하여 단백질 서열과 템플릿 구조를 제출하십시오. 단백질 디자인 실험을 시작하면 사용자 홈 페이지가 나타나며, 여기에는 제출된 작업 수, 업로드된 구조 수 및 지금까지 업로드된 구조 목록이 표시됩니다. 새로운 디자인 작업을 시작하십시오.'새 작업 생성'을 클릭하면 작업 제출 페이지로 이동합니다. 작업 이름을 지정하고, 이전 작업에 기반한 것인지 여부를 표시하십시오. '계속'을 클릭합니다.설계 템플릿의 단백질 구조를 업로드하십시오. 이 템플릿은 표준 단백질 구조 데이터뱅크(protein data bank) 또는 PDB 형식이어야

protein-wisdom-workbench-for-silico-de-novo-design

Research

연구

JoVE Journal

Biology

생물학

BioMEMS : 생물학 자와 엔지니어 사이에 새로운 협력 단조

DNA 종이 접기 DNA 분자의 자기 조립을 프로그래밍하여 정확한 나노 물체를 제조하기위한 강력한 방법입니다. 여기, 우리는 DNA 종이 접기는 생물학적 신호를 감지하고 모양이 연속적으로 원하는 효과를 전달, 이동하여 응답 할 수있는 로봇 로봇을 설계에 활용 될 수있는 방법에 대해 설명합니다.

DNA 종이 접기에서 바이오 반응 로봇을 설계

DNA 타일링은 프로그래밍 가능한 나노 구조를 만드는 효과적인 접근 방식입니다. 우리는 단일 가닥 DNA 타일의 자체 조립에 의해 복잡한 2차원 모양을 구성하는 프로토콜을 설명합니다.

단일 가닥 DNA 타일에서 단지 두 차원 모양의 자기 조립 (self-assembly)

여기, 모듈형 DNA "장치" 어셈블리 액체 처리 로봇에 모듈형 복제 DNA 어셈블리 메서드를 사용 하 여 수행 하는 자동화 된 워크플로 제공 됩니다. 프로토콜 조합 DNA 장치 라이브러리 생성, 우리는 두 액체 처리 플랫폼을 사용 하 여 설명 하는 액체 처리기 선택 목록 생성 하기 위한 소프트웨어 도구를 사용 합니다.

모듈형 DNA 장치 조립 로봇 액체 처리 자동화

우리는 X 선 결정학에 의하여 NEMO의 IKK 결합 도메인의 구조 결정에 대한 프로토콜을 기술합니다. 이 방법은 단백질 발현, 정제 및 특성화뿐만 아니라 단백질의 성공적인 결정 최적화 및 단백질의 구조 측정을 위한 전략을 포함합니다.

NEMO의 IKK 결합 도메인의 생산, 결정화 및 구조 결정

생체 분자 모델링의 핵심 기술은 단백질에 활성 부위를 표시하고 표시하는 것입니다. 이 기술은 매크로 분자 시각화를위한 네 가지 인기있는 무료 프로그램을 사용하여 입증된다 : iCn3D, Jmol, PyMOL, UCSF ChimeraX.

분자 시각화 프리웨어를 사용하여 효소 활성 사이트 모델링

이 프로토콜은 실험 설계 구성에서 주관적인 선택을 최소화하는 혼합물, 연속 및 범주형 연구 요인에 대한 제형 최적화에 대한 접근 방식을 제공합니다. 분석 단계에서는 효과적이고 사용하기 쉬운 모델링 피팅 절차가 사용됩니다.

SVEM(Designed Mixture-Process Experiments and Self-Validated Ensemble Model)을 사용한 지질 나노입자(LNP) 제형 최적화를 위한 워크플로우

단백질 설계에는 아미노산 염기서열의 구축과 기능적 변이체를 만들기 위한 특정 모티프의 통합이 포함됩니다. 이 접근 방식은 항생제 내성 병원체와 싸우기 위한 항균 펩타이드(AMP)의 개발에 매우 중요합니다. 본 논문은 다양한 생물정보학 도구를 이용한 단백질 구축 절차를 제시합니다.

De Novo 및 In Silico 단백질 설계를 위한 I TASSER, trRosetta, UCSF Chimera, HADDOCK 서버 및 HEX loria 적용

이 프로토콜은 자동화 지원 유전자 라이브러리 생성 및 평가를 통해 유전적으로 인코딩된 바이오센서의 체계적인 글로벌 최적화 방법을 제공합니다. 이는 실험을 간소화하고 유전적 구성 요소를 선택하여 바이오센서를 특정 설계 결과에 맞게 조정할 수 있도록 하는 실험 설계 방법론과 결합됩니다.

실험 설계 및 자동화 워크플로우를 통해 유전적으로 인코딩된 바이오센서 설계 공간의 효율적인 샘플링

우리는 황금 microelectrodes와 실리콘 기판에 폴리 (에틸렌 글리콜) 자기 조립 monolayer을 (PEG - SAM) 형성을위한 절차를 제시한다. PEG - SAM은 단일 단계에서 형성과 실리콘과 금색 표면에 biofouling을 방지합니다. 전기 영동은 다음 nanoscale patterning의 biomolecules에 대한 아래 사용되고 있습니다.

Patterning의 Biomolecules에 대한 Microelectrodes에 자기 조립 Monolayers을 Antifouling

학습하세요 단백질 WISDOM을 활용한 컴퓨터 기반 단백질 설계 방법을 통해 안정성과 결합 친화도가 향상된 단백질을 설계하는 기술을. 이 연구는 생명공학 및 의학 분야의 치료제 개발에 활용됩니다.

단백질 지혜 : 용 워크 벤치

더 많은 동영상 탐색