Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Proteïne WIJSHEID: Een Workbench voor

16.4K weergaven

⸱

DOI:

10.3791/50476

⸱

25 juli 2013

 ,  ,  ,  , 
1Department of Chemical and Biological Engineering, Princeton University

In dit artikel

Samenvatting

We ontwikkelden computationele de novo eiwit-ontwerpmethoden die in staat zijn om verschillende belangrijke gebieden van eiwit-ontwerp aan te pakken. Om deze methoden te verspreiden, presenteren we Protein WISDOM, een online tool voor eiwit-ontwerp (http://www.proteinwisdom.org). Uitgaande van een structurele sjabloon, kan het ontwerp van monomere eiwitten voor verhoogde stabiliteit en complexen voor verhoogde bindingsaffiniteit worden uitgevoerd.

Samenvatting

Het doel van de novo eiwit ontwerp van de aminozuursequenties die vouwen in een gewenste 3-dimensionale structuur met een verbetering in bepaalde eigenschappen, zoals bindingsaffiniteit, agonist of antagonist gedrag of de stabiliteit ten opzichte van de natieve sequentie zijn. Eiwit ontwerp ligt in het centrum van de huidige vooruitgang drug design en ontdekking. Niet alleen proteïne ontwerp zorgen voorspellingen voor potentieel nuttige drug targets, maar het verbetert ook ons ​​begrip van het vouwen van eiwitten proces en eiwit-eiwit interacties. Experimentele methoden, zoals gerichte evolutie succesvol zijn gebleken in eiwit ontwerp. Echter dergelijke werkwijzen beperkt door de beperkte ruimte die tractably sequentie kan worden gezocht. Daarentegen computational ontwerpstrategieën kunnen voor het screenen van een veel grotere reeks van sequenties die een breed scala van eigenschappen en functionaliteit. We hebben een scala van computationele de novo eiwit ontwerp methodiek ontwikkeldds kan inspelen op een aantal belangrijke gebieden van het eiwit ontwerp. Deze omvatten het ontwerp van monomere eiwitten voor verhoogde stabiliteit en complexen voor verhoogde bindingsaffiniteit.

Om deze methoden te verspreiden voor bredere gebruiken we presenteren Protein WIJSHEID ( http://www.proteinwisdom.org ), een instrument dat geautomatiseerde methodes voorziet in een verscheidenheid van eiwitten ontwerpproblemen. Structurele templates worden voorgelegd aan het ontwerpproces te initialiseren. De eerste fase van het ontwerp is een optimalisatie opeenvolging selectiefase dat zich richt op het verbeteren van de stabiliteit door minimalisering van potentiële energie in de volgorde ruimte. Geselecteerde sequenties worden vervolgens door een vouw specificiteit podium en een bindingsaffiniteit podium. Een rank-geordende lijst van de reeksen voor elke stap van het proces, samen met relevante ontworpen structuren, biedt de gebruiker een uitgebreide kwantitatieve beoordeling van het ontwerp. Hier geven we de details of elk ontwerpmethode, evenals verscheidene opmerkelijke experimentele successen bereikt door het gebruik van de werkwijzen.

Inleiding

De novo eiwitdesign is de identificatie van eiwitsequenties die een gewenste tertiaire structuur met verbeterde eigenschappen of functie zullen opleveren. Omdat de native vouwing van een eiwit de conformatie is die zich op het vrije energieminimum bevindt, zoekt de novo eiwitdesign naar sequenties die een vrij energieminimum in de doelvouwing zullen hebben. Dit probleem werd voor het eerst beschreven door Drexler1 en Pabo2 en werd aangeduid als het "inverse folding problem." In tegenstelling tot het eiwitvouwingsprobleem, waar een sequentie slechts één opgevouwen structuuroplossing kan opleveren, vertoont het de novo eiwitdesignprobleem degeneratie. Veel verschillende aminozuursequenties kunnen dezelfde tertiaire structuur en functie opleveren.

Traditioneel werd eiwitdesign experimenteel uitgevoerd door middel van rationeel ontwerp en gerichte evolutie, maar recenter zijn computationele methoden gebruikt om de beperkte zoekruimte die inherent is aan experimentele methoden te overwinnen. Er zijn verschillende computationele methoden gebruikt, waaronder deterministische methoden, stochastische methoden en probabilistische methoden.3,4 Vroege computationele methoden gebruikten vaste ruggengraat-sjablonen om het probleem gemakkelijker op te lossen.5-7 Met de komst van snellere processors, high-performance computing en efficiëntere algoritmen is ruggengraatflexibiliteit geïntegreerd door het gebruik van een ensemble van vaste ruggengraat-sjablonen8-14 of door de echte ruggengraatflexibiliteit te incorporeren door het sjabloon uit te drukken in termen van bereiken van atoom-tot-atoomafstanden en diëderhoeken.15,16

Dit artikel beschrijft in detail Protein WISDOM, een online tool die beschikbaar is gesteld aan de academische gemeenschap om ons computationele de novo eiwitdesign-framework te gebruiken. Dit framework is toegepast op het ontwerp van talrijke eiwitten voor therapeutisch gebruik bij ziekten zoals HIV, kanker, complementziekten en andere auto-immuunstoornissen. Veel van de voorspelde peptiden zijn experimenteel gevalideerd, wat de kracht van de methode aantoont. Tabel 1 geeft een samenvatting van de verschillende eiwitten die zijn ontworpen, inclusief de grootte van het eiwit of peptide, het aantal voorspellingen en experimentele validatie.

EiwitontwerpEiwitlengte# van computationele voorspellingen# van experimentele validatiesReferentie
Volledige sequentie-ontwerp van humaan beta-defensin-241340 (17)
Compstatine-remmers van humaan C313283/3(18, 19)
Compstatine-analogen die binden aan ratten-C3c135 (20)
Compstatine-analogen met di-serine-extensie158  
Stabiliserende structuur van compstatine-analoog W4A91318  
C3a-receptoragonisten en -antagonisten77204/7(21)
C5a-receptoragonisten en -antagonisten74612/61 
HIV-1 gp14-remmers1264/5(22)
HIV-1 gp120-remmers914  
Bak-remmers van Bcl-x L en Bcl-216-18105/5(23)
Remmers van ERK21125  
Remmers van EZH2211710/10(24)
Remmers van LSD1 en LSD2164117/20 
Remmers van HLA-DR1136 (25)
Remmers van PNP513  

Tabel 1. Samenvatting van ontworpen eiwitten en peptiden met behulp van het de novo eiwitdesign-framework. Het aantal computationele voorspellingen wordt gepresenteerd als het aantal gunstige voorspellingen (dwz vouwingsspecificiteiten boven een bepaalde grenswaarde of benadering van bindingsaffiniteiten groter dan de native sequentie). Het aantal experimentele validaties geeft twee getallen: het eerste is het aantal voorspellingen dat experimenteel is gevalideerd, terwijl het tweede het totale aantal voorspellingen is dat experimenteel is getest.

Ontwerp van humaan-beta-defensin-2 (hβD-2) werd uitgevoerd om de antimicrobiële eigenschap van het peptide te verbeteren.17 Voor dit ontwerp werden twee gevallen overwogen: 1) tot 10 mutaties langs hβD-2 en 2) volledig sequentie-ontwerp van alle hβD-2-residu-posities, behalve de Cysteïnen (8, 15, 20, 30, 37 en 38). Drie verschillende ontwerpsjablonen en drie verschillende sequentieselectiemodellen werden gebruikt bij het ontwerp. Hoge niveaus van overeenkomst in mutaties werden waargenomen tussen de gewogen ge

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Overzicht van de methode

Het de novo ontwerpframework dat in Protein WISDOM wordt gebruikt, bestaat uit twee fasen. In de eerste fase wordt een gerangschikte lijst met aminozuursequenties gegenereerd die zullen vouwen tot een gegeven sjabloonstructuur. In de tweede fase worden deze sequenties gevalideerd door ofwel de vouwingsspecificiteit, de benaderde bindingsaffiniteit, of beide te berekenen. De eerste methode wordt voornamelijk gebruikt wanneer het ontwerp betrekking heeft op een enkel eiwit, terwijl de laatste methode wordt gebruikt wanneer het ontwerp betrekking heeft op een complex (een peptide die bindt aan een doeleiwit). Figuur 1 geeft een overzicht van de stappen die deel uitmaken van het framework.

Ontwerpinvoer: Voor het framework voor de novo eiwitontwerp moeten verschillende parameters worden gedefinieerd. De eerste is het ontwerpsjabloon. Dit is een driedimensionale (3D) eiwitstructuur die coördinaten bevat voor alle atomen in het eiwit. De structuur kan rigide of flexibel zijn. Rigide sjablonen bestaan uit een set vaste atoomcoördinaten en worden verkregen uit röntgendiffractiestructuren. Flexibele sjablonen kunnen bestaan uit een set vaste atoomcoördinaten of uit boven- en ondergrenzen voor de atoomcoördinaten. Deze sjablonen kunnen worden verkregen uit NMR-oplosingsstructuren, moleculaire dynamica of docking-simulaties.

Het ontwerpmodel wordt gebruikt om de toegestane mutatieset van het ontworpen eiwit te genereren. Deze set bepaalt welke posities van de sequentie kunnen muteren en naar welke aminozuren. De mutatieset wordt gegenereerd door het oplosmiddel-toegankelijke oppervlak (solvent accessible surface area, SASA) van elk residu in het ontwerpmodel te berekenen. Als het residu voor meer dan 50% blootgesteld is aan het oplosmiddel, is een set hydrofiele aminozuren toegestaan (D, E, G, H, K, N, P, Q, R, S, T). Als het residu voor minder dan 20% blootgesteld is aan het oplosmiddel, is een set hydrofobe aminozuren toegestaan (A, F, I, L, M, V, W, Y). Als de blootstelling van het residu tussen 20% en 50% ligt, zijn alle aminozuren toegestaan. Cysteïne wordt doorgaans uitgesloten van de mutatieset, tenzij experimentele gegevens of literatuur dit passend achten. Kleine aminozuren (A, G, T) worden doorgaans in alle mutatiesets opgenomen. Indien beschikbaar, kunnen experimentele inzichten of literatuur worden gebruikt om de mutatiesets van specifieke aminozuurposities handmatig aan te passen.

Er wordt een krachtveld gekozen om de paarsgewijze interactie-energie van de sequenties in het ontwerpmodel te berekenen. Hoewel elk krachtveld kan worden aangepast voor gebruik binnen het raamwerk, zijn er twee afstandsafhankelijke krachtvelden ontwikkeld die uitgebreid worden gebruikt in het de novo ontwerpraamwerk. Het eerste is een hoge-resolutie Cα-Cα krachtveld,26 waarbij de afstanden worden gemeten tussen de Cα koolstoffen van de residuen. Het tweede is een hoge-resolutie centroïde-centroïde krachtveld27 waarbij de afstanden tussen de centroïden van de residuen worden gemeten. De energieparameters in de krachtvelden zijn afgeleid door een lineair programmeringsprobleem voor parameterschatting op te lossen, waarbij werd geëist dat de laag-energetische hoge-resolutie decoys voor een grote trainingsset eiwitten energetisch minder gunstig waren dan hun natieve conformaties. Zowel het hoge-resolutie centroïde-centroïde krachtveld als het Cα-Cα krachtveld zijn in eerdere studies naar humaan bèta-defensine-2 getest en gevalideerd.17 Echte flexibiliteit van de backbone wordt in het model geïntegreerd door de krachtvelden te discretiseren in afstandsbins. De afstand tussen een paar aminozuren komt overeen met een afstandsbin, waardoor dezelfde energiewaarde wordt toegekend aan een bepaald bereik van afstanden. Dit stelt het optimalisatiemodel voor sequentieselectie in staat om rekening te houden met de beweging van de backbone.

Biologische beperkingen, in de vorm van ladingbeperkingen of inhoudsbeperkingen, kunnen handmatig door de gebruiker worden toegevoegd als aanvullende ontwerpinput. Ladingbeperkingen specificeren een bepaalde lading of een bereik van ladingen waaraan moet worden voldaan voor de ontworpen sequentie of een deel daarvan. De lading wordt berekend als de som van de positief geladen residuen (K en R) minus de som van de negatief geladen residuen (D en E). Inhoudsbeperkingen specificeren boven- en ondergrenzen voor het voorkomen van een bepaald aminozuur in de sequentie. Biologische beperkingen worden over het algemeen gedefinieerd via een uitgebreide sequentie-alignment met de natuurlijke sequentie. Dit dient om de bekende biologische limieten voor lading en aminozuurinhoud vast te leggen zoals deze in de natuur voorkomen voor een eiwitfamilie. Verdere beperkingen worden handmatig gedefinieerd op basis van de analyse van bekende experimentele gegevens.

Fase één: Selectie van de sequentie: De oorspronkelijke methode voor sequentieselectie werd eerst ontwikkeld door Klepeis et al.15,16 Deze methode selecteert en rangschikt aminozuursequenties op basis van hun energieën in het ontwerpsjablon door middel van een Integer Linear Optimization (ILP)-model. De methode is later verbeterd door het gebruik van een computationeel efficiënter model voor sequentieselectie voor rigide (enkele) sjablonen en is verder uitgebreid door de ontwikkeling van modellen voor flexibele sjablonen. Deze globale optimalisatiemethode is niet afhankelijk van willekeurige mutaties en garandeert theoretisch dat de volledige sequentieruimte wordt doorzocht om een globale oplossing te bepalen. Dit is een belangrijk voordeel van onze benadering ten opzichte van alle andere bestaande benaderingen.

Model met enkele structuren: De oorspronkelijke vorm van het model voor sequentieselectie voorgesteld door Klepeis et al.15,16 werd verder verfijnd door Fung et al.28 De uiteindelijke vorm hiervan is weergegeven in vergelijking 1.

Optimalisatieprobleem met vergelijkingen, beperkingen; wiskundige optimalisatie, symbolische notaties.
Set i=1,...,n definieert de residuposities in het ontwerpmodel. Op elke positie i worden mutaties weergegeven door j{i}=1,...,mi, waarbij mi=20 indien positie i mag muteren naar elk van de twintig natuurlijke aminozuren. De alias-sets k≡i en l≡j, met k>i, worden gebruikt om alle unieke paarsgewijze interacties weer te geven. Binaire variabelen yj subschrif i superscript j, wiskundige notatie, variabelen in vergelijkingen. en Notatie eerste afgeleide y'_k, vergelijking, calculusconcept, educatieve formule. worden geïntroduceerd om aminozuurmutaties te modelleren. De variabele yj subschrif i superscript j, wiskundige notatie, variabelen in vergelijkingen. neemt de waarde één aan als het model aminozuur j toewijst aan positie i, en de waarde nul in andere gevallen (hetzelfde geldt voor Notatie eerste afgeleide y'_k, vergelijking, calculusconcept, educatieve formule. ). De doelfunctie representeert de som van alle paarsgewijze energie-interacties in het ontwerpmodel. Parameter Voorbeeld van tensornotatie in abstracte algebra; wiskundige expressie die indexnotatie illustreert., wat de energie-interactie is tussen positie i bezet door aminozuur j en positie i bezet door aminozuur l, is afhankelijk van de afstand tussen de α-koolstoffen of de zijketen-centroiden op de twee posities (xi,xj,) alsmede het type aminozuren j en l. Deze draagt alleen bij aan de doelfunctie als zowel yj subschrif i superscript j, wiskundige notatie, variabelen in vergelijkingen. als Notatie eerste afgeleide y'_k, vergelijking, calculusconcept, educatieve formule. gelijk zijn aan één.

Fung et al.28 stelden vast dat formulering (1) aanzienlijk rekentechnisch efficiënter is dan twaalf andere gelijkwaardige modellen op basis van kwadratische toewijzing voor sequentieselectie.28,29 In het bijzonder presteerde het beter dan het oorspronkelijke model voorgesteld door Klepeis et al.15,16 bij twee sequentieselectieproblemen voor menselijk bèta-defensine-2: één met een complexiteitsniveau van 3,4x1045 en de andere met 6,4x1037 met 49 aanvullende lineaire biologische beperkingen. Er werd vastgesteld dat het oorspronkelijke model voorgesteld door Klepeis et al.15,16 respectievelijk 53.263 seconden centrale verwerkingseenheid (CPU) en 4.578 seconden CPU nodig had om de twee problemen tot globale optimaliteit op te lossen met behulp van CPLEX 9.030 op een Pentium IV 3,2 GHz processor. Formulering (1) had slechts 649 seconden CPU en 14 seconden CPU nodig voor dezelfde taken, wat overeenkomt met een 82-voudige en 327-voudige verbetering in rekenefficiëntie.

Gewogen Gemiddelde Model: Fung et al.28 ontwikkelden twee modellen om de typische casus van de novo proteïnedesign aan te pakken, waarbij het ontwerpstramien flexibel is en een reeks structuren bevat. Het Gewogen Gemiddelde Model maakt gebruik van een gewogen gemiddelde energie, Statisch evenwichtsformule ΣE_ik^jl(x_i,x_k)wt(x_i,x_k,d) vergelijking, wiskundig concept. , in plaats van de energieparameter Voorbeeld van tensornotatie in abstracte algebra; wiskundige expressie die indexnotatie illustreert.(xi,xk) in het Single Structure Model (Verg. 1). De gewichten wt(xi,xk,d) worden bepaald door de frequenties waarmee de afstand tussen xi en xk in afstandscategorie d valt binnen de stramienstructuren. De uiteindelijke vorm van het Gewogen Gemiddelde Model wordt weergegeven in Verg. 2.

Vergelijkingen voor optimalisatieproblemen; lineair programmeringsmodel; beperkingen en binaire variabelen; wiskundige formulering.
Distance Bin Model: Het tweede model voor sequentieselectie voor flexibele template-structuren incorporeert de afstandsinformatie van de meerdere structuren door de introductie van een binaire variabele bikd. Deze variabele is gelijk aan één als de afstand tussen xi en xk in afstandsklasse d valt, en is anders nul. Een andere geïntroduceerde parameter, disbin(xi, xk, d), is gelijk aan één als de afstand tussen xi en xk in een van de template-structuren in afstandsklasse d valt en is anders nul. Omdat slechts één afstandsklasse per aminozuurpaar bijdraagt aan de totale energie,Voorbeeld van tensornotatie in abstracte algebra; wiskundige uitdrukking die indexnotatie illustreert. in de doelfunctie wordt vervangen door Wiskundige vergelijking Σ E(x) diagram; statisch evenwicht, sommatieformule voor onderzoeksanalyse.. Dit introduceert echter nonlineariteit in de doelfunctie. Verdere details over het lineariseren van het model en aanvullende beperkingen die moeten worden toegevoegd voor haalbaarheid kunnen worden gevonden in Fung et al.28 Het Distance Bin Model wordt weergegeven in Vergelijking 3.

Vergelijkingen van het optimalisatieprobleem; lineair programmeringsmodel; beperkingen en binaire variabelen; wiskundige formulering.
Elk van de bovenstaande geformuleerde Integer Linear Programming (ILP) problemen15-17 kan rigoureus worden opgelost met behulp van branch-and-bound technieken.28-30 Dergelijke technieken garanderen een consistente en betrouwbare convergentie naar de sequentie met de globale minimale energie.

Fase twee: Validatie: Figuur 2 geeft een gedetailleerd overzicht van de twee benaderingen van fase twee. De figuur toont de stappen die nodig zijn om de uiteindelijke rangschikkingsmetriek te berekenen en het aantal structuren dat in elke stap is gegenereerd.

Vouwingspecificiteit: Vouwingspecificiteit is een maatstaf die wordt gebruikt voor het rangschikken van de voorlopige ontwerpen die in Fase Eén zijn afgeleid. Het doel van de berekening is om vast te stellen hoe goed elke sequentie vouwt tot de template-structuur in vergelijking met de oorspronkelijke sequentie van de template, op basis van energieberekeningen. Er zijn twee benaderingen om dit te doen, elk met verschillende computationele eisen.

De eerste aanpak werd geïmplementeerd door Klepeis et al..15,16 Deze benadering maakt gebruik van het raamwerk voor eiwitstructuurvoorspelling ASTRO-FOLD, 26,27,31-47 dat is gebaseerd op deterministische globale optimalisatie. Deze aanpak wordt momenteel niet gebruikt in de implementatie van Protein WISDOM, aangezien deze zeer rekenintensief is. Gezien de beperkingen van de computerbronnen en de noodzaak om deze berekening uit te voeren op potentieel honderden tot duizenden sequenties in het ontwerp, heeft Fung et al..17 stelde een efficiëntere aanpak voor met behulp van TINKER/CYANA.48-50 De aanpak houdt in dat er een flexibel sjabloon van de structuur wordt gedefinieerd. Het flexibele sjabloon kan worden gedefinieerd met behulp van boven- en ondergrenzen voor de afstanden tussen Cα atomen, evenals de ϕ- en ψ-hoeken van de residuen. Voor een enkele structuur worden de initiële afstanden en dihedrale hoeken gebruikt en worden grenzen gedefinieerd als een vaste afstand of een percentage. De standaardgrenzen zijn ±10% voor Cα afstanden of ±10° voor de grenzen van de dioxangle. Voor een flexibel sjabloon kunnen de grenzen worden bepaald uit de maximale en minimale waarden die zijn waargenomen in alle sjabloonstructuren die als input voor het ontwerp zijn gegeven. Zodra de initiële grenzen voor elke sequentie zijn gedefinieerd, worden ensembles met honderden conformeren gegenereerd met behulp van CYANA 2.1.48,49De conformeren worden gegenereerd met behulp van een torsion angle dynamics simulated annealing-protocol in CYANA, waarbij het eiwit snel wordt verhit en vervolgens langzaam wordt afgekoeld, terwijl de bemonsterde conformaties worden bijgehouden. Na het simulated annealing wordt een lokale energieminimalisatie uitgevoerd om botsingen door overlappende Van der Waals-stralen, evenals schendingen van de afstand- en hoekbeperkingen, te minimaliseren. Standaard worden er 500 uiteindelijke structuren gegenereerd. Elke structuur in het ensemble voor elke sequentie wordt onderworpen aan een lokale minimalisatie in TINKER 3.6,50 met gebruik van het AMBER-krachtveld.51 De uiteindelijke potentiële energie van elke geminimaliseerde structuur is getabelleerd. Deze algehele aanpak wordt uitgevoerd voor zowel de startsequentie als elke kandidaat-mutantsequentie. Vervolgens kan de vouwingsspecificiteit (fold specificity) van elke mutantsequentie ten opzichte van de doelvouwing worden berekend relatief aan de native sequentie met behulp van de volgende Boltzmann-distributie (Eq. 4).

Statisch evenwichtsvergelijking Σ(e^(-βEi)) voor natuurlijke en nieuwe toestanden; wiskundige formule.
Benaderde bindingsaffiniteit: De methode voor het berekenen van de benaderde bindingsaffiniteit wordt gebruikt om de ontworpen sequenties die in complex zijn met een doeleiwit te rangschikken. Deze berekeningen kunnen direct worden uitgevoerd op de sequenties uit Fase Eén of op de sequenties met een hoge vouwingsspecificiteit die uit de stap voor vouwingsspecificiteit zijn verkregen.

Lilien et al.52 stelden een methode voor voor de berekening van benaderde bindingsaffiniteiten van proteïne-ligandcomplexen. Deze methode is gebaseerd op het genereren van rotameer-gebaseerde ensembles van het proteïne, het ligand en het proteïne-ligandcomplex, en het gebruik van deze ensembles om partitiefuncties te berekenen. Deze benaderde bindingsaffiniteit wordt aangeduid als K* en wordt gedefinieerd door vergelijking 5.

Hier is qPL de partitiefunctie van het eiwit-ligandcomplex, qb de partitiefunctie van het vrije eiwit, en qL de partitiefunctie van het vrije ligand. De partitiefuncties zijn gedefinieerd in vergelijking 6, waarbij de verzamelingen B, F en L respectievelijk de rotameer-gebaseerde conformaties van het gebonden eiwit-ligandcomplex, het vrije eiwit en het vrije ligand bevatten. En is de energie van conformatie n, R is de gasconstante, en T is de temperatuur.

Thermodynamische evenwichtsgelijkkingen; Σe^(-Eb/RT); wetenschappelijke formule voor interne energie.
Structuurvoorspelling: Om de berekening van K* te starten, is een 3D-structuur van elke sequentie vereist. Dit wordt uitgevoerd met de Rosetta AbRelax-functie,53-55 onderdeel van het softwarepakket Rosetta 3.4. De strategie achter het AbRelax-algoritme is gebaseerd op de experimentele observatie dat de lokale structuur van het eiwit wordt beïnvloed door, maar niet uniek wordt bepaald door, de lokale sequentie van het eiwit. Er wordt een Monte Carlo-algoritme gebruikt om lokale eiwitstructuren te vervangen door op de sequentie gebaseerde structurele fragmenten. Deze methode produceert de uiteindelijke compacte eiwitstructuren waarin rekening wordt gehouden met niet-lokale interacties, zoals begraven hydrofobe residuen, gepaarde β-strands en specifieke zijketeninteracties.

Clustering: De structuren van AbRelax worden vervolgens geclusterd op basis van hun φ- en ψ-hoeken met behulp van OREO.56,57 Deze clusteringmethode brengt representatieve backbone-structuren van het gehele structurele ensemble in kaart. De gemiddelde structuren van de tien grootste clusters en de structuur met de laagste totale energie worden gekozen voor docking aan het doeleiwit. Dit levert 11 unieke backbone-structuren op voor elke peptidevolgorde, waardoor de flexibiliteit van de backbone wordt geïntegreerd in de generatie van het ensemble.

Docking-voorspelling: De docking-voorspelling wordt uitgevoerd met RosettaDock.58-60 Voor elke sequentie wordt elk van de 11 peptide-backbone-structuren gedockt tegen het doeleiwit. In dit geval, aangezien de bindingsplaats bekend is, worden de peptiden nabij de bindingsplaats geplaatst en is een translatie van 3 Å loodrecht op de bindingsplaats, 8 Å parallel aan de bindingsplaats en een rotatie van 8° toegestaan. RosettaDock maakt gebruik van een Monte Carlo-algoritme voor docking-bewegingen met een lage en hoge resolutie. Elke docking-run genereert een groot ensemble van complexstructuren. De tien complexen met de laagste energie in elk van de 11 runs worden gebruikt als startstructuren voor de uiteindelijke generatie van het rotameer-gebaseerde conformational ensemble (110 startstructuren per sequentie).

Generatie van het uiteindelijke ensemble: RosettaDesign61 wordt gebruikt om het uiteindelijke op rotameren gebaseerde conformationele ensemble te genereren, omdat het in staat is om een aantal structuren te genereren door uitsluitend de rotameren van de zijketens aan te passen via de fixbb-functie. RosettaDesign krijgt een aantal startstructuren, waarbij voor elke structuur willekeurig een residu wordt gekozen en de rotamer wordt gewijzigd via een Monte Carlo-algoritme. Dit proces wordt herhaald totdat duizenden rotamersubstituties zijn geprobeerd, wat resulteert in een uiteindelijke laag-energetische conformatie die een aanzienlijke bijdrage levert aan de partitiefunctie.

Om het peptide-ensemble te genereren, worden de tien peptide-structuren met de laagste energie uit elk van de tien grootste clusters, plus de tien algeheel laagste energie-peptide-structuren, gebruikt als startstructuren voor RosettaDesign (in totaal 110 startstructuren). Voor elke startstructuur worden 200 rotameer-conformaties gegenereerd, wat resulteert in een definitief ensemble van 22.000 structuren (verzameling L in vgl. 6). Het ensemble bevat zowel backbone-flexibiliteit als rotameer-flexibiliteit.

Het complexe ensemble wordt op soortgelijke wijze gegenereerd door de 110 startstructuren uit de docking-voorspellingsstap te nemen en per startstructuur 200 rotameer-conformaties te genereren. De uiteindelijke omvang van het ensemble is 22.000 structuren (set B in vgl. 6). Flexibiliteit wordt meegerekend door de verschillende gebruikte peptide-backbone-structuren, de diverse gedockte conformaties en de rotameer-conformaties voor elke startstructuur.

Het eiwitensemble wordt gegenereerd door RosettaDesign uit te voeren op uitsluitend de target-eiwitstructuur. In dit geval worden er 2.000 rotameerconformaties gegenereerd voor de enkele startstructuur, waardoor de uiteindelijke grootte van het ensemble 2.000 structuren bedraagt (stel F in Vergelijking 6).

Proteïne WISDOM

Protein WISDOM, wat staat voor Protein Workbench for In Silico De novo design Of bioMolecules, is een online tool die de academische gemeenschap op een gebruiksvriendelijke manier toegang geeft tot ons framework voor de novo proteïnedesign. Het kan verschillende veelvoorkomende ontwerpdoelen aan, van het ontwerpen van enkelvoudige proteïneketens die een template-vouwing aannemen tot het ontwerpen van nieuwe peptiden die zullen binden aan een doeleiwit. De volgende twee secties beschrijven de mogelijkheden van Protein WISDOM met betrekking tot de twee belangrijkste typen proteïnedesignproblemen. Het eerste type past sequentieselectie toe om nieuwe sequenties te selecteren die gunstig zijn in het gegeven ontwerp-template en gebruikt vervolgens vouwingsspecificiteit om de nieuwe sequenties te valideren. Het tweede type gebruikt sequentieselectie om nieuwe sequenties van een peptide te selecteren dat gebonden is in een complex en gebruikt vervolgens zowel vouwingsspecificiteit als benaderde berekeningen van de bindingsaffiniteit om de nieuwe sequenties te valideren.

Gebruikersregistratie

Bezoek de Protein WISDOM-webpagina op http://www.proteinwisdom.org.

Klik op de knop Gebruikerslogin rechtsboven op de pagina. Klik op "Klik hier" om u te registreren.

Vul de informatie in met betrekking tot het e-mailadres en de gewenste gebruikersnaam en klik op doorgaan.

Vul aanvullende informatie in over naam, instelling, groep en adres. Vink het selectievakje aan om akkoord te gaan met de gebruiksvoorwaarden. Klik op de knop "Registratie indienen".

Stap één: Selectie van de sequentie

Indienen van eiwitsequentie en sjabloonstructuur(en)

Klik op de knop Gebruikerslogin om te beginnen met het experiment voor eiwitontwerp. De gebruiker krijgt zijn "Gebruikershomepagina" te zien (Figuur 3), waarop het aantal ingediende taken, het aantal geüploade structuren (templates) en een lijst van de tot nu toe geüploade structuren worden weergegeven.

Start een nieuwe ontwerpopdracht door op "Create New Job" te klikken. De gebruiker wordt naar de pagina "Job Submission" geleid (Figuur 4). Geef de opdracht een naam en geef aan of deze is gebaseerd op een eerdere opdracht (i.e. hetzelfde ontwerpsjabloon, de mutatiesets en de biologische beperkingen kunnen worden geïmporteerd in een nieuwe opdracht, maar de gebruiker heeft de mogelijkheid om de mutatiesets en biologische beperkingen te wijzigen). Klik op "continue."

Upload de eiwitstructuur(en) van het ontwerpsjabloon (Figuur 5). Dit sjabloon moet in het standaard Protein Data Bank (PDB)-formaat zijn. Het kan een rigide sjabloon zijn (één set coördinaten voor elk atoom) of een flexibel sjabloon (meerdere modellen, zoals verkregen uit NMR-oplossingsstructuren). In het geval van het ontwerpen van een enkel eiwit mag er slechts één keten in het sjabloon aanwezig zijn. Een gebruiker kan een nieuw sjabloon uploaden of een selectie maken uit eerder geüploade sjablonen. Geef optioneel de PDB-ID van het sjabloon op, indien beschikbaar. Als er meerdere sjablonen worden geüpload, zorg er dan voor dat elk model begint met "MODEL #" en eindigt met "ENDMDL." Controleer of elk residu is aangeduid met een natuurlijk aminozuur. Klik op "Continue."

Na het succesvol uploaden van het sjabloon geeft Protein WISDOM het aantal residuen, ketens en modellen weer dat in het sjabloon is gevonden, wordt de sequentie getoond en wordt de gebruiker gevraagd het sjabloon te verifiëren. Bevestig de sjabloonstructuur als deze correct is ingevoerd en klik op "Continue."

Zodra het sjabloon succesvol is geüpload en bevestigd, wordt de gebruiker doorverwezen naar de "Main Control Page" (Figuur 6). Op deze pagina kan de gebruiker de status van de taak bekijken, de mutatiesets en biologische beperkingen wijzigen en de taak indienen voor Fase Een: Sequentieselectie. Op dit moment zijn er nog geen opties voor Fase Twee, aangezien Fase Een nog niet is voltooid. Deze verschijnen zodra de resultaten van Fase Een beschikbaar zijn.

Selectie van mutatiesets

Klik op de link "Mutation Sets" op de "Main Control Page" om mutatiesets te definiëren.

Selecteer welke residuen mogen muteren en selecteer naar welke aminozuren zij mogen muteren (Figuur 7). Standaard worden de toegestane aminozuren op een bepaalde positie geselecteerd op basis van het Solvent Accessible Surface Area (SASA). Mutatiesets zijn vereist.

Klik op "Wijzigingen opslaan" nadat de mutatiesets zijn geselecteerd. De gebruiker kan ervoor kiezen om de mutatieset verder te bewerken. Wanneer het bewerken van de mutatieset is voltooid, klikt u om terug te keren naar de "Hoofdcontrolpagina".

Selectie van biologische beperkingen

Klik op de link "Biological Constraints" op de "Main Control Page" om biologische beperkingen te definiëren.

Specificeer beperkingen voor de lading of het aminozuurgehalte over het gehele eiwit of een deel van het eiwit (Figuur 8).

Beperk, indien vereist, het totale aantal mutaties dat mag optreden. Biologische beperkingen zijn optioneel. Klik om terug te keren naar de "Hoofdcontrolepagina" wanneer u klaar bent.

Indiening van Fase Een: Selectie van de Sequentie

Klik op de link "Begin Stage 1" om de gebruiker naar de pagina "Submit Stage 1" te leiden.

Selecteer de te ontwerpen keten (Figuur 9), het aantal te genereren sequenties, het afstandsafhankelijke krachtveld en het model. Als een complex wordt ontworpen en een berekening van de vouwingsspecificiteit gewenst is, moet er slechts één enkele keten worden gekozen om te ontwerpen. Als het geüploade sjabloon een enkele structuur was, of een "rigide sjabloon", is alleen het Single Structure-model toegestaan. Als het geüploade sjabloon flexibel is, heeft de gebruiker de optie om te kiezen uit alle drie de modellen: Single Structure, Weighted Average en Distance Bin. Houd rekening met de computationele complexiteit van de op te lossen optimalisatie. Er geldt een bovengrens van 2025 voor de toegestane computationele complexiteit.

Verzend de opdracht. De gebruiker wordt teruggestuurd naar de "Main Control Page" (Figuur 10). De Job Status wordt bijgewerkt om de huidige voortgang van de opdracht aan te geven. De opdracht wordt na verzending vergrendeld voor bewerking.

Na voltooiing van de taak ontvangt de gebruiker een e-mail met de resultaten, die bestaan uit een lijst met ontworpen sequenties. De resultaten zijn ook te bekijken op de "Main Control Page". Op de pagina verschijnt een vak voor Stage 2: Fold Specificity, zodat de gebruiker deze validatie kan uitvoeren.

Stap twee: Berekeningen van de vouwspecificiteit

Indiening van vouwingsspecificiteit

Klik op "Begin Stage 2: Fold Specificity" om naar de pagina "Build Stage 2" te gaan. Definieer de bovenste en onderste Cα-Cα afstandsgrenzen door de Template flexibility factor op te geven als een percentage van de afstand of als een vaste afstand. Definieer de bovenste en onderste hoekgrenzen voor de φ en ψ diedrale hoeken door de Template flexibility factor als een percentage op te geven. Let op dat bij het gebruik van een flexibel template de bovenste en onderste afstandsgrenzen worden genomen als de laagste en hoogste afstandswaarden over alle template-modellen. Evenzo worden de bovenste en onderste hoekgrenzen genomen uit de hoogste en laagste hoekwaarden over alle modellen.

Klik op de knop "Verzenden".

Specificeer het aantal structuren per sequentie dat moet worden gegenereerd en klik op "Continue." Let op dat er een bovengrens is van 500 structuren per sequentie die kunnen worden gegenereerd.

Klik op "Doorgaan" om de intentie tot indiening voor vouwingsvalidatie te bevestigen. Fase één en fase twee zijn vergrendeld voor bewerking tot de voltooiing van fase twee.

Na voltooiing van de taak wordt er een e-mail met de resultaten naar de gebruiker gestuurd. Bekijk de resultaten op Protein WISDOM op de "Main Control Page" (Figuur 11). Hier kunnen de tekstbestanden met de ontworpen sequenties, de bijbehorende energiewaarden van Fase Een en de vouwingsspecificiteitswaarden van Fase Twee worden bekeken en gedownload. Daarnaast kan de gebruiker op de link "View Results" klikken, waardoor er een tabel in de browser wordt weergegeven met de rangschikkingen en energiewaarden van Fase Een, evenals de rangschikkingen en vouwingsspecificiteitswaarden van Fase Twee.

Fase drie: Benaderde berekeningen van de bindingsaffiniteit voor eiwit-peptidecomplexen

Berekeningen van de benaderde bindingsaffiniteit bepalen de affiniteit van het ontworpen ligand-eiwit/peptide ten opzichte van de rest van het complex. Deze berekeningen kunnen direct na Fase Eén worden uitgevoerd, of nadat de berekeningen voor de vouwingsspecificiteit zijn voltooid.

Klik op "Sequence #" om de sequentie te selecteren waarmee de berekening van de benaderde bindingsaffiniteit moet beginnen. De gebruiker wordt doorgeleid naar de pagina "Select Sequence", waarop een lijst met de ontworpen sequenties wordt getoond, samen met hun rangschikking voor sequentieselectie en vouwingsspecificiteit. Er kan telkens slechts één sequentie worden geselecteerd voor de berekening van de benaderde bindingsaffiniteit, aangezien deze berekeningen zeer rekenintensief zijn. Na voltooiing van een sequentie kan de gebruiker een andere sequentie selecteren om de benaderde bindingsaffiniteit te laten berekenen; dit resultaat wordt toegevoegd aan het vorige resultaat, waardoor de benaderde bindingsaffiniteit voor alle voltooide sequenties wordt weergegeven. Zodra een sequentie is geselecteerd en opgeslagen, wordt de gebruiker teruggestuurd naar de "Main Control Page".

Klik op "Begin Stage 2: Approximate Binding Affinity" om de taak in te dienen. Na voltooiing worden de resultaten per e-mail naar de gebruiker verzonden, inclusief een bijlage met het sequentienummer, de benaderde bindingsaffiniteit en de waarden van de partitiefuncties in Eq. 6. Voor elke volgende taak voor benaderde bindingsaffiniteit bevat dit bestand de resultaten voor alle voltooide sequenties. De volledige resultaten (van sequentieselectie, vouwingsspecificiteit en benaderde bindingsaffiniteit) kunnen ook worden bekeken via de "Main Control Page" van de taak (Figuur 12).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

De Novo ontwerp van entry-remmers voor HIV-1

Het de novo ontwerpkader dat is geïmplementeerd in Protein WISDOM is gebruikt voor het ontwerp van remmende peptiden voor verschillende belangrijke therapeutische systemen (Tabel 1 en 2). Een opmerkelijk systeem is het ontwerp van peptiden om de entry van HIV-1 in de gastcelreceptor CD4 te remmen, wat hier wordt gebruikt als representatief systeem om het praktische gebruik van de Protein WISDOM-interface te demonstrer...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het de novo eiwitdesign-raamwerk bestaat uit twee fasen, een sequentieselectiefase en een validatiefase. Het raamwerk is robuust genoeg om stijve en flexibele ontwerpsjablonen te verwerken en kan worden toegepast op het ontwerp van één eiwit of op complexe eiwitstructuren. Het raamwerk is met succes toegepast op tal van eiwitsystemen met toepassingen voor tientallen ziekten. Een aantal van de ontwerpen zijn experimenteel gevalideerd en leveren de krachtigste remmers of agonisten van enkele eiwitten op die tot nu...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs verklaren dat ze geen concurrerende financiële belangen hebben.

Dankbetuigingen

CAF erkent met dank de steun van NSF, NIH (R01 GM52032; R24 GM069 736), en de US Environmental Protection Agency, EPA (R 832721-010). Een deel van dit onderzoek werd mogelijk gemaakt met overheidssteun van DoD, Air Force Office of Scientific Research. JS erkent met dank de steun van NIH (P50GM071508-06). MLBP erkent met dank de steun van een National Defense Science and Engineering Graduate (NDSEG) Fellowship, 32 CFR 168a. GAK erkent met dank de steun van een National Science Foundation Graduate Research Fellowship onder subsidienummer DGE-1148900.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Referenties

  1. Drexler, K. Molecular engineering: An approach to the development of general capabilities for molecular manipulation. Proc. Natl Acad. Sci. U.S.A. 78, 5275-5278 (1981).
  2. Pabo, C. Molecular technology: Designing proteins and peptides. Nature. 301, 200(1983).
  3. Floudas, C. A. Research challenges, opportunities and synergism in systems engineering and computational biology. AIChE J. 51, 1872-1884 (2005).
  4. Fung, H. K., Welsh, W. J., Floudas, C. A. Computational de novo peptide and protein design: Rigid templates versus flexible templates. Ind. Eng. Chem. Res. 47, 993-1001 (2008).
  5. Ponder, J., Richards, F. Tertiary templates for proteins. J. Mol. Biol. 193, 775-791 (1987).
  6. Dahiyat, B. I., Mayo, S. L. Protein design automation. Protein Sci. 5, 895-903 (1996).
  7. Dahiyat, B. I., Gordon, D. B., Mayo, S. L. Automated design of the surface positions of protein helices. Protein Sci. 6, 1333-1337 (1997).
  8. Su, A., Mayo, S. L. Coupling backbone flexibility and amino acid sequence selection in protein design. Protein Sci. 6, 1701-1707 (1997).
  9. Desjarlais, J., Handel, T. Side chain and backbone flexibility in protein core design. J. Mol. Biol. 290, 305-318 (1999).
  10. Farinas, E., Regan, L. The de novo design of a rubredoxin-like Fe site. Protein Sci. 7, 1939-1946 (1998).
  11. Harbury, P. B., Plecs, J. J., Tidor, B., Alber, T., Kim, P. S. High-resolution protein design with backbone freedom. Science. 282, 1462-1467 (1998).
  12. Koehl, P., Levitt, M. De novo protein design: I. In search of stability and specificity. J. Mol. Biol. 293, 1161-1181 (1999).
  13. Koehl, P., Levitt, M. De novo protein design. II. Plasticity in sequence space. J. Mol. Biol. 293, 1183-1193 (1999).
  14. Kuhlman, B., Dantae, G., Ireton, G., Verani, G., Stoddard, B., Baker, D. Design of a novel globular protein fold with atomic-level accuracy. Science. 302, 1364-1368 (2003).
  15. Klepeis, J. L., Floudas, C. A. Integrated structural, computational and experimental approach for lead optimization: Design of compstatin variants with improved activity. J. Am. Chem. Soc. 125, 8422-8423 (2003).
  16. Klepeis, J. L., Floudas, C. A., Morikis, D., Tsokos, C. G., Lambris, J. D. Design of peptide analogs with improved activity using a novel de novo protein design approach. Ind. Eng. Chem. Res. 43, 3817-3826 (2004).
  17. Fung, H. K., Floudas, C. A., Taylor, M. S., Zhang, L., Morikis, D. Toward full-sequence de novo protein design with flexible templates for human beta-defensin-2. Biophys. J. 94, 584-599 (2008).
  18. Bellows, M. L., Fung, H. K., Floudas, C. A., López de Victoria, A., Morikis, D. New compstatin variants through two de novo protein design frameworks. Biophys. J. 98, 2337-2346 (2010).
  19. López de Victoria, A., Gorham, R. D. Jr A new generation of potent complement inhibitors of the compstatin family. Chem. Biol. Drug Des. 77, 431-440 (2011).
  20. Tamamis, P., López de Victoria, A. Molecular dynamics in drug design: New generations of compstatin analogs. Chem. Biol. Drug Des. 79, 703-718 (2012).
  21. Bellows-Peterson, M. L., Fung, H. K. De novo peptide design with c3a receptor agonist and antagonist activities: Theoretical predictions and experimental validation. J. Med. Chem. 55, 4159-4168 (2012).
  22. Bellows, M. L., Taylor, M. S. Discovery of entry inhibitors for HIV-1 via a new de novo protein design framework. Biophys. J. 99, 3445-3453 (2010).
  23. Sun, J. -J., Abdeljabbar, D. M., Clarke, N. L., Bellows, M. L., Floudas, C. A., Link, A. J. Reconstitution and engineering of apoptotic protein interactions on the bacterial cell surface. J. Mol. Biol. 394, 297-305 (2009).
  24. Smadbeck, J., Bellows-Peterson, M. L. De novo protein design and validation of histone methyltranferase inhibitors. , In Preparation (2013).
  25. Bellows, M. L., Fung, H. K., Floudas, C. A. Molecular Systems Engineering, Process Systems Engineering. Adjiman, C. S., Galindo, A. 6, Wiley-VCH Verlag GmbH & Co. KGaA. 207-232 (2010).
  26. Rajgaria, R., McAllister, S. R., Floudas, C. A. A novel high resolution Cα-Cα distance dependent force field based on a high quality decoy set. Proteins. 65, 726-741 (2006).
  27. Rajgaria, R., McAllister, S. R., Floudas, C. A. Distance dependent centroid to centroid force fields using high resolution decoys. Proteins. 70, 950-970 (2008).
  28. Fung, H. K., Taylor, M. S., Floudas, C. A. Novel formulations for the sequence selection problem in de novo protein design with flexible templates. Optim. Method. Softw. 22, 51-71 (2007).
  29. Fung, H. K., Rao, S., Floudas, C. A., Prokopyev, O., Pardalos, P. M., Rendl, F. Computational comparison studies of quadratic assignment like formulations for the in silico sequence selection problem in de novo protein design. J. Comb. Optim. 10, 41-60 (2005).
  30. CPLEX. Using the CPLEX Callable Library. , ILOG, Inc. (1997).
  31. Klepeis, J. L., Floudas, C. A. Free energy calculations for peptides via deterministic global optimization. J. Chem. Phys. 110, 7491-7512 (1999).
  32. Klepeis, J. L., Floudas, C. A., Morikis, D., Lambris, J. D. Predicting peptide structures using NMR data and deterministic global optimization. J. Comput. Chem. 20, 1354-1370 (1999).
  33. Klepeis, J. L., Schafroth, H. D., Westerberg, K. M., Floudas, C. A. Deterministic global optimization and ab initio approaches for the structure prediction of polypeptides, dynamics of protein folding and protein-protein interactions. Adv. Chem. Phys. 120, 265-457 (2002).
  34. Klepeis, J. L., Floudas, C. A. Ab initio prediction of helical segments of polypeptides. J. Comput. Chem. 23, 246-266 (2002).
  35. Klepeis, J. L., Floudas, C. A. Prediction of beta-sheet topology and disulfide bridges in polypeptides. J. Comput. Chem. 24, 191-208 (2003).
  36. Klepeis, J. L., Floudas, C. A. ASTRO-FOLD: A combinatorial and global optimization framework for ab initio prediction of three-dimensional structures of proteins from the amino acid sequence. Biophys. J. 85, 2119-2146 (2003).
  37. Klepeis, J. L., Pieja, M. T., Floudas, C. A. A new class of hybrid global optimization algorithms for peptide structure prediction: Integrated hybrids. Comput. Phys. Commun. 151, 121-140 (2003).
  38. Klepeis, J., Pieja, M., Floudas, C. Hybrid global optimization algorithms for protein structure prediction : Alternating hybrids. Biophys. J. 84, 869-882 (2003).
  39. Klepeis, J. L., Floudas, C. Analysis and prediction of loop segments in protein structures. Comput. Chem. Eng. 29, 423-436 (2005).
  40. Mo¨nnigmann, M., Floudas, C. Protein loop structure prediction with flexible stem geometries. Proteins. 61, 748-762 (2005).
  41. McAllister, S. R., Mickus, B. E., Klepeis, J. L., Floudas, C. A. A novel approach for alpha-helical topology prediction in globular proteins: Generation of interhelical restraints. Proteins. 65, 930-952 (2006).
  42. Floudas, C. A., Fung, H. K., McAllister, S. R., Mönnigmann, M., Rajgaria, R. Advances in protein structure prediction and de novo protein design: A review. Chem. Eng. Sci. 61, 966-988 (2006).
  43. Subramani, A., Wei, Y., Floudas, C. A. ASTRO-FOLD 2.0: An enhanced framework for protein structure prediction. AIChE J. 58, 1619-1637 (2012).
  44. Wei, Y., Thompson, J., Floudas, C. Concord: a consensus method for protein secondary structure prediction via mixed integer linear optimization. P. Roy. Soc. A-Math. Phy. 468, 831-850 (2011).
  45. Subramani, A., Floudas, C. β-sheet topology prediction with high precision and recall for β and mixed α/β proteins. PLoS One. 7, e32461(2012).
  46. Rajgaria, R., Wei, Y., Floudas, C. A. Contact prediction for beta and alpha-beta proteins using integer linear optimization and its impact on the first principles 3D structure prediction method ASTRO-FOLD. Proteins. 78, 1825-1846 (2010).
  47. Subramani, A., Floudas, C. A. Structure prediction of loops with fixed and flexible stems. J. Phys. Chem. B. 116, 6670-6682 (2012).
  48. Güntert, P., Mumenthaler, C., Wüthrich, K. Torsion angle dynamics for NMR structure calculation with the new program DYANA. J. Mol. Biol. 273, 283-298 (1997).
  49. Güntert, P. Automated NMR structure calculation with CYANA. Methods Mol. Biol. 278, 353-378 (2004).
  50. Ponder, J. TINKER, software tools for molecular design. , Department of Biochemistry and Molecular Biophysics, Washington University School of Medicine. Louis, MO. (1998).
  51. Cornell, W. D., Cieplak, P. A 2nd generation forcefield for the simulation of proteins, nucleic acids, and organic molecules. J. Am. Chem. Soc. 117, 5179-5197 (1995).
  52. Lilien, R. H., Stevens, B. W., Anderson, A. C., Donald, B. R. A novel ensemble-based scoring and search algorithm for protein redesign and its application to modify the substrate specificity of the gramicidin synthetase a phenylalanine adenylation enzyme. J. Comput. Biol. 12, 740-761 (2005).
  53. Lee, M. R., Baker, D., Kollman, P. A. 2.1 and 1.8 A°Cα RMSD structure predictions on two small proteins, HP-36 and S15. J. Am. Chem. Soc. 123, 1040-1046 (2001).
  54. Rohl, C. A., Baker, D. De novo determination of protein backbone structure from residual dipolar couplings using rosetta. J. Am. Chem. Soc. 124, 2723-2729 (2002).
  55. Rohl, C. A., Strauss, C. E. M., Misura, K. M. S., Baker, D. Protein structure prediction using rosetta. Methods Enzymol. 383, 66-93 (2004).
  56. DiMaggio, P. A., McAllister, S. R., Floudas, C. A., Feng, X. J., Rabinowitz, J. D., Rabitz, H. A. Biclustering via optimal re-ordering of data matrices in systems biology: Rigorous methods and comparative studies. BMC Bioinformatics. 9 (458), (2008).
  57. DiMaggio, P. A., McAllister, S. R., Floudas, C. A., Feng, X. J., Rabinowitz, J. D., Rabitz, H. A. A network flow model for biclustering via optimal re-ordering of data matrices. J Global Optimization. 47, 343-354 (2010).
  58. Daily, M. D., Masica, D., Sivasubramanian, A., Somarouthu, S., Gray, J. J. CAPRI rounds 3-5 reveal promising successes and future challenges for RosettaDock. Proteins. 60, 181-186 (2005).
  59. Gray, J. J., Moughon, S., et al. Protein-protein docking with simultaneous optimization of rigid-body displacement and side-chain conformations. J. Mol. Biol. 331, 281-299 (2003).
  60. Gray, J. J., Moughon, S. E., et al. Protein-protein docking predictions for the CAPRI experiment. Proteins. 52, 118-122 (2003).
  61. Kuhlman, B., Baker, D. Native protein sequences are close to optimal for their structures. Proc. Natl Acad. Sci. U.S.A. 97, 10383-10388 (2000).
  62. Jmol: an open-source java viewer for chemical structures in 3d. , Available from: http://www.jmol.org (2013).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

Prote nedesigncomputationeel prote nedesignsequentieselectievouwingsspecificiteitbindingsaffiniteitindiening van templatesmutatiesetsbiologische beperkingen
Proteïne WIJSHEID: Een Workbench voor
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.