Methodenartikel

Toepassing van I TASSER, trRosetta, UCSF Chimera, HADDOCK-server en HEX-loria voor De Novo en In Silico Design of Proteins

DOI:

10.3791/68003

⸱

8 juli 2025

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

In dit artikel

Samenvatting

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

Eiwitontwerp omvat de constructie van aminozuursequenties en de opname van specifieke motieven om functionele varianten te creëren. Deze aanpak is van cruciaal belang voor de ontwikkeling van antimicrobiële peptiden (AMP's) om antibioticaresistente ziekteverwekkers te bestrijden. Dit artikel presenteert een procedure voor eiwitconstructie met behulp van verschillende bio-informaticahulpmiddelen.

Samenvatting

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

De grenzen van eiwitontwerp liggen in de constructie van aminozuursequenties en de opname van specifieke motieven, zoals bindingsplaatsen, in receptoren, ionkanalen of andere eiwitten. Deze aanpak maakt de productie van eiwitvarianten met specifieke functies en doeleinden mogelijk. Een voorbeeldige toepassing van deze bio-informaticabronnen is de verbetering van antimicrobiële peptiden (AMP's) of het ontwerp van synthetische AMP's. Deze ontwikkeling is belangrijk vanwege de recente toename van opkomende ziekten, vaak veroorzaakt door ziekteverwekkers die moeilijk uit te roeien zijn en antibioticaresistentie vertonen. De gevolgen van deze trend zijn onder meer het wereldwijde uitsterven van diersoorten en menselijke sterfgevallen. De snelle synthese van nieuwe en effectieve AMP's is daarom essentieel. Deze servers en programma's kunnen de snelle ontwikkeling van vaccins, AMP's of effectieve behandelingen tegen deze ziekteverwekkers vergemakkelijken. Het doel van dit werk was om een procedure voor eiwitconstructie uit sequenties te presenteren en voor te stellen en om het proces van het gebruik van verschillende hulpmiddelen om deze moleculen stap voor stap op te bouwen, te verduidelijken.

Inleiding

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

De incidentie van dierziekten neemt toe en dit fenomeen wordt beïnvloed door klimaatverandering. De stijging van de temperatuur op aarde heeft geleid tot de proliferatie van micro-organismen en de opkomst van opportunistische ziekteverwekkers, wat heeft bijgedragen aan de ontwikkeling van virulente en resistente ziekten1. Klimaatverandering beïnvloedt de bodem, het water, de huid en het darmmicrobioom, wat resulteert in aanhoudende stress op de fysiologie van dieren en de aanpassing aan het milieu. Het is aangetoond dat dit fenomeen de immuunrespons in gevaar brengt, waardoor dieren vatbaarder worden voor opkomende ziekteverwekkers, wat dodelijke gevolgen kan hebben en mogelijk kan leiden tot het uitsterven van bepaalde soorten 2,3,4,5. Een treffend voorbeeld is het witte-neussyndroom (WNS), een ziekte die wordt veroorzaakt door de schimmel Pseudogymnoascus destructans, die overwinterende vleermuizen treft. Deze ziekte en andere werden pas geïdentificeerd toen er in 2006 een substantiële sterfte plaatsvond op het Amerikaanse continent6. Om de schade veroorzaakt door dergelijke ziekteverwekkers te beperken, hebben onderzoekers zich gericht op de toediening van antimycotica, zoals itraconazol en ketoconazol, en probiotica, inclusief inoculatie met de gunstige microbiota Pseudomonas fluorescens7. Een ander voorbeeld van een ziekte veroorzaakt door een schimmel is die van Ophidiomyces ophiodiicola, een schimmel die dermatitis en multisystemische ziekten veroorzaakt bij zowel in gevangenschap levende als wilde slangen 4,8.

Deze studies onderstrepen de noodzaak van een verhoogd bewustzijn en begrip van schimmelziekten bij wilde dieren om praktische oplossingen snel te implementeren. Schimmelinfecties zijn gemeld bij amfibieën, en een veel voorkomende ziekteverwekker die deze dieren aantast, is de waterschimmel Batrachochytrium dendrobatidis (Bd), die chytridiomycose veroorzaakt. Deze ziekte veroorzaakt ernstige huidlaesies en verstoort de normale huidfunctie bij gevoelige dieren, wat mogelijk kan leiden tot sterfte9. Deze ziekteverwekker is sinds de 20e eeuw op grote schaal verspreid en heeft bijgedragen aan het uitsterven van 90 soorten amfibieën. De prevalentie van deze infecties vormt een aanzienlijke uitdaging bij het voorkomen ervan en het identificeren van effectieve behandelingen, aangezien ze vereisen dat rekening wordt gehouden met verschillende ecologische, fysiologische, microbioom- en andere factoren10.

Het is een goed gedocumenteerd fenomeen dat pathogene micro-organismen het vermogen bezitten om snel resistentiemechanismen te ontwikkelen door middel van genetische codering, een proces dat kan worden geïllustreerd door de productie van externe effluxpompen voor medicijnen en antibiotica11. Bovendien is waargenomen dat deze micro-organismen de lipidensamenstelling van het membraan wijzigen met als doel de effecten van specifieke moleculen tegen te gaan12. Het gebied van eiwitsequenties heeft veel belangstelling gekregen, met name in de context van de integratie ervan in behandelingsbenaderingen en de constructie van eiwitstructuurmodellen. Deze modellen zijn ontworpen om de tijd en middelen van het laboratorium te optimaliseren voorafgaand aan de start van de eiwitsynthese13. Het voorkomen van infecties is in deze gevallen een complexe taak waarbij meerdere ecologische, fysiologische en microbioomfactoren betrokken zijn14. Deze aanpak vergemakkelijkt een effectiever beheer van tijd en middelen in het laboratorium en benadrukt de complexiteit van de taak.

In het belang van het vergroten van het potentieel voor praktische toepassingen van bestaande verbindingen, en het creëren van nieuwe verbindingen met een groter potentieel voor dergelijke toepassingen, is het absoluut noodzakelijk om expertise uit verschillende disciplines in te zetten, waaronder scheikunde, moleculaire biologie, natuurkunde en programmeren. Daartoe zijn verschillende tools beschikbaar, waaronder I-TASSER (Iterative Threading ASSembly Refinement)15,16 en trRosetta 17,18 (Eiwitstructuurvoorspelling door TRansform-restrained Rosetta). structurele eiwitvoorspelling en UCSF Chimera (een visualisatiesysteem voor verkennend onderzoek en analyse van de Universiteit van Californië, San Francisco)19 en HEX loria (een interactief programma voor het docken en moleculaire superpositie van eiwitten)20 voor moleculaire docking en het bewerken van PDB-bestanden.

I-TASSER is een geautomatiseerde online server die structuur en functie voorspelt. Dit programma is toegankelijk via een webbrowser of als download. Op de inzendingspagina kunnen gebruikers de sequentie in FATA-formaat invoeren of een archief in .txt formaat downloaden. Het serverproces omvat het identificeren van structurele sjablonen met een zekere mate van homologie, zoals beschreven in Local Meta-Threading Server LOMETS 20,21,22,23,24,25. Na de verwerking van een miljoen potentiële resultaten door de server, wordt een filtratieproces gestart en worden fragmenten geselecteerd op basis van de Root Mediane Vierkante Afwijking (RMSD), TM (een metriek die wordt gebruikt om structurele gelijkenis tussen twee modellen te evalueren) en C-score (een metriek die wordt gebruikt om de betrouwbaarheid van eiwitstructuurmodellen die door tools worden gegenereerd, te evalueren). Gebruikers kunnen de resultaten aanpassen op basis van vooraf bepaalde parameters in het programma of hun eigen waarden invoeren, afhankelijk van hun specifieke sequentie of structurele verwachtingen 20,21,22,23,24,25.

trRosetta is een zeer effectief programma voor het voorspellen van de eiwitstructuur. Op deze server kunnen gebruikers sequenties indienen in een archiefformaat, TXT, FASTA, invoersequentie of Multiple Alignment Sequences (MSA). Dit programma stelt gebruikers in staat om te kiezen tussen sjablonen of trRosetta-single uit te voeren voor het vouwen van de sequentie. Deze servers maken gebruik van een deep-learning-netwerk om structurele voorspellingen te genereren. Het sequentievoorspellingsproces omvat een eerste stap van het voorspellen van contact- en afstandskaarten, gevolgd door de selectie van de top vijf sjablonen voor het uiteindelijke model en een stap om de energie voor vouwen en verfijning te minimaliseren17.

De High Ambiguity Protein-Protein Docking (HADDOCK)- server is een computationele tool die het flexibel docken van twee of meer PDB-bestanden mogelijk maakt, die eiwit-, peptide-, ligand- en receptorstructuren omvatten. Deze server maakt gebruik van een aanpak die AIR's (Ambiguous Interaction Restraints) omvat, die informatie coderen van voorspelde of geïdentificeerde eiwitten tijdens het dockingproces. AIR's omvatten aminozuurbeperkingen en categoriseren ze als passieve of actieve aminozuren. De opname van actieve aminozuren is van bijzonder belang, omdat ze een indicatie zijn van mogelijke bindings- of interactieplaatsen tussen eiwitreceptoren. Het ontwerp van het programma houdt rekening met blootstelling aan oplosmiddelen in model26.

HEX Loria is een online interactieve server die de analyse van eiwitcomplexen en moleculaire docking mogelijk maakt. Deze server kan coördinatenarchieven lezen in het Protein Data Bank (PDB)-formaat en snel dockingberekeningen genereren met behulp van grafische NVIDIA- of CUDA-doelen. Het programma kan tot 1.000 dockingvoorspellingen produceren en maakt gebruik van de Correlation Fourier voor de algemene oriëntaties van twee moleculen27. De HEX Loria-interface is ontworpen om gebruiksvriendelijk te zijn, waardoor onderzoekers hun eiwitstructuren naadloos kunnen uploaden en parameters voor dockingsimulaties kunnen configureren. Het is aangetoond dat het vermogen van de server om NVIDIA- of CUDA-grafische verwerkingseenheden te gebruiken, resulteert in een aanzienlijke versnelling van de rekentijd, waardoor onderzoekers sneller resultaten kunnen verkrijgen. Bovendien biedt HEX Loria een reeks visualisatie-opties voor het docken van resultaten, waardoor gebruikers een gedetailleerde analyse van voorspelde eiwit-eiwitinteracties kunnen uitvoeren.

Het gebruik van de UCSF Chimera is absoluut noodzakelijk om de nauwkeurigheid van onderzoeksresultaten te waarborgen. Deze software vereist installatie voor de uitvoering van het huidige protocol, en de daaruit voortvloeiende functionaliteiten zullen worden gebruikt: het meten van interatomaire afstanden en diverse andere analytische taken. De software beschikt over functies zoals labeling, kleuring, oppervlakteweergave en export van figuren in JPG- of PNG-indeling. De opname van labels en kleuren vergemakkelijkt de identificatie van aminozuren met een grote kans op contact tussen de receptor en het ontworpen antimicrobiële eiwit. Bovendien maakt het de nauwkeurige meting van de afstand tussen deze aminozuren mogelijk.

Dit protocol heeft tot doel alternatieve behandelingsopties te identificeren voor het opkomende gezondheidsprobleem dat amfibieën treft. Chytridiomycose, een schimmelinfectie van de huid, is waargenomen in verschillende stadia van de ontwikkeling van amfibieën. De primaire bron van infectie onder deze dieren zijn de waterlichamen waar ze doorgaans verblijven en verschillende activiteiten ondernemen. De ontwikkeling van een effectief antischimmelmiddel vereist de identificatie van ten minste drie moleculaire doelen: interactie met de celwand met behulp van ladingen, binding aan het plasmamembraan en ten slotte binding en interactie met een receptoreiwit op membraanniveau, dat een vitale rol speelt in de schimmel Bd.

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

Protocol

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

1. Identificeer moleculaire doelensequenties in Bd

OPMERKING: De selectie van aminozuren in de sequentie is gebaseerd op aanbevelingen uit de literatuur. De belangrijkste aminozuren zijn K, W, G, A, V, I en L. Om erachter te komen welke programma's u moet gebruiken, raadpleegt u de Materiaaltabel.

  1. Haal doelsequenties op uit de NCBI-database.
    1. Toegang tot de database van het National Center for Biotechnology Information (NCBI) op https://www.ncbi.nlm.nih.gov/.
    2. Selecteer Alle databases en kies Nucleotide als zoekcategorie.
    3. Voer Batrachochytrium dendrobatidis in de zoekbalk in en filter de resultaten op soort en soort.
    4. Download en bewaar de reeks in een teksteditor of FASTA-formaat voor verdere analyse.

2. Analyseer de sequentie met BLAST of SMART BLAST

  1. Voer een BLAST-zoekopdracht uit.
    1. Open een webbrowser en ga naar BLAST (Basic Local Alignment Search Tool).
    2. Selecteer Protein BLAST om de querysequentie te vergelijken met eiwitdatabases https://blast.ncbi.nlm.nih.gov/Blast.cgi.
  2. Controleer de specificiteit van het doel.
    1. Zorg ervoor dat het geselecteerde moleculaire doelwit niet aanwezig is in andere soorten. Als het doelwit in meerdere soorten voorkomt, herhaal dan de sequentieselectie totdat de specificiteit is bevestigd (zie figuur 1).
      OPMERKING: Deze stap zorgt ervoor dat er geen ongewenste secundaire moleculaire doelen interfereren met de AMP - of schimmelwerende eiwitfunctie
  3. Controleer op homologie in eiwitsequenties.
    1. Controleer of de ontworpen aminozuursequentie niet overeenkomt met homologe eiwitten in andere soorten.
      OPMERKING: Deze stap bevestigt dat de schimmelwerende functie specifiek is voor de beoogde doelen

3. Ontwerp de antimicrobiële eiwitsequentie

OPMERKING: Het aminozuurgehalte en de sequentie moeten worden afgestemd op de gewenste eiwitfunctie, met name antischimmelactiviteit. De ontworpen sequentie moet coderen voor een eiwit met antimycotische effecten tegen Bd. Controleer dit op Antifp predict server28.

  1. Literatuuronderzoek en sequentieontwerp
    1. Voer een uitgebreid overzicht uit van recente literatuur om de belangrijkste kenmerken van Bd en mogelijke antimicrobiële mechanismen te identificeren.
      OPMERKING: Eerdere studies beschrijven antimicrobiële peptiden (AMP's) tegen Bd, gesynthetiseerd door verschillende dieren en micro-organismen. Shai's formule29biedt een kader voor het ontwerpen van synthetische antischimmelpeptiden. Deze methode moet worden gebruikt om eiwitsequenties te optimaliseren voor maximale antischimmelactiviteit.

4. Voorspel 3D-structuur met I-TASSER

OPMERKING: Dit protocol is van toepassing op het moleculaire doelwit en de ontworpen antimicrobiële sequentie.

  1. Om sequenties te openen en in te dienen, gaat u naar de I-TSSER-server voor het voorspellen van de eiwitstructuur en -functie https://zhanggroup.org/I-TASSER/.
  2. Registreer u met een e-mailadres van de instelling om een gebruikersnaam en wachtwoord te ontvangen voor toegang tot de tool.
  3. Dien het moleculaire doel of de ontworpen sequentie in FASTA-formaat in, .txt bestand of kopieer en plak rechtstreeks in het invoerveld.
  4. Wijs een unieke naam toe aan de reeks.
  5. Klik op Verzenden en laat het programma de reeks analyseren en een geschatte verwerkingstijd geven.
    OPMERKING: Pauzeer het protocol totdat de resultaten zijn ontvangen. De verwerkingstijd varieert doorgaans van 24 tot 72 uur voor kleine eiwitten (≤50 aminozuren) en kan langer duren voor grotere eiwitten (tot 3.000 aminozuren).
    Begeleiding bij de keuze van gereedschappen: Gebruik I-TASSER voor kleine eiwitten, zoals ontworpen antimicrobiële peptiden. Gebruik voor grote eiwitten trRosetta, dat is geoptimaliseerd voor complexe structurele modellering.

5. Voorspel 3D-structuur met trRosetta

  1. Bezoek de trRosetta-webserver: https://yanglab.qd.sdu.edu.cn/trRosetta/.
  2. Voer de doelreceptorsequentie in FASTA-, .txt- of MSA-formaat in of plak deze rechtstreeks in de server.
  3. Geef een naam aan het structureel voorspelde eiwit.
  4. Klik op Verzenden en zorg ervoor dat de optie om sjablonen uit te sluiten is geselecteerd. Kies trRosettaX-enkelvoudige homologen om het voorspellingsproces te starten.
    OPMERKING: Pauzeer het protocol totdat de resultaten zijn ontvangen.
  5. Wacht op een bevestigingsmail na succesvolle indiening.
  6. Analyseer de resultaten van de voorspelling.
    1. Controleer of de TM-score een maat is voor de kwaliteit van het model.
    2. Onderzoek contactkaarten, afstandskaarten per aminozuur en rotatiekaarten voor alfa- en bèta-koolstofatomen bij hoeken ω (omega), θ (theta) en φ (phi).
  7. Download de resultaten in ZIP-formaat voor verdere analyse.

6. Moleculaire docking en interactieanalyse (met behulp van HADDOCK)

  1. Toegang tot de HADDOCK-dockingserver: https://wenmr.science.uu.nl/haddock2.4/.
  2. Registreer een account met behulp van een e-mailadres van de instelling, bevestig het account en log in.
  3. Ga terug naar de startpagina, selecteer Nieuwe taak en start een inzending.
  4. Vul op de inzendingspagina van HADDOCK de vereiste informatie in : functienaam, molecuulnummer (in dit geval 2). Selecteer alles.
  5. Uploaden Moleculen voor docking. Upload PDB-structuren voor de receptor en ligand. Selecteer eiwit-ligand docking voor beide.
  6. Herhaal de stappen voor het indienen van ligands, selecteer alle ketens en laat de overige instellingen als standaard staan.
  7. Klik op Volgende voor de volgende inzendingsstap.
    OPMERKING: Voeg in secties 1 en 2 de lijst toe van aminozuren die betrokken zijn bij receptor-ligandinteracties en markeer ze als actieve residuen. Passieve residuen blijven vooraf gedefinieerd. De actieve plaatsen zijn de interactieplaatsen en moeten worden gekozen op basis van de kenmerken van het ontworpen eiwit en de blootgestelde aminozuren van het receptoreiwit.
  8. Voltooi het dockingproces en voer het uit.
    1. Klik op Volgende om de standaard dockingparameters ongewijzigd te laten.
    2. Klik op Verzenden om de verwerking te starten.
      OPMERKING: De verwachte verwerkingstijd varieert van 24 tot 72 uur.
  9. Bekijk de resultaten van het docken.
    1. De server selecteert en rangschikt automatisch de beste dockingresultaten. Analyseer aminozuurinteracties met behulp van structurele visualisatiesoftware (bijv. PyMOL of UCSF Chimera).
  10. Download de definitieve aangemeerde structuren in PDB-formaat voor verdere studie.
    OPMERKING: Raadpleeg aanvullend bestand 1: Aanvullende afbeelding S1, Aanvullende afbeelding S2, Aanvullende afbeelding S3, Aanvullende afbeelding S4 en Aanvullende afbeelding S5.

7. Meet afstanden (OPTIONEEL) [zie aanvullend bestand 1: aanvullende afbeelding S6, aanvullende afbeelding S7 en aanvullende afbeelding S8.]

  1. Analyseer de resultaten van het docken met behulp van een structuurvisualisatieprogramma (PDB). Open het moleculaire docking PDB-bestand in UCSF Chimera en evalueer de structurele nabijheid en potentiële bindingsplaatsen (gemeten afstanden).
  2. Dubbelklik op het Chimera-pictogram om PDB te openen . Selecteer Bestand, Openen en kies een bestand in het documentmapvenster .
  3. Identificeer atomen. Ga naar acties, atomen/bindingen en selecteer weergeven.
  4. Selecteer atomen die zich het dichtst bij ligand en receptor bevinden. Selecteer atoom 1 met Ctrl+klik en atoom 2 met Ctrl+Shift+Klik.
  5. Ga naar tools, structureer analyse en selecteer afstanden.
  6. Klik op Maken (atoomselectie controleren). Het venster toont aminozuren en locaties van atomen 1 en 2.
    OPMERKING: De afstandskolom toont de hoeken tussen atomen.
  7. Download de tabel en sla deze op de lokale computer op.
    OPMERKING: Raadpleeg aanvullend bestand 1 voor meer informatie.

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

Resultaten

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

De sequentie die in ontwikkeling is, maakt gebruik van de volgende formule: K(X)3KW(X)2K(X)2K, waarbij (X) G, A, V, I of L28 kan zijn. De verkregen zoekresultaten omvatten eiwitsequenties van meer dan 300 aminozuren, die werden geselecteerd vanwege hun status als volledige eiwitsequenties, in tegenstelling tot gedeeltelijke sequenties. Opgemerkt moet worden dat volledige sequenties essentieel zijn voor het onderzoek. Er werd ook ge...

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

Discussie

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

De bio-informaticabenadering die wordt gebruikt bij het voorspellen van eiwitstructuren heeft inherente beperkingen vanwege de afhankelijkheid van computationele programma's. Deze programma's proberen echte eiwitstructuren te benaderen, maar worden beperkt door factoren zoals temperatuur, oplosbaarheid en aanwezigheid van oplosmiddelen, die mogelijk niet volledig repliceren in vivo-omstandigheden. Bovendien is de methode afhankelijk van de nauwkeurige identificatie van belangrijke gecons...

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

Openbaarmakingen

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

De auteurs hebben geen belangenconflicten te onthullen.

Dankbetuigingen

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

Jimena R. Villarreal is een doctoraatsstudent van het programma van Doctorado en Ciencias Biológicas, Universidad Autónoma de Querétaro (UAQ), en heeft een Consejo Nacional de Humanidades, Ciencias y Tecnologías (CONAHCyT) fellowship (1003112).

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

Materialen

```html

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
BLASTN/AN/AOnline server
ComputerAMDN/ASO: XP, W7, W8, W10, ubuntu, linux
HADDOCK serverBONVINLABN/AOnline server
HEX 5.2BBSRC-INRIAN/ADownload-Online server
I-TASSERZHANG LABN/ADownload-Online server
MUSCLEN/AN/AOnline server
NCBIN/AN/AOnline server
PYMOLSCHRÖDINGERN/ADownload-XP, W7, W8, W10, W11, LINUX
SWISS-MODELBIOZENTRUMN/AOnline server
trRosetta serverYANG LABN/AOnline server
USCF CHIMERARBVIN/ADownload-XP, W7, W8, W10, W11, LINUX
```

Referenties

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

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

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

EiwitontwerpIn Silico eiwitAntimicrobi le PeptidenEiwitstructuurvoorspellingMoleculaire DockingI TASSER servertrRosetta voorspellingHADDOCK dockingSynthetische AMP s

Gerelateerde artikelen