Artykuł metodologiczny

Zastosowanie I TASSER, trRosetta, UCSF Chimera, serwera HADDOCK i lorii HEX do projektowania białek De Novo i In Silico

DOI:

10.3791/68003

⸱

8 lipca 2025

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

W tym artykule

Podsumowanie

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

Projektowanie białek polega na budowie sekwencji aminokwasów i włączaniu określonych motywów w celu stworzenia funkcjonalnych wariantów. Takie podejście ma kluczowe znaczenie dla opracowania peptydów przeciwdrobnoustrojowych (AMP) do zwalczania patogenów opornych na antybiotyki. W artykule przedstawiono procedurę budowy białek z wykorzystaniem różnych narzędzi bioinformatycznych.

Streszczenie

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

Granice projektowania białek leżą w budowie sekwencji aminokwasów i włączaniu określonych motywów, takich jak miejsca wiązania, do receptorów, kanałów jonowych lub innych białek. Takie podejście pozwala na produkcję wariantów białkowych o określonych funkcjach i celach. Przykładowym zastosowaniem tych zasobów bioinformatycznych jest ulepszanie peptydów przeciwdrobnoustrojowych (AMP) lub projektowanie syntetycznych AMP. Rozwój ten jest istotny ze względu na niedawny wzrost liczby nowo pojawiających się chorób, często wywoływanych przez patogeny, które są trudne do wyeliminowania i wykazują oporność na antybiotyki. Konsekwencją tego trendu jest globalne wymieranie gatunków zwierząt i śmierć ludzi. W związku z tym niezbędna jest szybka synteza nowych i skutecznych AMP. Te serwery i programy mogą ułatwić szybki rozwój szczepionek, AMP lub skutecznych metod leczenia przeciwko tym patogenom. Celem pracy było przedstawienie i zaproponowanie procedury budowy białek na podstawie sekwencji oraz wyjaśnienie procesu wykorzystania różnych narzędzi do budowy tych cząsteczek krok po kroku.

Wprowadzenie

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

Częstość występowania chorób zwierząt wzrasta, a na to zjawisko wpływa zmiana klimatu. Wzrost globalnej temperatury doprowadził do namnażania się mikroorganizmów i pojawienia się oportunistycznych patogenów, przyczyniając się do rozwoju chorób zjadliwych i opornych na leki1. Zmiany klimatyczne wpływają na glebę, wodę, skórę i mikrobiom jelitowy, powodując ciągły stres na fizjologię zwierząt i adaptację do środowiska. Wykazano, że zjawisko to upośledza odpowiedź immunologiczną, czyniąc zwierzęta bardziej podatnymi na pojawiające się patogeny, które mogą mieć śmiertelne konsekwencje i potencjalnie prowadzić do wyginięcia niektórych gatunków2,3,4,5. Istotnym przykładem jest zespół białego nosa (WNS), choroba wywoływana przez grzyba Pseudogymnoascus destructans, atakująca hibernujące nietoperze. Ta i inne choroby nie zostały zidentyfikowane, dopóki na kontynencie amerykańskim w 2006 r. nie doszło do znacznej śmiertelności6. Aby złagodzić szkody powodowane przez takie patogeny, naukowcy zwrócili się ku podawaniu leków przeciwgrzybiczych, takich jak itrakonazol i ketokonazol, oraz probiotyków, w tym inokulacji pożyteczną mikrobiotą Pseudomonas fluorescens7. Innym przykładem choroby wywoływanej przez grzyby jest Ophidiomyces ophiodiicola, grzyb powodujący zapalenie skóry i choroby wieloukładowe zarówno u węży żyjących w niewoli, jak i dzikich4,8.

Te badania podkreślają konieczność zwiększenia świadomości i zrozumienia chorób grzybiczych u dzikich zwierząt, aby szybko wdrożyć praktyczne rozwiązania. U zgłaszano infekcje grzybicze, a jednym z powszechnych patogenów, który atakuje te zwierzęta, jest grzyb wodny Batrachochytrium dendrobatidis (Bd), który powoduje chytridiomykozę. Choroba ta powoduje poważne zmiany skórne i zaburza normalne funkcjonowanie skóry u wrażliwych zwierząt, potencjalnie prowadząc do śmiertelności9. Patogen ten jest szeroko rozpowszechniony od XX wieku, przyczyniając się do wyginięcia 90 gatunków. Rozpowszechnienie tych infekcji stanowi poważne wyzwanie w zapobieganiu im i określeniu skutecznych metod leczenia, ponieważ wymagają one uwzględnienia różnych czynników ekologicznych, fizjologicznych, mikrobiomu i innych10.

Jest dobrze udokumentowanym zjawiskiem, że mikroorganizmy chorobotwórcze posiadają zdolność do szybkiego rozwoju mechanizmów oporności poprzez kodowanie genetyczne, proces, który może być zilustrowany przez produkcję zewnętrznych pomp wypływowych dla leków i antybiotyków11. Ponadto zaobserwowano, że mikroorganizmy te modyfikują skład lipidowy błony w celu przeciwdziałania skutkom określonych cząsteczek12. Dziedzina sekwencjonowania białek cieszy się dużym zainteresowaniem, szczególnie w kontekście jej integracji z metodami leczenia i budowy modeli struktury białek. Modele te zostały zaprojektowane w celu optymalizacji czasu i zasobów laboratoryjnych przed rozpoczęciem syntezy białek13. Zapobieganie infekcjom w takich przypadkach jest złożonym zadaniem, obejmującym wiele czynników ekologicznych, fizjologicznych i mikrobiomowych14. Takie podejście ułatwia efektywniejsze zarządzanie czasem i zasobami w laboratorium oraz podkreśla złożoność zadania.

W celu zwiększenia potencjału dla praktycznych zastosowań istniejących związków, jak również tworzenia nowych związków o bardziej znaczącym potencjale dla takich zastosowań, konieczne jest wykorzystanie wiedzy specjalistycznej z różnych dyscyplin, w tym chemii, biologii molekularnej, fizyki i programowania. W tym celu dostępnych jest kilka narzędzi, w tym I-TASSER (Iterative Threading ASSembly Refinement)15,16 i trRosetta17,18 (Przewidywanie struktury białka przez Rosettę ograniczoną przez TRansform). przewidywanie białek strukturalnych i UCSF Chimera (system wizualizacji do badań eksploracyjnych i analiz z Uniwersytetu Kalifornijskiego w San Francisco)19 i HEX loria (interaktywny program dokowania białek i superpozycji molekularnej)20 do dokowania molekularnego i edycji plików PDB.

I-TASSER to zautomatyzowany serwer online, który przewiduje strukturę i funkcję. Ten program jest dostępny przez przeglądarkę internetową lub do pobrania. Na stronie przesyłania użytkownicy mogą wprowadzić sekwencję w formacie FASTA lub pobrać archiwum w .txt formacie. Proces serwera polega na identyfikacji szablonów strukturalnych o stopniu homologii, zgodnie z opisem w Local Meta-Threading Server LOMETS20,21,22,23,24,25. Po przetworzeniu miliona potencjalnych wyników przez serwer, inicjowany jest proces filtracji, a fragmenty są wybierane na podstawie odchylenia mediany kwadratowej (RMSD), TM (metryki używanej do oceny podobieństwa strukturalnego między dwoma modelami) i C-score (metryki używanej do oceny zaufania modeli strukturalnych białek generowanych przez narzędzia). Użytkownicy mogą dostosowywać wyniki na podstawie wcześniej określonych parametrów dostarczonych w programie lub wprowadzać własne wartości w zależności od określonej sekwencji lub oczekiwań konstrukcyjnych20,21,22,23,24,25.

trRosetta to bardzo skuteczny program do przewidywania struktury białek. Na tym serwerze użytkownicy mogą przesyłać sekwencje w formacie archiwum, TXT, FASTA, sekwencji wejściowej lub wielu sekwencjach wyrównania (MSA). Ten program pozwala użytkownikom wybierać między szablonami lub wykonywać trRosetta-single w celu sekwencyjnego składania. Serwery te wykorzystują sieć głębokiego uczenia się do generowania prognoz strukturalnych. Proces przewidywania sekwencji obejmuje początkowy etap przewidywania mapy kontaktu i odległości, po którym następuje wybór pięciu najlepszych szablonów do końcowego modelu oraz krok mający na celu zminimalizowanie energii potrzebnej do składania i udoskonalania17.

Serwer HADDOCK (High Ambiguity Protein-Protein Docking) to narzędzie obliczeniowe, które ułatwia elastyczne dokowanie dwóch lub więcej plików PDB, obejmujących struktury białek, peptydów, ligandów i receptorów. Ten serwer wykorzystuje podejście, które obejmuje AIR (Ambiguous Interaction Restraints), które kodują informacje z przewidywanych lub zidentyfikowanych białek podczas procesu dokowania. AIR obejmują ograniczenia aminokwasów, klasyfikując je jako aminokwasy pasywne lub aktywne. Włączenie aktywnych aminokwasów ma szczególne znaczenie, ponieważ wskazują one na potencjalne miejsca wiązania lub interakcji między receptorami białkowymi. Projekt programu uwzględnia ekspozycję na rozpuszczalnik w modelu26.

HEX Loria to interaktywny serwer online, który ułatwia analizę kompleksów białkowych i dokowanie molekularne. Serwer ten może odczytywać archiwa współrzędnych w formacie Protein Data Bank (PDB) i szybko generować obliczenia dokowania przy użyciu celów graficznych NVIDIA lub CUDA. Program może wygenerować do 1,000 prognoz dokowania i wykorzystuje korelację Fouriera dla ogólnych orientacji dwóch cząsteczek 27. Interfejs HEX Loria został zaprojektowany tak, aby był przyjazny dla użytkownika, umożliwiając naukowcom bezproblemowe przesyłanie struktur białkowych i konfigurowanie parametrów do symulacji dokowania. Wykazano, że zdolność serwera do wykorzystania procesorów graficznych NVIDIA lub CUDA powoduje znaczne przyspieszenie czasu obliczeń, co pozwala naukowcom na uzyskanie wyników z większą szybkością. Co więcej, HEX Loria oferuje szereg opcji wizualizacji do dokowania wyników, umożliwiając użytkownikom przeprowadzenie szczegółowej analizy przewidywanych interakcji białko-białko.

Wykorzystanie UCSF Chimera jest niezbędne do zapewnienia dokładności wyników badań. To oprogramowanie wymaga instalacji w celu wykonania obecnego protokołu, a wynikające z niego funkcjonalności będą wykorzystywane: pomiar odległości międzyatomowych i różne inne zadania analityczne. Oprogramowanie oferuje takie funkcje, jak etykietowanie, kolorowanie, renderowanie powierzchni i eksport figur w formatach JPG lub PNG. Wkomponowanie etykiet i kolorów ułatwia identyfikację aminokwasów o wysokim prawdopodobieństwie kontaktu między receptorem a zaprojektowanym białkiem przeciwdrobnoustrojowym. Dodatkowo umożliwia precyzyjny pomiar odległości pomiędzy tymi aminokwasami.

Ten protokół ma na celu zidentyfikowanie alternatywnych opcji leczenia pojawiającego się problemu zdrowotnego dotykającego. Chytridiomykozę, infekcję grzybiczą skóry, obserwowano na różnych etapach rozwoju. Głównym źródłem infekcji wśród tych zwierząt są zbiorniki wodne, w których zazwyczaj przebywają i angażują się w różne działania. Opracowanie skutecznego środka przeciwgrzybiczego wymaga identyfikacji co najmniej trzech celów molekularnych: interakcji ze ścianą komórkową za pomocą ładunków, wiązania z błoną plazmatyczną i wreszcie wiązania i interakcji z białkiem receptorowym na poziomie błony, które odgrywa istotną rolę w grzybie Bd.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Zidentyfikuj molekularne sekwencje docelowe w Bd

UWAGA: Dobór aminokwasów w sekwencji opiera się na zaleceniach z literatury. Kluczowe aminokwasy to K, W, G, A, V, I i L. Aby dowiedzieć się, których programów użyć, zapoznaj się ze Tabelą materiałów.

  1. Pobieranie sekwencji docelowych z bazy danych NCBI.
    1. Uzyskaj dostęp do bazy danych National Center for Biotechnology Information (NCBI) pod adresem https://www.ncbi.nlm.nih.gov/.
    2. Wybierz pozycję Wszystkie bazy danych i wybierz pozycję Nukleotyd jako kategorię wyszukiwania.
    3. Wpisz Batrachochytrium dendrobatidis w pasku wyszukiwania i filtruj wyniki według szczepu i gatunku.
    4. Pobierz i zapisz sekwencję w edytorze tekstu lub formacie FASTA w celu dalszej analizy.

2. Analizuj sekwencję za pomocą BLAST lub SMART BLAST

  1. Wykonaj wyszukiwanie BLAST.
    1. Otwórz przeglądarkę internetową i przejdź do BLAST (Basic Local Alignment Search Tool).
    2. Wybierz pozycję Białko BLAST, aby porównać sekwencję zapytania z bazami danych białek https://blast.ncbi.nlm.nih.gov/Blast.cgi.
  2. Sprawdź swoistość docelową.
    1. Upewnij się, że wybrany cel molekularny nie jest obecny u innych gatunków. Jeśli cel pojawia się w wielu gatunkach, powtarzaj selekcję sekwencji, aż do potwierdzenia swoistości (patrz Rysunek 1).
      UWAGA: Ten krok zapewnia, że żadne niepożądane drugorzędowe cele molekularne nie zakłócają funkcji AMP lub białka przeciwgrzybiczego
  3. Sprawdź homologię w sekwencjach białek.
    1. Sprawdź, czy zaprojektowana sekwencja aminokwasów nie pasuje do białek homologicznych u innych gatunków.
      UWAGA: Ten krok potwierdza, że funkcja przeciwgrzybicza jest specyficzna dla zamierzonych celów

3. Zaprojektuj sekwencję białka przeciwdrobnoustrojowego

UWAGA: Zawartość i sekwencja aminokwasów powinna być dostosowana do pożądanej funkcji białka, a konkretnie do aktywności przeciwgrzybiczej. Zaprojektowana sekwencja powinna kodować białko o działaniu przeciwgrzybiczym wobec Bd. Sprawdź to na Antifp predict server28.

  1. Przegląd literatury i projektowanie sekwencji
    1. Przeprowadzenie kompleksowego przeglądu najnowszej literatury w celu zidentyfikowania kluczowych cech Bd i potencjalnych mechanizmów przeciwdrobnoustrojowych.
      UWAGA: Poprzednie badania opisują peptydy przeciwdrobnoustrojowe (AMP) przeciwko Bd, syntetyzowane przez różne zwierzęta i mikroorganizmy. Shai's formula29zapewnia ramy do projektowania syntetycznych peptydów przeciwgrzybiczych. Metoda ta powinna być stosowana do optymalizacji sekwencji białek pod kątem maksymalnej aktywności przeciwgrzybiczej.

4. Przewidywanie struktury 3D za pomocą I-TASSER

UWAGA: Ten protokół dotyczy celu molekularnego i zaprojektowanej sekwencji przeciwdrobnoustrojowej.

  1. Aby uzyskać dostęp do sekwencji i je przesłać, odwiedź serwer I-TASSER w celu uzyskania https://zhanggroup.org/I-TASSER/ przewidywania struktury i funkcji białek.
  2. Zarejestruj się za pomocą instytucjonalnego adresu e-mail, aby otrzymać nazwę użytkownika i hasło dostępu do narzędzia.
  3. Prześlij cel molekularny lub zaprojektowaną sekwencję w formacie FAPSA, .txt pliku lub skopiuj i wklej bezpośrednio do pola wejściowego.
  4. Przypisz unikatową nazwę do sekwencji.
  5. Kliknij przycisk Prześlij i pozwól programowi przeanalizować sekwencję, podając szacowany czas przetwarzania.
    UWAGA: Wstrzymaj protokół do momentu otrzymania wyników. Czas przetwarzania zwykle wynosi od 24 do 72 godzin w przypadku małych białek (≤50 aminokwasów) i może trwać dłużej w przypadku większych białek (do 3 000 aminokwasów).
    Wskazówki dotyczące wyboru narzędzi: Używaj I-TASSER do małych białek, takich jak zaprojektowane peptydy przeciwdrobnoustrojowe. W przypadku dużych białek należy użyć trRosetta, która jest zoptymalizowana pod kątem złożonego modelowania strukturalnego.

5. Przewidywanie struktury 3D za pomocą trRosetta

  1. Odwiedź serwer WWW trRosetta: https://yanglab.qd.sdu.edu.cn/trRosetta/.
  2. Wprowadź sekwencję receptora docelowego w formacie FASTA, .txt lub MSA lub wklej ją bezpośrednio na serwerze.
  3. Przypisz nazwę do strukturalnie przewidywanego białka.
  4. Kliknij przycisk Prześlij, upewniając się, że jest zaznaczona opcja wykluczania szablonów. Wybierz trRosettaX-single homologi, aby rozpocząć proces predykcji.
    UWAGA: Wstrzymaj protokół do momentu otrzymania wyników.
  5. Poczekaj na wiadomość e-mail z potwierdzeniem po pomyślnym przesłaniu.
  6. Przeanalizuj wyniki przewidywania.
    1. Sprawdź, czy wynik TM jest miarą jakości modelu.
    2. Zbadaj mapy kontaktów, mapy odległości na aminokwas oraz mapy rotacji dla atomów węgla alfa i beta pod kątami ω (omega), θ (theta) i φ (phi).
  7. Pobierz wyniki w formacie ZIP do dalszej analizy.

6. Dokowanie molekularne i analiza interakcji (przy użyciu HADDOCK)

  1. Uzyskaj dostęp do serwera dokującego HADDOCK: https://wenmr.science.uu.nl/haddock2.4/.
  2. Zarejestruj konto za pomocą instytucjonalnego adresu e-mail, potwierdź konto i zaloguj się.
  3. Wróć do strony głównej, wybierz pozycję Nowe zadanie i rozpocznij przesyłanie.
  4. Na stronie zgłoszenia HADDOCK wypełnij wymagane informacje: nazwę stanowiska, numer cząsteczki (w tym przypadku 2). Zaznacz wszystko.
  5. Prześlij cząsteczki do dokowania. Prześlij struktury PDB dla receptora i liganda. Wybierz dokowanie białko-ligand dla obu.
  6. Powtórz kroki przesyłania liganda, wybierz wszystkie łańcuchy i pozostaw pozostałe ustawienia jako domyślne.
  7. Kliknij przycisk Dalej, aby przejść do kolejnego kroku przesyłania.
    UWAGA: W sekcjach 1 i 2 dodaj listę aminokwasów biorących udział w oddziaływaniach receptor-ligand i oznacz je jako reszty aktywne. Pozostałości pasywne pozostają wstępnie zdefiniowane. Miejsca aktywne są miejscami interakcji i muszą być wybrane zgodnie z charakterystyką zaprojektowanego białka i odsłoniętymi aminokwasami białka receptorowego.
  8. Zakończ i uruchom proces dokowania.
    1. Kliknij przycisk Dalej, aby zachować domyślne parametry dokowania bez zmian.
    2. Kliknij przycisk Prześlij, aby rozpocząć przetwarzanie.
      UWAGA: Przewidywany czas przetwarzania wynosi od 24 do 72 godzin.
  9. Przejrzyj wyniki dokowania.
    1. Serwer automatycznie wybiera i klasyfikuje najlepsze wyniki dokowania. Analizuj interakcje aminokwasowe za pomocą oprogramowania do wizualizacji strukturalnej (np. PyMOL lub UCSF Chimera).
  10. Pobierz ostateczną wersję zadokowanych struktur w formacie PDB do dalszej analizy.
    UWAGA: Patrz Plik uzupełniający 1: Rysunek uzupełniający S1, Rysunek uzupełniający S2, Rysunek uzupełniający S3, Rysunek uzupełniający S4 i Rysunek uzupełniający S5.

7. Zmierz odległości (OPCJONALNIE) [zobacz Plik uzupełniający 1: Rysunek uzupełniający S6, Rysunek uzupełniający S7 i Rysunek uzupełniający S8.]

  1. Analizuj wyniki dokowania za pomocą programu do wizualizacji konstrukcji (PDB). Otwórz plik PDB dokowania molekularnego w UCSF Chimera i oceń bliskość strukturalną i potencjalne miejsca wiązania (zmierzone odległości).
  2. Kliknij dwukrotnie ikonę Chimera, aby otworzyć plik PDB. Wybierz Plik, Otwórz i wybierz plik z okna katalogu dokumentów.
  3. Zidentyfikuj atomy. Przejdź do akcji, atomów/wiązań i wybierz pokaż.
  4. Wybierz atomy znajdujące się najbliżej liganda i receptora. Wybierz atom 1 za pomocą Ctrl + kliknięcie i atom 2 za pomocą Ctrl + Shift + kliknięcie.
  5. Przejdź do Narzędzia, Analiza konstrukcji i wybierz odległości.
  6. Kliknij przycisk Utwórz (sprawdź wybór atomu). W oknie wyświetlane są aminokwasy i lokalizacje atomów 1 i 2,
    UWAGA: Kolumna odległości pokazuje kąty między atomami.
  7. Pobierz tabelę i zapisz ją na komputerze lokalnym.
    UWAGA: Dodatkowe informacje można znaleźć w pliku uzupełniającym 1.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Opracowywana sekwencja wykorzystuje następujący wzór: K(X)3KW(X)2K(X)2K, gdzie (X) może być G, A, V, I lub L28. Uzyskane wyniki wyszukiwania obejmowały sekwencje białek składające się z ponad 300 aminokwasów, które zostały wybrane ze względu na ich status jako kompletnych sekwencji białkowych, w przeciwieństwie do sekwencji częściowych. Należy zauważyć, że pełne sekwencje są niezbędne do badania. Funkcje każdego kanału receptora/błony były również poszukiwane w ram...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Podejście bioinformatyczne stosowane w przewidywaniu struktur białek ma nieodłączne ograniczenia ze względu na zależność od programów obliczeniowych. Programy te próbują przybliżyć rzeczywiste struktury białek, ale są ograniczone przez takie czynniki, jak temperatura, rozpuszczalność i obecność rozpuszczalnika, które mogą nie być w pełni replikowane w warunkach vivo. Ponadto metoda opiera się na dokładnej identyfikacji kluczowych konserwatywnych białek poprzez wiele dopasowań i wyselekcjonowane bazy danych, co sprawia, ż...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają do ujawnienia żadnych konfliktów interesów.

Podziękowania

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

Jimena R. Villarreal jest doktorantką w Programie Doctorado en Ciencias Biológicas, Universidad Autónoma de Querétaro (UAQ) i otrzymała stypendium Consejo Nacional de Humanidades, Ciencias y Tecnologías (CONAHCyT) (1003112).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
BLASTN/AN/ASerwer online
KomputerAMDN/AWIĘC: XP, W7, W8, W10, ubuntu, linux
Serwer HADDOCKBONVINLABN/ASerwer online
HEX 5.2BBSRC-INRIAN/ADownload-Online serwer
TASSERZHANG LABN/APobierz-Serwer online
MUSCLEN/AN/ASerwer
online NCBIN/AN/ASerwer online
PYMOLSCHRÖ DINGERN/ADownload-XP, W7, W8, W10, W11, LINUX
SWISS-MODELBIOZENTRUMN/ASerwer
online trRosetta serverYANG LABN/ASerwer online
USCF CHIMERARBVIN/ADownload-XP, W7, W8, W10, W11, LINUX

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Projektowanie bia ekbia ka in silicopeptydy przeciwdrobnoustrojoweprzewidywanie struktury bia ekdokowanie molekularneserwer I TASSERprzewidywanie trRosettadokowanie HADDOCKsyntetyczne AMP

Powiązane artykuły