Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Белки МУДРОСТЬ Workbench для

16.4K просмотров

⸱

DOI:

10.3791/50476

⸱

25 июля 2013 г.

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

В этой статье

Краткое содержание

Мы разработали вычислительные методы проектирования белков de novo, способные охватить несколько важных областей дизайна белков. Для распространения этих методов мы представляем Protein WISDOM, онлайн-инструмент для дизайна белков (http://www.proteinwisdom.org). Начиная со структурного шаблона, можно выполнять конструирование мономерных белков для повышения стабильности и комплексов для повышения аффинности связывания.

Аннотация

Целью де конструкции белка заново, чтобы найти аминокислотных последовательностей, которые складываются в желаемый 3-мерные структуры с улучшением конкретные свойства, такие как аффинность связывания, агонист или антагонист поведение, или стабильность, по сравнению с нативной последовательностью. Белкового дизайна лежит в центре текущих наркотиков достижениями дизайна и открытий. Мало того, что белка конструкции обеспечивают прогнозы на потенциально полезных лекарственных препаратов, но и усиливает наше понимание процесса сворачивания белков и белок-белковых взаимодействий. Экспериментальные методы, такие как направленной эволюции привели к успешному белок конструкции. Однако такие способы ограничены ограниченном пространстве последовательности, которые можно найти tractably. В противоположность этому, вычислительные стратегии конструкция позволяет для скрининга гораздо большего множества последовательностей, охватывающий широкий спектр свойств и функциональных возможностей. Мы разработали ряд вычислительных De Novo белкового дизайна метоDS, способной решать несколько важных областях проектирования белка. Они включают в себя дизайн мономерных белков для повышения стабильности и комплексы повышенной аффинностью связывания.

Распространение этих методов для широкого использования данного белка мы мудрости ( http://www.proteinwisdom.org ), инструмент, который обеспечивает автоматизированных методов целый ряд проблем проектирования белка. Структурные шаблоны представленные для инициализации процесса проектирования. Первый этап дизайн оптимизации выбора последовательности этап, который направлен на повышение стабильности путем минимизации потенциальной энергии в пространстве последовательностей. Выбранный последовательности затем проходят через стадию раза специфичностью и сродством обязательного этапа. Ранга упорядоченный список последовательностей для каждого этапа процесса, наряду с соответствующими предназначенный структур, предоставляет пользователю всеобъемлющей количественной оценки конструкции. Здесь мы предлагаем подробно ое каждый метод расчета, а также несколько известных экспериментальных успехи, достигнутые за счет использования методов.

Введение

Дизайн белка de novo - это идентификация белковых последовательностей, которые приведут к желаемой третичной структуре с улучшенными свойствами или функцией. Поскольку нативная складка белка является конформацией, лежащей на минимуме свободной энергии, дизайн белка de novo ищет последовательности, которые будут иметь минимум свободной энергии в целевой складке. Эта задача была впервые описана Дрекслером1 и Пабо2 и была названа «проблемой обратного сворачивания». Однако, в отличие от задачи сворачивания белка, где последовательность может дать только одно решение со свернутой структурой, задача дизайна белка de novo демонстрирует вырождение. Множество различных аминокислотных последовательностей могут приводить к одной и той же третичной структуре и функции.

В то время как дизайн белка традиционно осуществлялся экспериментально с помощью рационального дизайна и направленной эволюции, вычислительные методы в последнее время стали использоваться для преодоления ограниченного пространства поиска, присущего экспериментальным методам. Были использованы различные вычислительные методы, в том числе детерминистические, стохастические и вероятностные методы. 3,4 Ранние вычислительные методы использовали шаблоны с фиксированной магистралью, чтобы облегчить решение проблемы. 5-7 С появлением более быстрых процессоров, высокопроизводительных вычислений и более эффективных алгоритмов, гибкость магистрали была реализована за счет использования ансамбля шаблонов с фиксированной магистралью8-14 или за счет включения истинной гибкости магистрали путем выражения шаблона в терминах диапазонов расстояний между атомами и двугранных углов. 15,16

В этой статье подробно описывается Protein WISDOM, онлайн-инструмент, который был доступен академическому сообществу для использования нашей вычислительной среды проектирования белков de novo. Эта структура была применена для разработки многочисленных белков для терапевтического использования, нацеленных на такие заболевания, как ВИЧ, рак, комплементарные заболевания и другие аутоиммунные расстройства. Многие из предсказанных пептидов были подтверждены экспериментально, что продемонстрировало эффективность метода. В таблице 1 представлена краткая информация о различных белках, которые были разработаны, включая размер белка или пептида, количество прогнозов и экспериментальную валидацию.

лет
Белковый дизайнДлина белка# вычислительных прогнозов# экспериментальных валидацийссылка
Полный дизайн последовательности человеческого бета-дефензина-241340 (17)
Ингибиторы компстатина С3 человека13283/3(18, 19)
Аналоги компстатина, которые связываются с крысиным C3c135 (20)
Аналоги компстатина с расширением ди-серином158  
Стабилизирующая структура аналога компстатина W4A91318  
Агонисты и антагонисты C3a-рецепторов77204/7(21)
Агонисты и антагонисты рецепторов C5a74612/61 
Ингибиторы ВИЧ-1 gp141264/5(22)
Ингибиторы ВИЧ-1 gp120914  
Ингибиторы Bak Bcl-x L и Bcl-216-18105/5(23)
Ингибиторы ERK21125  
Ингибиторы EZH2211710/10(24)
Ингибиторы ЛСД1 и ЛСД2164117/20 
Ингибиторы HLA-DR1136 (25)
Ингибиторы ПНП513  

Таблица 1. Краткое описание разработанных белков и пептидов с использованием структуры дизайна белков de novo. # вычислительных предсказаний представлен как число благоприятных предсказаний (т.е. кратных специфичностей выше определенного порогового значения или приближенных аффинностей связывания, превышающих нативную последовательность). Символ # экспериментальных проверок дает два числа: первое — это количество предсказаний, которые были проверены экспериментально, а второе — общее количество предсказаний, которые были проверены экспериментально.

Разработка человеческого бета-дефензина-2 (hβD-2) была выполнена для усиления антимикробных свойств пептида. 17 Для этого дизайна мы рассмотрели два случая: 1) до 10 мутаций вдоль hβD-2 и 2) полный дизайн последовательностей всех позиций остатков hβD-2, за исключением цистеинов (8, 15, 20, 30, 37 и 38). При проектировании были использованы три различных шаблона дизайна и три различные модели выбора последовательности. Высокие уровни сходства мутаций наблюдались между моделями средневзвешенного значения и модели интервала расстояний как для дизайна 10 мутаций, так и для дизайна полной последовательности. Кроме того, было обнаружено, что большое количество последовательностей имеют более благоприятные рассчитанные значения специфичности складки, чем нативная последовательность.

Ингибиторы системы комплемента (C3, C3a и C5a) были разработаны для борьбы с рядом иммунных заболеваний, таких как инсульт, сердечный приступ, болезнь Альцгеймера, астма, ревматоидный артрит, отторжение ксенотрансплантации, респираторные заболевания взрослых, псориаз и болезнь Крона. Три ингибитора компстатина C3c, предсказанные с помощью структуры дизайна белка, плюс три рационально спроектированные последовательности были экспериментально подтверждены как лучшие связывающие вещества, чем нативный компстатин. 18,19

Дальнейшие исследования изучали потерю активности компстатина против C3c у неприматов и разработали ряд кандидатов на ингибиторы C3c для крыс и мышей. Было показано, что пять последовательностей имеют более благоприятные ассоциации свободных энергий с C3c крысы, чем мутант компстатина W4A9, который, как известно, ингибирует C3c. Это связано с образованием нового солевого мостика с помощью Arg1. 20 Было предсказано, что восемь последовательностей с N-концевым расширением будут лучшими связующими, чем W4A9 с расширением ди-серином. Наконец, было предсказано, что 18 последовательностей компстатинов стабилизируют связанную конформацию W4A9, обеспечивая сильных кандидатов на роль ингибиторов C3c у приматов и других приматов.

В дополнение к ингибиторам C3c, агонисты и антагонисты рецепторов C3a и C5a были разработаны на основе структур C3a и C5a. Семь последовательностей C3a, предсказанных моделью, были экспериментально протестированы. Две последовательности были мощными агонистами, в то время как две другие были частичными агонистами. Два мощных агониста показали 58-кратное улучшение по сравнению с ранее открытым «суперагонистом». Дизайн агонистов и антагонистов рецепторов C5a обеспечил набор из 61 последовательности. Все последовательности были синтезированы, и две из них были признаны новыми агонистами C5a.

Ингибиторы слияния ВИЧ-1, вируса, вызывающего СПИД, были разработаны для предотвращения заражения клеток ВИЧ-1. Первый дизайн был нацелен на gp41, гликопротеин оболочки ВИЧ-1. Структура дизайна белка предсказывала шесть последовательностей, которые были лучшими связующими, чем нативная последовательность. Четыре из этих предсказанных последовательностей были экспериментально проверены на ингибирование ВИЧ-1, при этом лучшая последовательность имела IC50 на уровне 29 мкМ. Эта последовательность показала улучшение в 3-15 раз по сравнению с нативной последовательностью и не имела потери активности в отношении штамма вируса, устойчивого к энфувиртиду. 22 Второй дизайн был нацелен на gp120, еще один гликопротеин оболочки ВИЧ-1. Было предсказано, что четырнадцать последовательностей являются связывающими gp120 и обеспечивают дополнительные потенциальные ингибиторы слияния ВИЧ-1.

Многочисленные белки, связанные с раком, обеспечили многообещающие мишени для лечения рака. Bcl-2 и Bcl-xL являются антиапоптотическими белками, предотвращающими гибель клеток. Ингибиторы этих двух белков были разработаны для индуцирования гибели раковых клеток. Было предсказано, что десять последовательностей будут лучше связывать, чем нативные, и эти результаты отражают предыдущие экспериментальные и мутагенезные результаты. Другой белок-мишень, ERK2, участвует в каскадах передачи сигнала, что делает его перспективной мишенью для антипролиферативной терапии рака. Было предсказано, что двадцать пять последовательностей являются ингибиторами ERK2.

Гистонметилтрансферазы и деметилазы динамически контролируют метилирование гистонов, которое было связано со многими типами рака, включая простату, грудь, лимфому, миелому, мочевой пузырь, толстую кишку, кожу, печень, эндометрий, легкие и желудок. В рамках дизайна белка de novo было идентифицировано 17 ингибиторов EZH2 (лизинметилтрансферазы), и из десяти экспериментально протестированных было обнаружено, что все они ингибируют EZH2. 24 Наиболее мощный пептид имел IC50 около 13 мкМ, был одинаково эффективен при повышенных концентрациях ферментов и не конкурировал с кофактором. Эти пептиды были первым набором ингибиторов EZH2. 53 ингибитора LSD1 (деметилазы) были предсказаны с помощью системы, и из 20 экспериментально протестированных 17 были ингибиторами LSD1 и 18 были ингибиторами LSD2. Лучшие ингибиторы имели значения IC50 ниже 1 мкМ, что делало их самыми мощными пептидными ингибиторами, обнаруженными на сегодняшний день.

Последние две белковые системы обеспечивали мишени для лечения различных аутоиммунных заболеваний, таких как целиакия, сахарный диабет 1 типа, системная красная волчанка, синдром Шегрена, синдром Чарга-Стросса, тиреоидит Хашимото, болезнь Грейвса, идиопатическая тромбоцитопеническая пурпура, ревматоидный артрит и аллергия. Ни один из этих потенциальных ингибиторов не был экспериментально подтвержден, однако модель предсказала шесть последовательностей, которые связываются с HLA-DR1, и 13 последовательностей, которые связываются с PNP.

Таблица 2 обобщает экспериментально подтвержденные ингибиторы и агонисты, предсказанные с использованием структуры дизайна белка de novo. Приблизительная метрика аффинности связывания была использована для прогнозирования девяти последовательностей (ингибиторов C3c человека, ВИЧ-1 gp41, EZH2, LSD1 и LSD2), в то время как метрика складной специфичности была использована для идентификации четырех последовательностей (агонистов/антагонистов C3aR). Эти пептиды подчеркивают успех структуры дизайна белков de novo, в частности, добавленной метрики приближенного аффинности связывания. Фреймворк чрезвычайно универсален в своей применимости. Шесть различных белков, связанных с двадцатью пятью различными заболеваниями, были успешно разработаны и экспериментально подтверждены.

имяИК50ЕС50Целевой белокПрименяемые заболевания
SQ0270,94 мкМ C3c человекаинсульт, сердечный приступ, болезнь Альцгеймера, астма, ревматоидный артрит, системная красная волчанка, рассеянный склероз, псориаз, диабет I типа, болезнь Крона, панкреатит и муковисцидоз
SQ0861,98 мкМ C3c человека
SQ0594,73 мкМ C3c человека
КВ110-4 15,2 нмС3аР
SQ060-4 36,4 нмС3аР
SQ007-515,4 нм С3аР
SQ002-526,1 нМ С3аР
КВ43529 - 253 мкМ ВИЧ-1 gp41СПИД
SQ03713,57 мкМ ЭЖ2рак простаты, молочной железы, лимфомы, миеломы, мочевого пузыря, толстой кишки, кожи, печени, эндометрия, легких и желудка
SQ011-10,521 мкМ ЛСД1
SQ016-10,249 мкМ ЛСД1
SQ026-12,51 мкМ ЛСД2
SQ015-11,332 мкМ ЛСД2

Таблица 2. Вычислительно предсказанные и экспериментально подтвержденные пептиды, нацеленные на различные заболевания.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Обзор метода

Структура проектирования de novo, используемая в Protein WISDOM, состоит из двух этапов. На первом этапе создается ранжированный список аминокислотных последовательностей, которые будут сворачиваться в заданную шаблонную структуру. На втором этапе эти последовательности проверяются путем расчета специфичности фолдинга, приблизительного сродства к связыванию или и того, и другого. Первый метод используется преимущественно при проектировании одного белка, тогда как второй — при проектировании комплекса (пептида, связывающегося с белком-мишенью). На рисунке 1 представлен обзор этапов, входящих в данную структуру.

Входные данные для проектирования: Для системы проектирования белков de novo необходимо определить ряд входных параметров. Первым из них является шаблон проектирования. Это трехмерная (3D) структура белка, содержащая координаты всех атомов в белке. Структура может быть жесткой или гибкой. Жесткие шаблоны представляют собой набор фиксированных координат атомов и получаются на основе структур, определенных методом рентгеновской кристаллографии. Гибкие шаблоны могут представлять собой набор фиксированных координат атомов либо верхние и нижние границы координат атомов. Такие шаблоны могут быть получены с помощью структур, определенных методом ЯМР в растворе, молекулярной динамики или симуляций докинга.

Шаблон дизайна используется для создания набора допустимых мутаций проектируемого белка. Этот набор определяет, какие позиции последовательности могут подвергаться мутированию и на какие аминокислоты. Набор мутаций формируется путем расчета площади доступной поверхности растворителю (SASA) для каждого остатка в шаблоне дизайна. Если остаток более чем на 50% открыт для растворителя, допускается набор гидрофильных аминокислот (D, E, G, H, K, N, P, Q, R, S, T). Если остаток открыт для растворителя менее чем на 20%, допускается набор гидрофобных аминокислот (A, F, I, L, M, V, W, Y). Если степень открытости остатка составляет от 20% до 50%, допускаются все аминокислоты. Цистеин обычно исключается из набора мутаций, за исключением случаев, когда экспериментальные или литературные данные указывают на необходимость его включения. Малые аминокислоты (A, G, T) обычно включаются во все наборы мутаций. При наличии данных экспериментальные или литературные сведения могут быть использованы для ручного изменения наборов мутаций для конкретных позиций аминокислот.

Для расчета энергии парного взаимодействия последовательностей в шаблоне дизайна выбирается силовое поле. Хотя в рамках данной системы можно адаптировать любое силовое поле, были разработаны и широко используются два зависимых от расстояния силовых поля для дизайна de novo. Первое — это силовое поле с высоким разрешением Cα-Cα,26 где расстояния измеряются между Cα-углеродами остатков. Второе — силовое поле с высоким разрешением центроид-центроид,27 где расстояния измеряются между центроидами остатков. Энергетические параметры в силовых полях были получены путем решения задачи оценки параметров линейного программирования, при которой низкоэнергетические высокоразрешенные декои для большого обучающего набора белков должны быть энергетически менее выгодными, чем их нативные конформации. Силовое поле центроид-центроид с высоким разрешением и силовое поле Cα-Cα были протестированы и валидированы в предыдущих исследованиях на человеческом бета-дефензине-2.17 Реальная гибкость основной цепи учитывается в модели путем дискретизации силовых полей по интервалам расстояний. Расстояние между парой аминокислот будет соответствовать интервалу расстояний, при котором диапазону расстояний присваивается одно и то же значение энергии. Это позволяет модели оптимизации выбора последовательности учитывать движение основной цепи.

Биологические ограничения, в виде ограничений по заряду или ограничений по составу, могут быть введены пользователем вручную в качестве дополнительных входных данных для дизайна. Ограничения по заряду определяют конкретный заряд или диапазон зарядов, который должен быть соблюден для создаваемой последовательности или её части. Заряд рассчитывается как сумма положительно заряженных остатков (K и R) минус сумма отрицательно заряженных остатков (D и E). Ограничения по составу определяют верхние и нижние границы частоты появления конкретной аминокислоты в последовательности. Биологические ограничения обычно определяются путем обширного выравнивания последовательностей с нативной последовательностью. Это делается для того, чтобы учесть известные биологические пределы заряда и аминокислотного состава, характерные в природе для данного семейства белков. Дополнительные ограничения задаются вручную на основе анализа известных экспериментальных данных.

Этап первый: Выбор последовательности: Первоначальный метод выбора последовательности был разработан Klepeis et al.15,16 Он выбирает и ранжирует аминокислотные последовательности в соответствии с их энергиями в шаблоне дизайна с использованием модели целочисленного линейного программирования (ILP). Впоследствии метод был усовершенствован за счет применения более эффективной с вычислительной точки зрения модели выбора последовательности для жестких (одиночных) шаблонов и расширен путем разработки моделей для гибких шаблонов. Этот метод глобальной оптимизации не основан на случайных мутациях и теоретически гарантирует поиск по всему пространству последовательностей и нахождение глобального решения. Это является основным преимуществом нашего подхода по сравнению со всеми остальными существующими методами.

Модель одиночной структуры: Исходная форма модели выбора последовательностей, предложенная Klepeis et al.15,16, была в дальнейшем усовершенствована Fung et al.28 Ее окончательная форма представлена в уравнении 1.

Задача оптимизации с уравнениями и ограничениями; математическая оптимизация, символьные обозначения.
Множество i=1,...,n определяет позиции остатков в шаблоне дизайна. В каждой позиции i мутации представлены как j{i}=1,...,mi, где mi=20, если в позиции i допускается мутация в любую из двадцати природных аминокислот. Псевдонимы множеств k≡i и l≡j, при k>i, используются для представления всех уникальных попарных взаимодействий. Бинарные переменные yj с индексом i и верхним индексом j, математическая нотация, переменные в уравнениях. и Обозначение первой производной y'_k, уравнение, концепция исчисления, учебная формула. введены для моделирования мутаций аминокислот. Переменная yj с индексом i и верхним индексом j, математическая нотация, переменные в уравнениях. принимает значение единицы, если модель назначает аминокислоту j в позицию i, и значение нуля в противном случае (аналогично для Обозначение первой производной y'_k, уравнение, концепция исчисления, учебная формула. ). Целевая функция представляет собой сумму всех попарных энергетических взаимодействий в шаблоне дизайна. Параметр Пример тензорной нотации в абстрактной алгебре; математическое выражение, иллюстрирующее индексную нотацию., который является энергией взаимодействия между позицией i, занятой аминокислотой j, и позицией i, занятой аминокислотой l, зависит от расстояния между α-углеродами или центроидами боковых цепей в этих двух позициях (xi,xj,), а также от типа аминокислот j и l. Он вносит вклад в целевую функцию только в том случае, если и yj с индексом i и верхним индексом j, математическая нотация, переменные в уравнениях., и Обозначение первой производной y'_k, уравнение, концепция исчисления, учебная формула. равны единице.

Fung et al.28 обнаружили, что формулировка (1) значительно более эффективна с вычислительной точки зрения, чем двенадцать других эквивалентных моделей, подобных квадратичному назначению, для выбора последовательности.28,29 В частности, она превзошла исходную модель, предложенную Klepeis et al.15,16, при решении двух задач по выбору последовательности для бета-дефензина-2 человека: одной со уровнем сложности 3,4x1045 и другой с уровнем 6,4x1037 при наличии 49 дополнительных линейных биологических ограничений. Было установлено, что исходной модели, предложенной Klepeis et al.15,16, потребовалось соответственно 53 263 сек процессорного времени (CPU) и 4 578 сек CPU для решения двух задач до достижения глобального оптимума с использованием CPLEX 9.030 на процессоре Pentium IV 3,2 GHz. Формулировке (1) потребовалось всего 649 сек CPU и 14 сек CPU для выполнения тех же задач, что соответствует 82-кратному и 327-кратному повышению вычислительной эффективности.

Модель средневзвешенного значения: Fung et al.28 разработали две модели для типичного случая дизайна белков de novo, при котором шаблон дизайна является гибким и содержит набор структур. Модель средневзвешенного значения использует средневзвешенную энергию, Формула статического равновесия ΣE_ik^jl(x_i,x_k)wt(x_i,x_k,d), уравнение, математическая концепция. , вместо параметра энергии Пример тензорной нотации в абстрактной алгебре; математическое выражение, иллюстрирующее индексную нотацию.(xi,xk) в модели одной структуры (ур. 1). Веса wt(xi,xk,d) определяются частотой попадания расстояния между xi и xk в интервал расстояний d в структурах шаблона. Окончательный вид модели средневзвешенного значения приведен в ур. 2.

Уравнения задачи оптимизации; модель линейного программирования; ограничения и бинарные переменные; математическая формулировка.
Модель интервалов расстояний: вторая модель выбора последовательности для гибких структур шаблонов учитывает информацию о расстояниях из нескольких структур путем введения бинарной переменной bikd. Эта переменная равна единице, если расстояние между xi и xk попадает в интервал расстояний d, и нулю в противном случае. Другой введенный параметр, disbin(xi, xk, d), равен единице, если расстояние между xi и xk в любой из структур шаблона попадает в интервал расстояний d, и нулю в противном случае. Поскольку только один интервал расстояний для каждой пары аминокислот будет вносить вклад в общую энергию, Пример тензорной нотации в абстрактной алгебре; математическое выражение, иллюстрирующее индексную нотацию. в целевой функции заменяется на Математическое уравнение Σ E(x); статическое равновесие, формула суммирования для исследовательского анализа.. Однако это вносит нелинейность в целевую функцию. Подробную информацию о линеаризации модели и дополнительных ограничениях, необходимых для обеспечения допустимости решений, можно найти в работе Fung et al.28 Модель интервалов расстояний представлена в Уравнении 3.

Уравнения задачи оптимизации; модель линейного программирования; ограничения и бинарные переменные; математическая формулировка.
Любая из вышеперечисленных задач целочисленного линейного программирования (ЦЛП)15-17 может быть строго решена с использованием метода ветвей и границ.28-30 Такие методы гарантируют стабильную и надежную сходимость к последовательности с глобальным минимумом энергии.

Второй этап: Валидация: Рисунок 2 содержит подробный обзор двух подходов второго этапа. На рисунке показаны шаги, необходимые для расчета итоговой метрики ранжирования, и количество структур, созданных на каждом этапе.

Специфичность фолдинга: Специфичность фолдинга — это показатель, используемый для ранжирования предварительных вариантов дизайна, разработанных на первом этапе. Целью расчета является определение того, насколько эффективно каждая последовательность сворачивается в структуру шаблона по сравнению с исходной последовательностью шаблона на основе энергетических расчетов. Существует два подхода к выполнению этого расчета, каждый из которых предъявляет разные требования к вычислительным ресурсам.

Первый подход был реализован Klepeis и др..15,16 Этот подход использует систему предсказания структуры белков ASTRO-FOLD, 26,27,31-47 который основан на детерминированной глобальной оптимизации. В настоящее время этот подход не используется при реализации Protein WISDOM, поскольку он требует значительных вычислительных затрат. Признавая ограниченность вычислительных ресурсов и необходимость проведения таких расчетов для потенциально сотен или тысяч последовательностей при проектировании, Fung и др..17 был предложен более эффективный подход с использованием TINKER/CYANA.48-50 Данный подход предполагает определение гибкого шаблона структуры. Гибкий шаблон может быть определен с помощью задания верхних и нижних границ расстояний между Cα атомы, а также $\phi$- и $\psi$-углы остатков. Для одной структуры используются начальные расстояния и двугранные углы, а границы определяются либо как фиксированное расстояние, либо как процент. Границы по умолчанию составляют $\pm$10% для Cα расстояния или ±10° для определения границ двугранных углов. Для гибкого шаблона границы могут быть получены из максимальных и минимальных значений, наблюдаемых во всех структурах-шаблонах, переданных на вход при проектировании. После определения начальных границ для каждой последовательности с помощью программы CYANA 2.1 генерируются ансамбли, содержащие сотни конформеров.48,49Конформеры генерируются в программе CYANA с использованием протокола имитации отжига на основе динамики торсионных углов, который предусматривает быстрый нагрев белка с последующим медленным охлаждением с отслеживанием всех полученных конформаций. После имитации отжига проводится локальная минимизация энергии, позволяющая устранить стерические столкновения вследствие перекрытия ван-дер-ваальсовых радиусов, а также нарушения дистанционных и угловых ограничений. По умолчанию генерируется 500 итоговых структур. Каждая структура в ансамбле для каждой последовательности подвергается локальной минимизации в программе TINKER 3.6.50 с использованием силового поля AMBER.51 Значения конечной потенциальной энергии каждой минимизированной структуры представлены в таблице. Данный общий подход применяется как к исходной последовательности, так и к каждой кандидатной мутантной последовательности. Затем на основе распределения Больцмана (ур. 4) можно рассчитать специфичность свертывания каждой мутантной последовательности относительно целевого фолда по сравнению с нативной последовательностью.

Уравнение статического равновесия Σ(e^(-βEi)) для нативных и новых состояний; математическая формула.
Приблизительная аффинность связывания: Метод расчета приблизительной аффинности связывания используется для ранжирования сконструированных последовательностей, находящихся в комплексе с целевым белком. Эти расчеты можно проводить непосредственно для последовательностей, полученных на первом этапе, либо для последовательностей с высокой специфичностью к фолдингу, отобранных на этапе определения специфичности фолдинга.

Lilien et al.52 предложили подход для расчета приблизительных аффинностей связывания комплексов белок-лиганд. Он основан на создании ротамерных ансамблей белка, лиганда и комплекса белок-лиганд и использовании этих ансамблей для расчета статистических сумм. Эта приблизительная аффинность связывания обозначается как K* и определяется уравнением 5.

Здесь qPL — статистическая сумма комплекса белок-лиганд, qb — статистическая сумма свободного белка, а qL — статистическая сумма свободного лиганда. Статистические суммы определены в уравнении 6, где множества B, F и L содержат конформации связанного комплекса белок-лиганд, свободного белка и свободного лиганда соответственно, основанные на ротамерах. En — энергия конформации n, R — универсальная газообразная постоянная, а T — температура.

Уравнения термодинамического равновесия; Σe^(-Eb/RT); научная формула внутренней энергии.
Предсказание структуры: Для начала расчета K* необходима 3D-структура каждой последовательности. Это выполняется с помощью функции Rosetta AbRelax,53-55 входящей в программный пакет Rosetta 3.4. Стратегия алгоритма AbRelax основана на экспериментальном наблюдении, согласно которому локальная структура белка подвержена влиянию локальной последовательности белка, но не определяется ею однозначно. Для замены локальных структур белка структурными фрагментами, производными от последовательности, используется алгоритм Монте-Карло. Этот метод позволяет получить окончательные компактные структуры белков, учитывающие нелокальные взаимодействия, такие как скрытые гидрофобные остатки, спаренные β-цепи и специфические взаимодействия боковых цепей.

Кластеризация: Затем структуры из AbRelax кластеризуются на основе их углов φ и ψ с помощью OREO.56,57 Данный метод кластеризации позволяет выявить репрезентативные структуры остова для всего структурного ансамбля. Для докинга с целевым белком выбираются усредненные структуры из десяти крупнейших кластеров, а также структура с наименьшей общей энергией. Таким образом, для каждой пептидной последовательности получается 11 уникальных структур остова, что позволяет учесть гибкость остова при создании ансамбля.

Прогнозирование докинга: Прогнозирование докинга выполняется с помощью RosettaDock.58-60 Для каждой последовательности каждая из 11 структур остова пептида подвергается докингу с целевым белком. В данном случае, поскольку сайт связывания известен, пептиды размещают рядом с ним, допуская трансляцию на 3 Å перпендикулярно сайту связывания, на 8 Å параллельно ему и поворот на 8°. RosettaDock использует алгоритм Монте-Карло для перемещений при докинге с низким и высоким разрешением. Каждый запуск докинга создает большой ансамбль структур комплекса. Десять комплексов с самой низкой энергией в каждом из 11 запусков используются в качестве исходных структур при финальной генерации ансамбля конформаций на основе ротамеров (110 исходных структур на последовательность).

Генерация финального ансамбля: RosettaDesign61 используется для генерации финального конформационного ансамбля на основе ротамеров, поскольку с помощью функции fixbb с ее помощью можно создать множество структур, корректируя только ротамеры боковых цепей. В RosettaDesign вводится ряд исходных структур, и для каждой из них случайным образом выбирается остаток, ротамер которого изменяется с помощью алгоритма Монте-Карло. Эта процедура повторяется до попытки совершения тысяч замен ротамеров, что позволяет получить финальную низкоэнергетическую конформацию, которая будет вносить значительный вклад в функцию раздела.

Для создания пептидного ансамбля в качестве исходных структур для RosettaDesign используются десять структур пептидов с наименьшей энергией из каждого из десяти крупнейших кластеров, а также десять структур с наименьшей общей энергией (всего 110 исходных структур). Для каждой исходной структуры генерируется 200 ротамерных конформеров, что дает итоговый ансамбль из 22 000 структур (множество L в ур. 6). Данный ансамбль учитывает как гибкость остова, так и гибкость ротамеров.

Сложный ансамбль создается аналогичным образом путем взятия 110 исходных структур, полученных на этапе предсказания докинга, и генерации 200 ротамеров-конформеров для каждой исходной структуры. Итоговый размер ансамбля составляет 22 000 структур (набор B в ур. 6). Гибкость учитывается за счет использования различных структур пептидного остова, различных конформаций докинга и ротамеров-конформеров для каждой исходной структуры.

Ансамбль белков создается путем запуска RosettaDesign только для структуры белка-мишени. В данном случае для одной исходной структуры создается 2000 ротамерных конформаций, таким образом, итоговый размер ансамбля составляет 2000 структур (значение F в уравнении 6).

Белок WISDOM

Protein WISDOM (Protein Workbench for In Silico De novo design Of bioMolecules) представляет собой онлайн-инструмент, который предоставляет академическому сообществу удобный доступ к нашей платформе для дизайна белков de novo. Он позволяет решать несколько распространенных задач проектирования: от создания одиночных белковых цепей, принимающих структуру определенного шаблона, до дизайна новых пептидов, которые будут связываться с целевым белком. В следующих двух разделах описываются возможности Protein WISDOM применительно к двум основным типам задач по дизайну белков. Первый тип предполагает использование подбора последовательностей для выбора новых последовательностей, благоприятных для заданного шаблона дизайна, с последующей проверкой этих последовательностей с помощью анализа специфичности фолдинга. Второй тип использует подбор последовательностей для выбора новых последовательностей пептида, связанного в комплексе, с последующей валидацией этих последовательностей с помощью как анализа специфичности фолдинга, так и приблизительного расчета аффинности связывания.

Регистрация пользователя

Посетите веб-страницу Protein WISDOM по адресу http://www.proteinwisdom.org.

Нажмите кнопку «Вход пользователя» (User Login) в правом верхнем углу страницы. Нажмите «Нажмите здесь» (Click here), чтобы зарегистрироваться.

Заполните информацию, касающуюся адреса электронной почты и желаемого имени пользователя, и нажмите «Продолжить».

Заполните дополнительную информацию: имя, учреждение, группа, адрес. Отметьте флажком согласие с условиями использования. Нажмите кнопку «Submit Registration».

Этап один: выбор последовательности

Предоставление белковой последовательности и структуры шаблона (структур)

Нажмите кнопку «User Login», чтобы начать эксперимент по дизайну белков. Пользователю открывается «User Homepage» (Рисунок 3), где указано количество отправленных заданий, число загруженных структур (шаблонов), а также приведен список всех структур, загруженных на данный момент.

Запустите новый проект проектирования, нажав «Create New Job». Пользователь перейдет на страницу «Job Submission» (Рисунок 4). Присвойте проекту имя и укажите, основан ли он на предыдущем проекте (т. е. в новый проект могут быть импортированы тот же шаблон проектирования, наборы мутаций и биологические ограничения, однако пользователь получит возможность изменить наборы мутаций и биологические ограничения). Нажмите «continue».

Загрузите структуру(ы) белка шаблона дизайна (Рисунок 5). Этот шаблон должен быть в стандартном формате Protein Data Bank (PDB). Это может быть жесткий шаблон (один набор координат для каждого атома) или гибкий шаблон (несколько моделей, например, полученных из структур растворов методом ЯМР). При проектировании одного белка в шаблоне может быть только одна цепь. Пользователь может загрузить новый шаблон или выбрать один из ранее загруженных. При наличии укажите pdb ID шаблона. Если загружается несколько шаблонов, убедитесь, что каждая модель начинается с «MODEL #» и заканчивается «ENDMDL». Убедитесь, что каждый остаток обозначен природной аминокислотой. Нажмите «Continue».

После успешной загрузки шаблона Protein WISDOM отобразит количество остатков, цепей и моделей, найденных в шаблоне, выведет последовательность и предложит пользователю проверить шаблон. Подтвердите структуру шаблона, если она была введена правильно, и нажмите «Continue».

После успешной загрузки и подтверждения шаблона пользователь переходит на «Главную страницу управления» (Рисунок 6). На этой странице пользователь может просмотреть статус задания, изменить наборы мутаций и биологические ограничения, а также отправить задание на первый этап: выбор последовательностей. Поскольку первый этап еще не завершен, опции для второго этапа в данный момент отсутствуют. Они появятся после получения результатов первого этапа.

Выбор наборов мутаций

Перейдите по ссылке «Mutation Sets» («Наборы мутаций») на «Main Control Page» («Главной странице управления»), чтобы определить наборы мутаций.

Выберите остатки, которые будут подвержены мутации, а также аминокислоты, в которые они могут мутировать (Рисунок 7). По умолчанию допустимые аминокислоты для каждой конкретной позиции выбираются на основе доступной растворителю площади поверхности (SASA). Необходимо задать наборы мутаций.

После выбора наборов мутаций нажмите «Save Changes». Пользователь может продолжить редактирование набора мутаций. По завершении редактирования набора мутаций нажмите кнопку возврата на «Main Control Page».

Выбор биологических ограничений

Перейдите по ссылке «Biological Constraints» на «Main Control Page», чтобы определить биологические ограничения.

Задайте ограничения по заряду или аминокислотному составу для всего белка или его части (Рисунок 8).

При необходимости ограничьте общее количество допустимых мутаций. Биологические ограничения являются необязательными. По завершении нажмите, чтобы вернуться на «Главную страницу управления».

Подача материалов первого этапа: выбор последовательности

Нажмите на ссылку «Begin Stage 1», чтобы перейти на страницу «Submit Stage 1».

Выберите цепь для дизайна (Рисунок 9), количество генерируемых последовательностей, зависящее от расстояния силовое поле и модель. Если проектируется комплекс и требуется расчет специфичности фолдинга, необходимо выбрать только одну цепь для дизайна. Если загруженный шаблон представлял собой одну структуру или был «жестким шаблоном», допускается использование только модели Single Structure. Если загруженный шаблон гибкий, пользователь может выбрать любую из трех моделей: Single Structure, Weighted Average или Distance Bin. Обратите внимание на вычислительную сложность решаемой задачи оптимизации. Верхний предел допустимой вычислительной сложности составляет 2025.

Отправьте задание. Пользователь будет перенаправлен обратно на «Главную страницу управления» (Рисунок 10). Статус задания будет обновлен, чтобы отобразить текущий прогресс выполнения. После отправки задание будет заблокировано для редактирования.

По завершении задания пользователь получает электронное письмо с результатами, которые представляют собой список сконструированных последовательностей. Результаты также можно просмотреть на «Главной странице управления» (Main Control Page). На странице появляется блок «Этап 2: Специфичность сворачивания» (Stage 2: Fold Specificity), позволяющий пользователю провести данную проверку.

Этап два: расчеты кратности специфичности

Подача материалов по специфичности свертывания

Нажмите «Begin Stage 2: Fold Specificity», чтобы перейти на страницу «Build Stage 2». Определите верхнюю и нижнюю границы расстояния Cα-Cα, указав коэффициент гибкости шаблона (Template flexibility factor) либо в процентах от расстояния, либо в виде фиксированного расстояния. Определите верхние и нижние границы углов φ и ψ, указав коэффициент гибкости шаблона в процентах. Обратите внимание, что при использовании гибкого шаблона верхняя и нижняя границы расстояния принимаются как минимальное и максимальное значения расстояния по всем моделям шаблона. Аналогично, верхние и нижние границы углов определяются по максимальным и минимальным значениям углов во всех моделях.

Нажмите кнопку «Submit».

Укажите количество структур на одну последовательность, которые необходимо сгенерировать, и нажмите «Continue». Обратите внимание, что верхний предел составляет 500 структур на последовательность.

Нажмите «Продолжить», чтобы подтвердить намерение отправить данные для проверки фолдинга. Первый и второй этапы заблокированы для редактирования до завершения второго этапа.

По завершении задачи пользователю отправляется электронное письмо с результатами. Просмотрите результаты в Protein WISDOM на «Главной странице управления» (Рисунок 11). Здесь можно просмотреть и скачать текстовые файлы, содержащие разработанные последовательности, соответствующие значения энергии из первого этапа и значения специфичности сворачивания из второго этапа. Кроме того, пользователь может нажать на ссылку «View Results» (Просмотреть результаты), которая отобразит в браузере таблицу с рангами и значениями энергии первого этапа, а также рангами и значениями специфичности сворачивания второго этапа.

Этап три: Приблизительные расчеты аффинности связывания для белково-пептидных комплексов

Приблизительный расчет аффинности связывания позволяет определить сродство спроектированного лигандного белка/пептида к остальной части комплекса. Эти расчеты можно выполнить непосредственно после первого этапа или после завершения расчета специфичности фолдинга.

Нажмите на «Sequence #», чтобы выбрать последовательность для начала расчета приблизительной аффинности связывания. Пользователь будет перенаправлен на страницу «Select Sequence», где представлен список разработанных последовательностей вместе с рангами выбора последовательности и специфичности фолдинга. Для расчета приблизительной аффиности связывания за один раз можно выбрать только одну последовательность, так как эти вычисления требуют значительных вычислительных ресурсов. После завершения расчета для одной последовательности пользователь может выбрать другую для вычисления ее приблизительной аффинности связывания; этот результат будет добавлен к предыдущему, отображая приблизительную аффинность связывания для всех обработанных последовательностей. После выбора и сохранения последовательности пользователь возвращается на «Main Control Page».

Нажмите «Begin Stage 2: Approximate Binding Affinity» (Начать этап 2: Приблизительная аффинность связывания), чтобы отправить задание. По завершении результаты будут отправлены пользователю по электронной почте; они включают вложение с номером последовательности, приблизительной аффинностью связывания и значениями функций раздела из уравнения 6. Для каждого последующего задания по определению приблизительной аффинности связывания в этот файл будут добавляться результаты для всех завершенных последовательностей. Полные результаты (включая выбор последовательности, специфичность сворачивания и приблизительную аффиность связывания) также можно просмотреть, перейдя на «Main Control Page» (Главную страницу управления) для данного задания (Рисунок 12).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

De Novo дизайн ингибиторов проникновения ВИЧ-1

Структура проектирования de novo, реализованная в Protein WISDOM, использовалась для разработки пептидных ингибиторов для нескольких важных терапевтических систем (Таблицы 1 и 2). Одной из примечательных систем является разработка пептидов для ингибирования проникновения ВИЧ-1 в рецептор CD4 клетки-хозяина, которая в данном случае используется в качестве репрезентативной системы для демонстрации практического примен...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Структура дизайна белка de novo состоит из двух этапов: этапа выбора последовательности и этапа валидации. Каркас достаточно надежен для работы с жесткими и гибкими шаблонами дизайна и может быть применен как к дизайну одного белка, так и к дизайну сложного белка. Эта основа была успешно применена к многочисленным белковым системам с применением к десяткам заболеваний. Ряд конструкций был экспериментально проверен, обеспечивая наиболее мощные ингибиторы или агонисты некоторых белков, обнаруженных на сегодняшний ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Благодарности

CAF выражает благодарность за поддержку со стороны NSF, NIH (R01 GM52032; R24 GM069 736) и Агентства по охране окружающей среды США, EPA (R 832721-010). Часть этих исследований стала возможной благодаря государственной поддержке Министерства обороны, Управления научных исследований ВВС. JS выражает благодарность за поддержку со стороны NIH (P50GM071508-06). MLBP выражает благодарность за поддержку со стороны стипендии для выпускников Национальной оборонной науки и техники (NDSEG), 32 CFR 168a. GAK с благодарностью признает поддержку от стипендии Национального научного фонда для аспирантов в рамках гранта DGE-1148900.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Белки МУДРОСТЬ Workbench для
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.