Применение I TASSER, trRosetta, UCSF Chimera, HADDOCK server и HEX loria для De Novo и in silico дизайна белков
8 июля 2025 г.
Дизайн белков включает в себя построение аминокислотных последовательностей и включение определенных мотивов для создания функциональных вариантов. Такой подход имеет решающее значение для разработки антимикробных пептидов (АМП) для борьбы с устойчивыми к антибиотикам патогенами. В данной работе представлена процедура построения белка с использованием различных инструментов биоинформатики.
Данное исследование направлено на создание структурных моделей белков с антимикробными функциями. Эти модели используются для проведения конкретных анализов, которые помогают определить полезность каждого белка в качестве лечения перед тестированием in vitro. В настоящее время исследования в этой области опираются на методы in silico для валидации дизайн-белков. Однако они не создали инструментов, специально разработанных для поддержки этой части процесса. Наши будущие исследования будут сосредоточены на выводе биологических сетей и взаимодействии микробиоты между хозяином и окружающей средой в многоуровневых сетях. Эта работа будет поддержана ML bionets и нашим пакетом, разработанным коллегами в лаборатории.
[Рассказчик] Для начала посетите сервер I-TASSER для прогнозирования структуры и функции белка. Отправьте молекулярную мишень или последовательность дизайна в виде файла формата FASTA, текстового файла или вставив его непосредственно в поле ввода. Присвойте последовательности уникальное имя и нажмите кнопку «Запустить I-TASSER», чтобы позволить программе проанализировать последовательность. Чтобы спрогнозировать 3D-структуру с помощью trRosetta, обратитесь к серверу trRosetta. Введите целевую последовательность рецепторов в виде файла формата FASTA, текстового файла, файла формата MSA или вставьте ее непосредственно в поле ввода на сервере. После регистрации с помощью институционального адреса электронной почты присвойте имя структурно предсказанному белку. Убедитесь, что выбрана опция исключения шаблонов, и выберите «Запустить trRosettaX-Single», чтобы исключить использование любых гомологичных последовательностей и шаблонов. Нажмите кнопку «Отправить», чтобы начать процесс прогнозирования структуры белка. В результате прогноза убедитесь, что оценка TM является мерой качества модели. Затем изучите карты контактов, карты расстояний для каждой аминокислоты и карты вращения альфа- и бета-углерода под углами омега, тета и фи. Откройте веб-браузер и перейдите на веб-сервер HADDOCK. Нажмите «Отправить новую работу», затем введите название задания и количество молекул. Загрузите PDB-структуры молекул для стыковки. Оставьте настройки по умолчанию без изменений и нажмите «Далее». Введите активные и пассивные аминокислотные остатки для молекулы 1 и молекулы 2 и нажмите «Далее». В разделе «Параметры стыковки» оставьте настройки по умолчанию для всех параметров, таких как ограничения расстояния, параметры выборки, параметры кластеризации и т. д., без изменений и нажмите «Отправить», чтобы начать процесс стыковки. Откройте страницу результатов и просмотрите результаты стыковки. После загрузки файла стыковки рецептора лиганда откройте программное обеспечение для структурной визуализации, такое как UCSF Chimera или PyMOL. Загрузите файл стыковки и визуализируйте модель конструкции. Модель trRosetta натрий-водородного антипорта выявила высокоупорядоченную третичную структуру, состоящую в основном из альфа-спиралей, образующих плотно упакованный трансмембранный пучок. Это говорит о функциональной роли белка в качестве встроенного в мембрану транспортера ионов. Надежность модели подтверждается высокими показателями локальных разностных испытаний, превышающими 80% по всей центральной области, при этом сниженная достоверность на обоих концах указывает на возможную гибкость. Карты контактов и расстояний подтверждают стабильное складывание с постоянными диагональными и кластерными узорами. Молекулярный докинг разработанного противогрибкового пептида во внеклеточный домен рецептора приводит к образованию стабильного комплекса, о чем свидетельствует благоприятная оценка по шкале HADDOCK -73 и низкое среднеквадратичное отклонение 0,7 ангстрема. Измеренные расстояния подтверждают тесные контакты между конкретными аминокислотами, причем самый короткий из них наблюдается между тирозином 407 и цистеином 13.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Данное исследование посвящено разработке структурных моделей белков с антимикробными функциями с использованием инструментов биоинформатики. Полученные модели анализируются на предмет их терапевтического потенциала в борьбе с антибиотикорезистентными патогенами перед проведением тестирования in vitro.
Основные компоненты исследования
Область исследований
- Дизайн антимикробных белков
- Предсказание структуры белков
- Приложения биоинформатики
Теоретические сведения
- Растущая обеспокоенность проблемой антибиотикорезистентности
- Потребность в инновационных вариантах терапии
- Опора на методы in silico для валидации белков
Используемые методы
- Предсказание структуры и функции белков с помощью I-TASSER и trRosetta
- Моделирование белкового докинга с помощью HADDOCK
- Молекулярная визуализация с помощью UCSF Chimera или PyMOL
Основные результаты
- Разработана высокоупорядоченная третичная структура натрий-водородного антипортера
- Продемонстрирован стабильный молекулярный докинг сконструированных противогрибковых пептидов
- Достигнуты благоприятные показатели докинга, подтверждающие функциональность белка
Выводы
- В данном исследовании представлены эффективные методы проектирования антимикробных белков с помощью вычислительных подходов.
- Результаты подчеркивают значимость современного моделирования белков для решения проблемы антибиотикорезистентности в биологических исследованиях.
Часто задаваемые вопросы
Практическая значимость для промышленности
Быстрое компьютерное моделирование и докинг белков трансформируют ранние этапы поиска антимикробных средств, позволяя проводить прогностическую оценку вариантов белков перед их лабораторным синтезом. Этот подход ускоряет идентификацию кандидатов с высоким функциональным потенциалом, напрямую отвечая на острую потребность в новых терапевтических средствах против резистентных патогенов. Интеграция этих вычислительных инструментов в процесс поиска оптимизирует отбор перспективных соединений и снижает биологические риски перед проведением ресурсозатратных исследований in vitro.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Обеспечивает возможность разработки на основе гипотез и структурной валидации новых антимикробных белков.
- Способствует снижению механистических рисков путем прогнозирования взаимодействий при связывании и функциональных мотивов.
- Облегчает быстрый отбор последовательностей-кандидатов на основе прогнозируемого качества структуры и результатов докинга.
Скрининг и разработка анализа
- Подготавливает валидированные модели белков для последующих функциональных анализов и скрининга соединений.
- Стандартизирует исходные структуры для обеспечения воспроизводимости исследований по докингу и взаимодействиям.
- Формирует количественные выходные данные, такие как показатели TM-score и метрики докинга, для оценки готовности к скринингу.
Трансляционные и доклинические исследования
- Сопоставляет результаты компьютерного моделирования с мишенями, имеющими значение для заболевания, для обеспечения непрерывности трансляционного процесса.
- Предоставляет структурные данные, которые служат основой для выбора доклинических моделей и принятия решений о продвижении разработки с учетом рисков.
- Обеспечивает поддержку при проектировании синтетических AMP с потенциалом для быстрой терапевтической разработки.
Интеграция конвейеров и рабочих процессов
Данные вычислительные методы интегрируются на стыке этапов первичного поиска и идентификации соединений-лидеров, создавая основу для последующей экспериментальной валидации и доклинической оценки.
- Открытие биологических мишеней: обеспечивает надежную проверку гипотез и уточнение путей взаимодействия посредством прогностического моделирования и докинга.
- Скрининг: предоставляет воспроизводимые количественные данные о структуре и взаимодействиях для поддержки разработки анализа.
- Аналитика: предоставляет показатели TM, карты контактов и метрики докинга для сравнительного анализа белков-кандидатов.
- Трансляционные исследования: связывают прогнозы in silico с доклинической оценкой антимикробной эффективности.
- Корпоративное повторное использование: создает масштабируемый, многократно используемый рабочий процесс для проектирования и валидации белков по нескольким мишеням.
Операционное и корпоративное воздействие
- Научная ценность: повышает достоверность прогнозов и уменьшает неопределенность в понимании механизмов функционирования белков.
- Операционная ценность: стандартизирует и ускоряет рабочие процессы по дизайну, моделированию и докингу белков.
- Стратегическая ценность: улучшает процесс принятия решений о продолжении или прекращении разработки (go/no-go) и распределение капитала за счет приоритизации наиболее перспективных кандидатов.
- Влияние на портфель: позволяет осуществлять приоритизацию и продвижение перспективных антимикробных белков с учетом оценки рисков.
Особенности реализации
- Требуются экспертные знания в области биоинформатики, структурной биологии и компьютерного моделирования.
- Необходим доступ к валидированным серверам (I-TASSER, trRosetta, HADDOCK) и инструментам визуализации (UCSF Chimera, PyMOL).
- Требуется межкомандная стандартизация форматов входных данных и критериев анализа.
- Может потребоваться адаптация для различных классов белков или целевых систем.
- Достоверность модели варьируется в зависимости от региона, при этом надежность снижается на гибких терминах, что подтверждается значениями локального теста разности (local difference test).
