Gesundheit AllgemeinMedizinische ForschungMedizinische WissenschaftNews

Die Verwendung von AlphaFold2-fähigen molekularen Docking-Simulationen zur Vorhersage von Protein-Ligand-Wechselwirkungen für die Entdeckung von Antibiotika

In einer kürzlich veröffentlichten Studie in Molekulare Systembiologiezeigten die Forscher, dass Fortschritte bei der Modellierung von Protein-Ligand-Wechselwirkungen unter Verwendung von auf maschinellem Lernen basierenden Ansätzen erforderlich sind, um AlphaFold2 für die Entdeckung von Antibiotika besser zu nutzen.

Studie: Benchmarking AlphaFold-fähiger molekularer Docking-Vorhersagen für die Entdeckung von Antibiotika.  Bildnachweis: Jaromond/Shutterstock
Lernen: Benchmarking AlphaFold-fähiger molekularer Docking-Vorhersagen für die Entdeckung von Antibiotika. Bildnachweis: Jaromond/Shutterstock

Hintergrund

Eine große Herausforderung in der Arzneimittelforschung ist die Identifizierung von Arzneimittel-Target-Wechselwirkungen. Forscher haben mehrere Ansätze entwickelt, um dieses Problem anzugehen, darunter biochemische Assays, genetische Wechselwirkungen und molekulares Docking. Allerdings hat sich nur das molekulare Docking als nützlich erwiesen, um Protein-Ligand-Wechselwirkungen und den/die Wirkmechanismus(se) eines Medikaments zu identifizieren.

Obwohl vielseitig, erfordert das Andocken vorherige Kenntnisse der Proteinstrukturen. Die Anzahl und Qualität der Zielproteinstrukturen schränken ihre Anwendung zur Identifizierung von Arzneimittelzielen weiter ein.

Über das Studium

In der vorliegenden Studie nutzten die Forscher die kürzlich veröffentlichte AlphaFold2-Datenbank für Proteinstrukturvorhersagen, um Reverse-Docking-Ansätze zu ermöglichen, die das essentielle Proteom von Escherichia coli (E. coli) umfassen und eine umfassende Vorhersage von Bindungszielen von Antibiotika ermöglichen. Diese Experimente könnten dazu beitragen, die Leistung der Modellierungsplattform zu bewerten und die Vorhersagegenauigkeit von AlphaFold2-fähigen Molekular-Docking-Simulationen aufzudecken.

Die vorhergesagten Protein-Liganden-Wechselwirkungen zwischen Antibiotika und essentiellen Proteinen konnten teilweise experimentell abgefragt werden, indem biochemische Assays verwendet wurden, die die enzymatische Aktivität messen, wobei die Bindungswechselwirkungen durch enzymatische Hemmung unterstützt werden.

Die Forscher führten Hochdurchsatz-Screenings mit 39.128 Verbindungen zur Wachstumshemmung gegen Wildtyp-E. coli durch. Diese Verbindungen waren Naturstoffe, Antibiotika und strukturell unterschiedliche Moleküle mit Molekulargewichten zwischen 40 Dalton (Da) und 4.200 Da. Alle Verbindungen, die das relative Wachstum um 80 % hemmten, wurden als aktiv angesehen, und jede aktive Verbindung wurde rechnerisch an 296 von AlphaFold2 vorhergesagte essentielle Proteome von E. coli angedockt.

Als Kontrolle wurde eine Teilmenge der inaktiven Verbindungen auf die gleiche Weise angedockt. Die Forscher nutzten AutoDock Vina, ein weit verbreitetes Open-Source-Docking-Programm mit Benchmarking, um alle 218 Wirkstoffe gegen die 296 AlphaFold2-vorhergesagten essentiellen Proteome anzudocken. Diese Simulationen sagten sowohl spezifische als auch weit verbreitete Protein-Ligand-Wechselwirkungen und Proteinpromiskuität voraus. Schließlich bewerteten die Forscher Vorhersagen mit vier auf maschinellem Lernen basierenden Scoring-Funktionen (SFs), nämlich RF-Score, RF-Score-VS, Protein-Ligan Extended Connectivity (PLEC)-Score und Neural Network (NN)-Score.

Studienergebnisse

Genetik & Genomik eBook

Zusammenstellung der Top-Interviews, Artikel und Nachrichten des letzten Jahres.

Insgesamt waren 218 antibakterielle Verbindungen gegen E. coli aktiv, und etwa 80 % waren Antibiotika der Strukturklassen β-Lactam, Aminoglykoside, Tetracycline, Chinolone und Polyketide. Die verbleibenden Wirkstoffe bestanden aus Toxinen und antineoplastischen Verbindungen. Die Studie identifizierte auch eine zusätzliche Reihe von Verbindungen, deren antibakterielle Eigenschaften gegen E. coli bisher nicht dokumentiert wurden.

Ebenso sagte die Studienanalyse die Bindungsposition und Bindungsaffinität von 64.528 Protein-Liganden-Paaren voraus. Weitere 100 zufällig ausgewählte inaktive Verbindungen führten über analoge Docking-Simulationen zu Bindungspose- und Affinitätsvorhersagen für 29.600 Protein-Liganden-Paare. Darüber hinaus maßen die Forscher die enzymatische Aktivität mehrerer E. coli-Proteine, die an der Replikation, Transkription und Zellwandsynthese der Desoxyribonukleinsäure (DNA) beteiligt sind.

Interessanterweise hemmten mehrere Proteinmoleküle jede identifizierte antibakterielle Verbindung enzymatisch, was eine umfassende Promiskuität bestätigte. Dieses Phänomen ermöglichte auch ein Benchmarking der Modellleistung in einem statistisch signifikanten Maßstab.

Die Forscher verglichen ausführlich experimentelle Daten von Protein-Ligand-Wechselwirkungen mit In-silico-Vorhersagen, um zu zeigen, dass dieser Modellierungsansatz je nach verwendeter Bindungsaffinitätsschwelle eine Vorhersagegenauigkeit zwischen 41 % und 73 % hatte. Unabhängig von der Bindungsaffinitätsschwelle betrug die Fläche unter der Receiver Operating Characteristic Curve (auROC) über die essentiellen Proteine ​​im Durchschnitt 0,48.

Bemerkenswerterweise blieb die Modellleistung auch dann ähnlich, wenn experimentell bestimmte Proteinstrukturen von den Forschern eingesetzt wurden. Unter der Voraussetzung, dass ein Zufallsmodell einem auROC von 0,5 entspricht, zeigten diese Ergebnisse, dass molekulare Docking-Simulationen eine schwache Leistung zeigten.

Die Autoren stellten eine tiefgreifende Verbesserung der Modellleistung fest, gemessen mit dem auROC, mit RF-Score, RF-Score-VS und NN-Score. Umgekehrt verbesserte sich die Modellleistung nicht, wenn DOCK6.9 verwendet wurde, und das Rescoring wurde mit dem PLEC-Score durchgeführt. Darüber hinaus verbesserten Konsensmodelle, die mehrere auf maschinellem Lernen basierende SFs umfassten, das Verhältnis der Richtig-Positiv-Rate zur Falsch-Positiv-Rate und die Vorhersagegenauigkeit.

Schlussfolgerungen

Die aktuelle Studie hat gezeigt, dass die Verwendung von AlphaFold2 zur Vorhersage von Wirkstoffzielen eine vielversprechende Methode ist, sich aber noch in der Anfangsphase befindet. Dementsprechend wird die Realisierung seines Potenzials für die Wirkstoffforschung erhebliche Verbesserungen bei der Modellierung von Protein-Ligand-Wechselwirkungen erfordern. Das Benchmarking der Leistung von molekularen Docking-Simulationen ist eine der praktikablen Möglichkeiten, die Vorhersagegenauigkeit zu verbessern; es erfordert jedoch die begleitende Verwendung von auf maschinellem Lernen basierenden Ansätzen. Insgesamt könnten die Studienergebnisse über den angemessenen Einsatz von AlphaFold2 in der Arzneimittelforschung informieren.

Referenz:

.

Daniel Wom

Daniel Wom ist ein renommierter Webentwickler und SEO-Experte, der in der digitalen Welt eine beeindruckende Karriere aufgebaut hat. Als Betreiber mehrerer Blogs und Online-Magazine erreicht er jeden Monat mehr als 1 Million begeisterte Leser. Sein unermüdlicher Einsatz für Qualität im Web und seine Fähigkeit, die neuesten Trends und Entwicklungen im Webdesign und in der digitalen Kommunikation vorherzusehen und sich daran anzupassen, haben ihn zu einer angesehenen Persönlichkeit in der Branche gemacht.

Ähnliche Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert