Използването на AlphaFold2 активирани молекулярни докинг симулации за прогнозиране на взаимодействията протеин-лиганд за откриване на антибиотици

Използването на AlphaFold2 активирани молекулярни докинг симулации за прогнозиране на взаимодействията протеин-лиганд за откриване на антибиотици

В наскоро публикувано проучване в Молекулярна системна биология изследователите показаха, че е необходим напредък в моделирането на взаимодействията протеин-лиганд с помощта на подходи, базирани на машинно обучение, за да се използва по-добре AlphaFold2 за откриване на антибиотици.

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

фон

Основно предизвикателство при откриването на лекарства е идентифицирането на взаимодействията лекарство-мишена. Изследователите са разработили няколко подхода за справяне с този проблем, включително биохимични анализи, генетични взаимодействия и молекулярно свързване. Въпреки това, само молекулярният докинг се оказа полезен за идентифициране на взаимодействия протеин-лиганд и механизма(ите) на действие на лекарството.

Въпреки че е многофункционален, докингът изисква предварително познаване на протеиновите структури. Броят и качеството на целевите протеинови структури допълнително ограничават тяхното приложение за идентифициране на лекарствени цели.

Относно ученето

В настоящото изследване изследователите са използвали наскоро пуснатата база данни за предсказване на протеинова структура AlphaFold2, за да позволят подходи за обратно докингване, които обхващат основния протеом на Escherichia coli (E. coli) и дават възможност за цялостно предсказване на целите за свързване на антибиотици. Тези експерименти биха могли да помогнат за оценка на ефективността на платформата за моделиране и да разкрият точността на прогнозиране на AlphaFold2 активирани молекулярни докинг симулации.

Предсказаните взаимодействия протеин-лиганд между антибиотици и основни протеини могат да бъдат частично разпитани експериментално с помощта на биохимични анализи, които измерват ензимната активност, със свързващи взаимодействия, подкрепени от ензимно инхибиране.

Изследователите проведоха скрининг с висока производителност на 39 128 съединения за инхибиране на растежа срещу див тип E. coli. Тези съединения са естествени продукти, антибиотици и структурно разнообразни молекули с молекулно тегло между 40 Далтона (Da) и 4200 Da. Всички съединения, които инхибират относителния растеж с 80%, се считат за активни и всяко активно съединение е изчислително свързано с 296 AlphaFold2-предсказани есенциални протеоми на E. coli.

Като контрола, подгрупа от неактивните съединения беше закачена по същия начин. Изследователите са използвали AutoDock Vina, широко използвана докинг програма с отворен код с бенчмаркинг, за да свържат всичките 218 съединения срещу 296 AlphaFold2-прогнозирани основни протеоми. Тези симулации предвиждат както специфични, така и широко разпространени взаимодействия протеин-лиганд и протеинов промискуитет. И накрая, изследователите оцениха прогнозите, използвайки четири базирани на машинно обучение точкуващи функции (SF), а именно RF резултат, RF резултат-VS, резултат за разширена свързаност на протеин-лиган (PLEC) и резултат от невронни мрежи (NN).

Резултати от изследването

Електронна книга по генетика и геномика

Компилация от най-добрите интервюта, статии и новини от последната година.

Изтеглете копие днес

Общо 218 антибактериални съединения са активни срещу Е. coli и приблизително 80% са антибиотици от структурните класове β-лактами, аминогликозиди, тетрациклини, хинолони и поликетиди. Останалите активни съставки се състоят от токсини и антинеопластични съединения. Проучването също така идентифицира допълнителен набор от съединения, чиито антибактериални свойства срещу E. coli не са били документирани преди това.

По същия начин, анализът на изследването прогнозира позицията на свързване и афинитета на свързване на 64 528 двойки протеин-лиганд. Допълнителни 100 произволно избрани неактивни съединения доведоха до предсказания за поза на свързване и афинитет за 29 600 двойки протеин-лиганд чрез аналогови докинг симулации. В допълнение, изследователите измерват ензимната активност на няколко протеина на E. coli, участващи в репликацията, транскрипцията и синтеза на клетъчната стена на дезоксирибонуклеинова киселина (ДНК).

Интересното е, че няколко протеинови молекули инхибират ензимно всяко идентифицирано антибактериално съединение, потвърждавайки обширната промискуитет. Това явление също позволи сравняване на производителността на модела в статистически значим мащаб.

Изследователите широко сравняват експериментални данни за взаимодействия протеин-лиганд с in silico прогнози, за да покажат, че този моделиращ подход има точност на прогнозиране между 41% и 73%, в зависимост от използвания праг на афинитет на свързване. Независимо от прага на афинитета на свързване, площта под кривата на работната характеристика на приемника (auROC) в основните протеини е средно 0,48.

Забележително е, че производителността на модела остава сходна дори когато изследователите използват експериментално специфични протеинови структури. Ако се приеме, че случаен модел съответства на auROC от 0,5, тези резултати показват, че симулациите на молекулярно докинг се представят лошо.

Авторите откриха дълбоко подобрение в представянето на модела, измерено от auROC, с RF-резултат, RF-резултат-VS и NN-резултат. Обратно, производителността на модела не се подобри, когато се използва DOCK6.9 и повторното оценяване се извършва с помощта на PLEC резултата. Освен това консенсусните модели, които включват множество SF, базирани на машинно обучение, подобриха съотношението между истински положителен процент и фалшиво положителен процент и точността на прогнозата.

Изводи

Настоящото проучване показа, че използването на AlphaFold2 за прогнозиране на лекарствени цели е обещаващ метод, но все още е в начален етап. Съответно, реализирането на неговия потенциал за откриване на лекарства ще изисква значителни подобрения в моделирането на взаимодействията протеин-лиганд. Сравняването на ефективността на симулациите на молекулярно докинг е един от жизнеспособните начини за подобряване на точността на прогнозиране; въпреки това изисква съпътстващо използване на подходи, базирани на машинно обучение. Като цяло, резултатите от проучването биха могли да информират за подходящата употреба на AlphaFold2 в изследванията на лекарствата.

Справка:

• Benchmarking von AlphaFold-fähigen molekularen Docking-Vorhersagen für die Entdeckung von Antibiotika, Felix Wong, Aarti Krishnan, Erica J. Zheng, Hannes Stärk, Abigail L. Manson, Ashlee M. Earl, Tommi Jaakkola, James J. Collins. Molekulare Systembiologie. doi: https://doi.org/10.15252/msb.202211081 https://www.embopress.org/doi/full/10.15252/msb.202211081

.