Použití simulací molekulárního dokování s podporou AlphaFold2 k predikci interakcí protein-ligand pro objev antibiotik

Použití simulací molekulárního dokování s podporou AlphaFold2 k predikci interakcí protein-ligand pro objev antibiotik

V nedávno publikované studii v Biologie molekulárních systémů výzkumníci ukázali, že k lepšímu využití AlphaFold2 pro objevování antibiotik je zapotřebí pokroků v modelování interakcí protein-ligand pomocí přístupů založených na strojovém učení.

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

pozadí

Hlavní výzvou při objevování léků je identifikace interakcí lék-cíl. Výzkumníci vyvinuli několik přístupů k řešení tohoto problému, včetně biochemických testů, genetických interakcí a molekulárního dokování. Pouze molekulární dokování se však ukázalo jako užitečné pro identifikaci interakcí protein-ligand a mechanismu(ů) účinku léčiva.

Ačkoli je dokování všestranné, vyžaduje předchozí znalost proteinových struktur. Počet a kvalita cílových proteinových struktur dále omezuje jejich použití pro identifikaci cílů léčiv.

O studiu

V této studii výzkumníci využili nedávno zveřejněnou databázi pro predikci proteinové struktury AlphaFold2, aby umožnili reverzní dokovací přístupy, které pokrývají základní proteom Escherichia coli (E. coli) a umožňují komplexní predikci cílů vazby antibiotik. Tyto experimenty by mohly pomoci vyhodnotit výkon modelovací platformy a odhalit přesnost předpovědi simulací molekulárního dokování s podporou AlphaFold2.

Předpokládané interakce protein-ligand mezi antibiotiky a esenciálními proteiny by mohly být částečně experimentálně zkoumány pomocí biochemických testů, které měří enzymatickou aktivitu, přičemž vazebné interakce jsou podporovány enzymatickou inhibicí.

Výzkumníci provedli vysoce výkonné screeningy 39 128 sloučenin inhibujících růst proti divokému typu E. coli. Tyto sloučeniny byly přírodní produkty, antibiotika a strukturně odlišné molekuly s molekulovou hmotností mezi 40 Daltony (Da) a 4200 Da. Všechny sloučeniny, které inhibovaly relativní růst o 80 %, byly považovány za aktivní a každá aktivní sloučenina byla výpočtově připojena k 296 esenciálním proteomům E. coli předpovězeným AlphaFold2.

Jako kontrola byla stejným způsobem připojena podskupina neaktivních sloučenin. Výzkumníci použili AutoDock Vina, široce používaný open-source dokovací program s benchmarkingem, k dokování všech 218 sloučenin proti 296 základním proteomům předpovídaným AlphaFold2. Tyto simulace předpovídaly jak specifické, tak rozšířené interakce protein-ligand a proteinovou promiskuitu. Nakonec výzkumníci vyhodnotili předpovědi pomocí čtyř skórovacích funkcí (SF) založených na strojovém učení, konkrétně RF skóre, RF skóre-VS, skóre protein-ligan rozšířené konektivity (PLEC) a skóre neuronové sítě (NN).

Výsledky studie

Elektronická kniha Genetika a genomika

Kompilace top rozhovorů, článků a novinek za poslední rok.

Stáhněte si kopii ještě dnes

Proti E. coli bylo účinných celkem 218 antibakteriálních látek a přibližně 80 % tvořila antibiotika strukturních tříd β-laktam, aminoglykosidy, tetracykliny, chinolony a polyketidy. Zbývající aktivní složky se skládaly z toxinů a antineoplastických sloučenin. Studie také identifikovala další sadu sloučenin, jejichž antibakteriální vlastnosti proti E. coli nebyly dříve zdokumentovány.

Podobně analýza studie předpověděla vazebnou polohu a vazebnou afinitu 64 528 párů protein-ligand. Dalších 100 náhodně vybraných neaktivních sloučenin vedlo k předpovědím pozice vazby a afinity pro 29 600 párů protein-ligand prostřednictvím simulací analogového dokování. Kromě toho vědci měřili enzymatickou aktivitu několika proteinů E. coli, které se podílejí na replikaci, transkripci a syntéze buněčné stěny deoxyribonukleové kyseliny (DNA).

Je zajímavé, že několik proteinových molekul enzymaticky inhibovalo každou identifikovanou antibakteriální sloučeninu, což potvrzuje rozsáhlou promiskuitu. Tento jev také umožnil benchmarking výkonnosti modelu ve statisticky významném měřítku.

Výzkumníci rozsáhle porovnávali experimentální data interakcí protein-ligand s in silico předpověďmi, aby ukázali, že tento modelovací přístup měl přesnost předpovědi mezi 41 % a 73 %, v závislosti na použitém prahu vazebné afinity. Bez ohledu na práh vazebné afinity byla plocha pod křivkou operační charakteristiky přijímače (auROC) napříč esenciálními proteiny v průměru 0,48.

Je pozoruhodné, že výkon modelu zůstal podobný, i když výzkumníci experimentálně použili specifické proteinové struktury. Za předpokladu, že náhodný model odpovídá auROC 0,5, tyto výsledky ukázaly, že simulace molekulárního dokování fungovaly špatně.

Autoři zjistili hluboké zlepšení výkonu modelu měřeného pomocí auROC s RF-skóre, RF-skóre-VS a NN-skóre. Naopak výkonnost modelu se nezlepšila, když byl použit DOCK6.9 a bylo provedeno opětovné hodnocení pomocí skóre PLEC. Kromě toho konsenzuální modely, které zahrnovaly více SF založených na strojovém učení, zlepšily poměr mezi skutečnými pozitivními a falešnými pozitivními výsledky a přesnost předpovědí.

Závěry

Současná studie ukázala, že použití AlphaFold2 k predikci cílů léků je slibná metoda, ale je stále v raných fázích. V souladu s tím bude realizace jeho potenciálu pro objevování léčiv vyžadovat významná zlepšení v modelování interakcí protein-ligand. Srovnávání výkonu simulací molekulárního dokování je jedním ze schůdných způsobů, jak zlepšit přesnost předpovědí; vyžaduje však doprovodné použití přístupů založených na strojovém učení. Celkově by výsledky studie mohly informovat o vhodném použití AlphaFold2 ve výzkumu léků.

Odkaz:

• 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

.