Η χρήση προσομοιώσεων μοριακής σύνδεσης με δυνατότητα AlphaFold2 για την πρόβλεψη αλληλεπιδράσεων πρωτεΐνης-συνδέτη για ανακάλυψη αντιβιοτικών

Η χρήση προσομοιώσεων μοριακής σύνδεσης με δυνατότητα AlphaFold2 για την πρόβλεψη αλληλεπιδράσεων πρωτεΐνης-συνδέτη για ανακάλυψη αντιβιοτικών

Σε μια πρόσφατα δημοσιευμένη μελέτη στο Βιολογία μοριακών συστημάτων Οι ερευνητές έδειξαν ότι απαιτούνται πρόοδοι στη μοντελοποίηση αλληλεπιδράσεων πρωτεΐνης-συνδέτη χρησιμοποιώντας προσεγγίσεις που βασίζονται στη μηχανική μάθηση για την καλύτερη χρήση του AlphaFold2 για την ανακάλυψη αντιβιοτικών.

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

φόντο

Μια σημαντική πρόκληση στην ανακάλυψη φαρμάκων είναι ο προσδιορισμός των αλληλεπιδράσεων φαρμάκου-στόχου. Οι ερευνητές έχουν αναπτύξει διάφορες προσεγγίσεις για την αντιμετώπιση αυτού του προβλήματος, συμπεριλαμβανομένων των βιοχημικών αναλύσεων, των γενετικών αλληλεπιδράσεων και της μοριακής σύνδεσης. Ωστόσο, μόνο η μοριακή σύνδεση έχει αποδειχθεί χρήσιμη για τον εντοπισμό αλληλεπιδράσεων πρωτεΐνης-συνδέτη και του μηχανισμού(ων) δράσης ενός φαρμάκου.

Αν και ευέλικτο, η σύνδεση απαιτεί προηγούμενη γνώση των πρωτεϊνικών δομών. Ο αριθμός και η ποιότητα των πρωτεϊνικών δομών-στόχων περιορίζουν περαιτέρω την εφαρμογή τους για την αναγνώριση στόχων φαρμάκων.

Σχετικά με τη μελέτη

Στην παρούσα μελέτη, οι ερευνητές χρησιμοποίησαν τη βάση δεδομένων πρόβλεψης πρωτεϊνικής δομής AlphaFold2 που κυκλοφόρησε πρόσφατα για να επιτρέψουν προσεγγίσεις αντίστροφης σύνδεσης που καλύπτουν το βασικό πρωτεόμιο του Escherichia coli (E. coli) και επιτρέπουν ολοκληρωμένη πρόβλεψη στόχων δέσμευσης αντιβιοτικών. Αυτά τα πειράματα θα μπορούσαν να βοηθήσουν στην αξιολόγηση της απόδοσης της πλατφόρμας μοντελοποίησης και να αποκαλύψουν την ακρίβεια πρόβλεψης των προσομοιώσεων μοριακής σύνδεσης με δυνατότητα AlphaFold2.

Οι προβλεπόμενες αλληλεπιδράσεις πρωτεΐνης-προσδέματος μεταξύ αντιβιοτικών και βασικών πρωτεϊνών θα μπορούσαν να διερευνηθούν εν μέρει πειραματικά χρησιμοποιώντας βιοχημικές δοκιμασίες που μετρούν την ενζυματική δραστηριότητα, με αλληλεπιδράσεις δέσμευσης που υποστηρίζονται από ενζυματική αναστολή.

Οι ερευνητές διεξήγαγαν οθόνες υψηλής απόδοσης 39.128 ενώσεων αναστολής της ανάπτυξης έναντι άγριου τύπου E. coli. Αυτές οι ενώσεις ήταν φυσικά προϊόντα, αντιβιοτικά και δομικά διαφορετικά μόρια με μοριακά βάρη μεταξύ 40 Daltons (Da) και 4.200 Da. Όλες οι ενώσεις που ανέστειλαν τη σχετική ανάπτυξη κατά 80% θεωρήθηκαν ενεργές και κάθε δραστική ένωση προσαρτήθηκε υπολογιστικά σε 296 προβλεπόμενα από το AlphaFold2 βασικά πρωτεώματα E. coli.

Ως έλεγχος, ένα υποσύνολο των ανενεργών ενώσεων προσαρτήθηκε με τον ίδιο τρόπο. Οι ερευνητές χρησιμοποίησαν το AutoDock Vina, ένα ευρέως χρησιμοποιούμενο πρόγραμμα σύνδεσης ανοιχτού κώδικα με συγκριτική αξιολόγηση, για να συνδέσουν και τις 218 ενώσεις έναντι των 296 απαραίτητων πρωτεωμάτων που προβλέπει το AlphaFold2. Αυτές οι προσομοιώσεις προέβλεψαν τόσο συγκεκριμένες όσο και ευρέως διαδεδομένες αλληλεπιδράσεις πρωτεΐνης-προσδέματος και την ακαταστασία πρωτεΐνης. Τέλος, οι ερευνητές αξιολόγησαν τις προβλέψεις χρησιμοποιώντας τέσσερις συναρτήσεις βαθμολόγησης που βασίζονται στη μηχανική μάθηση (SFs), δηλαδή τη βαθμολογία RF, τη βαθμολογία RF-VS, τη βαθμολογία εκτεταμένης συνδεσιμότητας πρωτεΐνης-ligan (PLEC) και τη βαθμολογία νευρικού δικτύου (NN).

Αποτελέσματα μελέτης

Ηλεκτρονικό βιβλίο Γενετικής & Γονιδιωματικής

Συγκέντρωση των κορυφαίων συνεντεύξεων, άρθρων και ειδήσεων του περασμένου έτους.

Κάντε λήψη ενός αντιγράφου σήμερα

Συνολικά 218 αντιβακτηριακές ενώσεις ήταν δραστικές κατά του E. coli και περίπου το 80% ήταν αντιβιοτικά των δομικών τάξεων β-λακτάμης, αμινογλυκοσίδες, τετρακυκλίνες, κινολόνες και πολυκετίδια. Τα υπόλοιπα ενεργά συστατικά αποτελούνταν από τοξίνες και αντινεοπλασματικές ενώσεις. Η μελέτη εντόπισε επίσης ένα επιπλέον σύνολο ενώσεων των οποίων οι αντιβακτηριακές ιδιότητες έναντι του E. coli δεν έχουν τεκμηριωθεί προηγουμένως.

Ομοίως, η ανάλυση της μελέτης προέβλεψε τη θέση δέσμευσης και τη συγγένεια δέσμευσης 64.528 ζευγών πρωτεΐνης-συνδέτη. Επιπλέον 100 τυχαία επιλεγμένες ανενεργές ενώσεις οδήγησαν σε προβλέψεις πόζας δέσμευσης και συγγένειας για 29.600 ζεύγη πρωτεΐνης-συνδέτη μέσω αναλογικών προσομοιώσεων σύνδεσης. Επιπλέον, οι ερευνητές μέτρησαν την ενζυματική δραστηριότητα αρκετών πρωτεϊνών E. coli που εμπλέκονται στην αντιγραφή, τη μεταγραφή και τη σύνθεση του κυτταρικού τοιχώματος του δεοξυριβονουκλεϊκού οξέος (DNA).

Είναι ενδιαφέρον ότι αρκετά μόρια πρωτεΐνης ανέστειλαν ενζυματικά κάθε αναγνωρισμένη αντιβακτηριακή ένωση, επιβεβαιώνοντας την εκτεταμένη ασωτία. Αυτό το φαινόμενο επέτρεψε επίσης τη συγκριτική αξιολόγηση της απόδοσης του μοντέλου σε στατιστικά σημαντική κλίμακα.

Οι ερευνητές συνέκριναν εκτενώς πειραματικά δεδομένα αλληλεπιδράσεων πρωτεΐνης-συνδέτη με προβλέψεις in silico για να δείξουν ότι αυτή η προσέγγιση μοντελοποίησης είχε ακρίβεια πρόβλεψης μεταξύ 41% και 73%, ανάλογα με το όριο συνάφειας δέσμευσης που χρησιμοποιήθηκε. Ανεξάρτητα από το όριο συγγένειας δέσμευσης, η περιοχή κάτω από τη χαρακτηριστική καμπύλη λειτουργίας του δέκτη (auROC) στις βασικές πρωτεΐνες ήταν κατά μέσο όρο 0,48.

Είναι αξιοσημείωτο ότι η απόδοση του μοντέλου παρέμεινε παρόμοια ακόμα και όταν οι ερευνητές χρησιμοποίησαν πειραματικά συγκεκριμένες πρωτεϊνικές δομές. Υποθέτοντας ότι ένα τυχαίο μοντέλο αντιστοιχεί σε auROC 0,5, αυτά τα αποτελέσματα έδειξαν ότι οι προσομοιώσεις μοριακής σύνδεσης δεν είχαν καλή απόδοση.

Οι συγγραφείς βρήκαν μια βαθιά βελτίωση στην απόδοση του μοντέλου όπως μετρήθηκε από το auROC, με RF-score, RF-score-VS και NN-score. Αντίθετα, η απόδοση του μοντέλου δεν βελτιώθηκε όταν χρησιμοποιήθηκε το DOCK6.9 και η επαναβαθμολόγηση πραγματοποιήθηκε χρησιμοποιώντας τη βαθμολογία PLEC. Επιπλέον, τα μοντέλα συναίνεσης που περιελάμβαναν πολλαπλά SF που βασίζονται σε μηχανική μάθηση βελτίωσαν την αναλογία πραγματικού θετικού προς ψευδώς θετικού ποσοστού και την ακρίβεια πρόβλεψης.

συμπεράσματα

Η τρέχουσα μελέτη έδειξε ότι η χρήση του AlphaFold2 για την πρόβλεψη στόχων φαρμάκων είναι μια πολλά υποσχόμενη μέθοδος, αλλά βρίσκεται ακόμα στα αρχικά της στάδια. Κατά συνέπεια, η συνειδητοποίηση των δυνατοτήτων του για ανακάλυψη φαρμάκων θα απαιτήσει σημαντικές βελτιώσεις στη μοντελοποίηση των αλληλεπιδράσεων πρωτεΐνης-συνδέτη. Η συγκριτική αξιολόγηση της απόδοσης των προσομοιώσεων μοριακής σύνδεσης είναι ένας από τους βιώσιμους τρόπους βελτίωσης της ακρίβειας πρόβλεψης. Ωστόσο, απαιτεί τη συνοδευτική χρήση προσεγγίσεων που βασίζονται στη μηχανική μάθηση. Συνολικά, τα αποτελέσματα της μελέτης θα μπορούσαν να πληροφορήσουν την κατάλληλη χρήση του AlphaFold2 στην έρευνα για τα φάρμακα.

Αναφορά:

• 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

.