L'uso di simulazioni di docking molecolare abilitate per AlphaFold2 per prevedere le interazioni proteina-ligando per la scoperta di antibiotici

L'uso di simulazioni di docking molecolare abilitate per AlphaFold2 per prevedere le interazioni proteina-ligando per la scoperta di antibiotici

In uno studio recentemente pubblicato su Biologia dei sistemi molecolari i ricercatori hanno dimostrato che sono necessari progressi nella modellazione delle interazioni proteina-ligando utilizzando approcci basati sull’apprendimento automatico per utilizzare meglio AlphaFold2 per la scoperta di antibiotici.

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

sfondo

Una delle sfide più importanti nella scoperta dei farmaci è l’identificazione delle interazioni farmaco-bersaglio. I ricercatori hanno sviluppato diversi approcci per affrontare questo problema, tra cui analisi biochimiche, interazioni genetiche e docking molecolare. Tuttavia, solo il docking molecolare si è dimostrato utile per identificare le interazioni proteina-ligando e i meccanismi d'azione di un farmaco.

Sebbene versatile, il docking richiede una conoscenza preliminare delle strutture proteiche. Il numero e la qualità delle strutture proteiche bersaglio limitano ulteriormente la loro applicazione per identificare i bersagli farmacologici.

A proposito di studiare

Nel presente studio, i ricercatori hanno utilizzato il database di previsione della struttura proteica AlphaFold2 recentemente rilasciato per consentire approcci di reverse docking che abbracciano il proteoma essenziale di Escherichia coli (E. coli) e consentono una previsione completa dei bersagli di legame degli antibiotici. Questi esperimenti potrebbero contribuire a valutare le prestazioni della piattaforma di modellazione e rivelare l'accuratezza della previsione delle simulazioni di docking molecolare abilitate per AlphaFold2.

Le previste interazioni proteina-ligando tra antibiotici e proteine ​​essenziali potrebbero essere parzialmente interrogate sperimentalmente utilizzando test biochimici che misurano l'attività enzimatica, con interazioni di legame supportate dall'inibizione enzimatica.

I ricercatori hanno condotto screening ad alto rendimento di 39.128 composti di inibizione della crescita contro l'E. coli di tipo selvaggio. Questi composti erano prodotti naturali, antibiotici e molecole strutturalmente diverse con pesi molecolari compresi tra 40 Dalton (Da) e 4.200 Da. Tutti i composti che hanno inibito la crescita relativa dell'80% sono stati considerati attivi e ciascun composto attivo è stato ancorato computazionalmente a 296 proteomi essenziali di E. coli previsti da AlphaFold2.

Come controllo, un sottoinsieme dei composti inattivi è stato ancorato allo stesso modo. I ricercatori hanno utilizzato AutoDock Vina, un programma di docking open source ampiamente utilizzato con benchmarking, per agganciare tutti i 218 composti ai 296 proteomi essenziali previsti da AlphaFold2. Queste simulazioni hanno previsto interazioni proteina-ligando specifiche e diffuse e promiscuità proteica. Infine, i ricercatori hanno valutato le previsioni utilizzando quattro funzioni di punteggio basate sull’apprendimento automatico (SF), vale a dire punteggio RF, punteggio RF-VS, punteggio di connettività estesa del ligano proteico (PLEC) e punteggio della rete neurale (NN).

Risultati dello studio

eBook Genetica e genomica

Raccolta delle migliori interviste, articoli e notizie dell'ultimo anno.

Scarica una copia oggi

Un totale di 218 composti antibatterici erano attivi contro E. coli e circa l'80% erano antibiotici delle classi strutturali β-lattamici, aminoglicosidi, tetracicline, chinoloni e polichetidi. I restanti principi attivi erano costituiti da tossine e composti antineoplastici. Lo studio ha inoltre identificato un'ulteriore serie di composti le cui proprietà antibatteriche contro l'E. coli non erano state precedentemente documentate.

Allo stesso modo, l'analisi dello studio ha previsto la posizione di legame e l'affinità di legame di 64.528 coppie proteina-ligando. Altri 100 composti inattivi selezionati casualmente hanno portato a previsioni di posa e affinità di legame per 29.600 coppie proteina-ligando tramite simulazioni di docking analogiche. Inoltre, i ricercatori hanno misurato l'attività enzimatica di diverse proteine ​​di E. coli coinvolte nella replicazione, nella trascrizione e nella sintesi della parete cellulare dell'acido desossiribonucleico (DNA).

È interessante notare che diverse molecole proteiche hanno inibito enzimaticamente ciascun composto antibatterico identificato, confermando un’ampia promiscuità. Questo fenomeno ha consentito anche il benchmarking delle prestazioni del modello su una scala statisticamente significativa.

I ricercatori hanno confrontato ampiamente i dati sperimentali delle interazioni proteina-ligando con le previsioni in silico per dimostrare che questo approccio di modellazione aveva un'accuratezza di previsione compresa tra il 41% e il 73%, a seconda della soglia di affinità di legame utilizzata. Indipendentemente dalla soglia di affinità di legame, l'area sotto la curva caratteristica operativa del ricevitore (auROC) attraverso le proteine ​​essenziali era in media di 0,48.

Sorprendentemente, le prestazioni del modello sono rimaste simili anche quando i ricercatori hanno utilizzato sperimentalmente strutture proteiche specifiche. Supponendo che un modello casuale corrisponda a un auROC di 0,5, questi risultati hanno mostrato che le simulazioni di docking molecolare hanno funzionato male.

Gli autori hanno riscontrato un profondo miglioramento nelle prestazioni del modello misurate dall'auROC, con punteggio RF, punteggio RF-VS e punteggio NN. Al contrario, le prestazioni del modello non sono migliorate quando è stato utilizzato DOCK6.9 e il rescoring è stato eseguito utilizzando il punteggio PLEC. Inoltre, i modelli di consenso che includevano più SF basati sull’apprendimento automatico hanno migliorato il rapporto tra tasso di veri positivi e tasso di falsi positivi e l’accuratezza della previsione.

Conclusioni

L’attuale studio ha dimostrato che l’utilizzo di AlphaFold2 per prevedere i bersagli farmacologici è un metodo promettente, ma è ancora nelle fasi iniziali. Di conseguenza, realizzare il suo potenziale per la scoperta di farmaci richiederà miglioramenti significativi nella modellazione delle interazioni proteina-ligando. Il benchmarking delle prestazioni delle simulazioni di docking molecolare è uno dei modi praticabili per migliorare l'accuratezza delle previsioni; tuttavia, richiede l’uso concomitante di approcci basati sull’apprendimento automatico. Nel complesso, i risultati dello studio potrebbero orientare l’uso appropriato di AlphaFold2 nella ricerca sui farmaci.

Riferimento:

• 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

.