Ar AlphaFold2 iespējotu molekulārās dokstacijas simulāciju izmantošana, lai prognozētu olbaltumvielu un ligandu mijiedarbību antibiotiku atklāšanai

Ar AlphaFold2 iespējotu molekulārās dokstacijas simulāciju izmantošana, lai prognozētu olbaltumvielu un ligandu mijiedarbību antibiotiku atklāšanai

Nesen publicētā pētījumā Molekulāro sistēmu bioloģija pētnieki parādīja, ka ir nepieciešami sasniegumi proteīnu un ligandu mijiedarbības modelēšanā, izmantojot uz mašīnmācīšanos balstītas pieejas, lai labāk izmantotu AlphaFold2 antibiotiku atklāšanai.

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

fons

Lielākais izaicinājums zāļu atklāšanā ir zāļu mērķa mijiedarbības noteikšana. Pētnieki ir izstrādājuši vairākas pieejas šīs problēmas risināšanai, tostarp bioķīmiskos testus, ģenētisko mijiedarbību un molekulāro dokstaciju. Tomēr tikai molekulārā dokstacija ir izrādījusies noderīga, lai identificētu proteīnu un ligandu mijiedarbību un zāļu darbības mehānismu(s).

Lai gan dokstacija ir daudzpusīga, tai ir nepieciešamas iepriekšējas zināšanas par olbaltumvielu struktūrām. Mērķa proteīnu struktūru skaits un kvalitāte vēl vairāk ierobežo to pielietojumu zāļu mērķu identificēšanai.

Par mācībām

Šajā pētījumā pētnieki izmantoja nesen atbrīvoto AlphaFold2 proteīna struktūras prognozēšanas datu bāzi, lai nodrošinātu reversās dokstacijas pieejas, kas aptver Escherichia coli (E. coli) būtisko proteomu un ļautu visaptveroši prognozēt antibiotiku saistīšanās mērķus. Šie eksperimenti varētu palīdzēt novērtēt modelēšanas platformas veiktspēju un atklāt AlphaFold2 iespējoto molekulārās dokstacijas simulāciju prognozēšanas precizitāti.

Paredzamās proteīnu-ligandu mijiedarbības starp antibiotikām un būtiskām olbaltumvielām var daļēji izmeklēt eksperimentāli, izmantojot bioķīmiskos testus, kas mēra fermentatīvo aktivitāti, saistīšanās mijiedarbību, ko atbalsta enzīmu inhibīcija.

Pētnieki veica augstas caurlaidības ekrānus ar 39 128 augšanu kavējošiem savienojumiem pret savvaļas tipa E. coli cauri. Šie savienojumi bija dabiski produkti, antibiotikas un strukturāli daudzveidīgas molekulas ar molekulmasu no 40 daltoniem (Da) līdz 4200 Da. Visi savienojumi, kas inhibēja relatīvo augšanu par 80%, tika uzskatīti par aktīviem, un katrs aktīvais savienojums tika skaitļošanas veidā savienots ar 296 AlphaFold2 paredzētām E. coli būtiskām proteomām.

Kontrolei neaktīvo savienojumu apakškopa tika piestiprināta tādā pašā veidā. Pētnieki izmantoja AutoDock Vina, plaši izmantotu atvērtā koda dokstacijas programmu ar etalonuzdevumu, lai savienotu visus 218 savienojumus pret 296 AlphaFold2 paredzētajiem būtiskajiem proteomiem. Šīs simulācijas paredzēja gan specifiskas, gan plaši izplatītas olbaltumvielu un ligandu mijiedarbības un proteīnu izlaidību. Visbeidzot, pētnieki novērtēja prognozes, izmantojot četras uz mašīnmācīšanos balstītas vērtēšanas funkcijas (SF), proti, RF rezultātu, RF score-VS, proteīna-ligāna paplašinātās savienojamības (PLEC) punktu un neironu tīkla (NN) punktu.

Studiju rezultāti

Ģenētika un genomika e-grāmata

Pagājušā gada populārāko interviju, rakstu un ziņu apkopojums.

Lejupielādējiet kopiju šodien

Kopumā 218 antibakteriālie savienojumi bija aktīvi pret E. coli, un aptuveni 80% bija β-laktāma, aminoglikozīdu, tetraciklīnu, hinolonu un poliketīdu strukturālās klases antibiotikas. Atlikušās aktīvās sastāvdaļas sastāvēja no toksīniem un pretaudzēju savienojumiem. Pētījumā tika noteikts arī papildu savienojumu kopums, kuru antibakteriālās īpašības pret E. coli iepriekš nav dokumentētas.

Tāpat pētījuma analīzē tika prognozēta saistīšanās pozīcija un saistīšanās afinitāte 64 528 proteīna-ligandu pāriem. Papildu 100 nejauši atlasīti neaktīvi savienojumi, izmantojot analogās dokstacijas simulācijas, radīja saistīšanās pozas un afinitātes prognozes 29 600 proteīna-ligandu pāriem. Turklāt pētnieki izmērīja vairāku E. coli proteīnu fermentatīvo aktivitāti, kas iesaistīti dezoksiribonukleīnskābes (DNS) replikācijā, transkripcijā un šūnu sienas sintēzē.

Interesanti, ka vairākas olbaltumvielu molekulas fermentatīvi inhibēja katru identificēto antibakteriālo savienojumu, apstiprinot plašu izlaidību. Šī parādība arī ļāva veikt modeļa veiktspējas salīdzinošo novērtēšanu statistiski nozīmīgā mērogā.

Pētnieki plaši salīdzināja eksperimentālos datus par proteīnu un ligandu mijiedarbību ar in silico prognozēm, lai parādītu, ka šīs modelēšanas pieejas prognozēšanas precizitāte bija no 41% līdz 73%, atkarībā no izmantotā saistīšanās afinitātes sliekšņa. Neatkarīgi no saistīšanās afinitātes sliekšņa laukums zem uztvērēja darbības raksturlīknes (auROC) starp būtiskajām olbaltumvielām bija vidēji 0,48.

Jāatzīmē, ka modeļa veiktspēja saglabājās līdzīga pat tad, ja pētnieki eksperimentāli izmantoja īpašas olbaltumvielu struktūras. Pieņemot, ka izlases modelis atbilst auROC 0, 5, šie rezultāti parādīja, ka molekulārās dokstacijas simulācijas darbojās slikti.

Autori atklāja būtisku uzlabojumu modeļa veiktspējā, ko mēra ar auROC, ar RF-score, RF-score-VS un NN-score. Un otrādi, modeļa veiktspēja neuzlabojās, kad tika izmantots DOCK6.9 un atkārtota vērtēšana tika veikta, izmantojot PLEC rādītāju. Turklāt konsensa modeļi, kas ietvēra vairākus uz mašīnmācīšanos balstītus SF, uzlaboja patiesā pozitīvā un viltus pozitīvā ātruma attiecību un prognozēšanas precizitāti.

Secinājumi

Pašreizējais pētījums parādīja, ka AlphaFold2 izmantošana zāļu mērķu prognozēšanai ir daudzsološa metode, taču tā joprojām ir agrīnā stadijā. Attiecīgi, lai realizētu tā potenciālu zāļu atklāšanai, būs nepieciešami būtiski uzlabojumi olbaltumvielu un ligandu mijiedarbības modelēšanā. Molekulārās dokstacijas simulāciju veiktspējas salīdzinošā novērtēšana ir viens no dzīvotspējīgiem veidiem, kā uzlabot prognozēšanas precizitāti; tomēr tam ir nepieciešams līdztekus izmantot uz mašīnmācīšanos balstītas pieejas. Kopumā pētījuma rezultāti varētu sniegt informāciju par pareizu AlphaFold2 izmantošanu zāļu izpētē.

Atsauce:

• 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

.