Suche
Mein Konto
Het gebruik van AlphaFold2-compatibele moleculaire docking-simulaties om eiwit-ligand-interacties te voorspellen voor de ontdekking van antibiotica
In een recente studie gepubliceerd in Molecular Systems Biology hebben onderzoekers aangetoond dat vooruitgang in het modelleren van eiwit-ligand-interacties met behulp van op machine learning gebaseerde benaderingen nodig zijn om AlphaFold2 beter te kunnen gebruiken voor het ontdekken van antibiotica. Leren: benchmarking van door AlphaFold ondersteunde moleculaire docking-voorspellingen voor de ontdekking van antibiotica. Afbeelding tegoed: Jaromond/Shutterstock Achtergrond Een grote uitdaging bij de ontdekking van geneesmiddelen is de identificatie van interacties tussen geneesmiddelen. Onderzoekers hebben verschillende benaderingen ontwikkeld om dit probleem aan te pakken, waaronder biochemische testen, genetische interacties en moleculaire koppeling. Alleen moleculaire koppeling is echter nuttig gebleken voor het identificeren van eiwit-ligand-interacties en de werkingsmechanismen van een medicijn. Hoewel veelzijdig, vereist...
Het gebruik van AlphaFold2-compatibele moleculaire docking-simulaties om eiwit-ligand-interacties te voorspellen voor de ontdekking van antibiotica
Uit een onlangs gepubliceerd onderzoek in Moleculaire systeembiologie de onderzoekers toonden aan dat vooruitgang in het modelleren van eiwit-ligand-interacties met behulp van op machine learning gebaseerde benaderingen nodig zijn om AlphaFold2 beter te kunnen gebruiken voor het ontdekken van antibiotica.
Lernen: Benchmarking AlphaFold-fähiger molekularer Docking-Vorhersagen für die Entdeckung von Antibiotika. Bildnachweis: Jaromond/Shutterstock
achtergrond
Een grote uitdaging bij het ontdekken van geneesmiddelen is de identificatie van interacties tussen geneesmiddelen. Onderzoekers hebben verschillende benaderingen ontwikkeld om dit probleem aan te pakken, waaronder biochemische testen, genetische interacties en moleculaire koppeling. Alleen moleculaire koppeling is echter nuttig gebleken voor het identificeren van eiwit-ligand-interacties en de werkingsmechanismen van een medicijn.
Hoewel veelzijdig, vereist docking voorafgaande kennis van eiwitstructuren. Het aantal en de kwaliteit van doeleiwitstructuren beperken hun toepassing voor het identificeren van medicijndoelen verder.
Over studeren
In de huidige studie gebruikten onderzoekers de onlangs vrijgegeven AlphaFold2-database voor het voorspellen van de eiwitstructuur om reverse docking-benaderingen mogelijk te maken die het essentiële proteoom van Escherichia coli (E. coli) omvatten en uitgebreide voorspelling van antibioticabindende doelen mogelijk te maken. Deze experimenten zouden kunnen helpen bij het evalueren van de prestaties van het modelleringsplatform en het onthullen van de voorspellingsnauwkeurigheid van AlphaFold2-compatibele moleculaire docking-simulaties.
De voorspelde eiwit-ligand-interacties tussen antibiotica en essentiële eiwitten kunnen gedeeltelijk experimenteel worden ondervraagd met behulp van biochemische testen die de enzymatische activiteit meten, waarbij bindingsinteracties worden ondersteund door enzymatische remming.
De onderzoekers voerden high-throughput screenings uit van 39.128 groeiremmende verbindingen tegen wildtype E. coli. Deze verbindingen waren natuurlijke producten, antibiotica en structureel diverse moleculen met molecuulgewichten tussen 40 Dalton (Da) en 4.200 Da. Alle verbindingen die de relatieve groei met 80% remden, werden als actief beschouwd, en elke actieve verbinding werd computationeel gekoppeld aan 296 AlphaFold2-voorspelde essentiële proteomen van E. coli.
Ter controle werd een subset van de inactieve verbindingen op dezelfde manier gekoppeld. De onderzoekers gebruikten AutoDock Vina, een veelgebruikt open-source dockingprogramma met benchmarking, om alle 218 verbindingen te koppelen aan de 296 door AlphaFold2 voorspelde essentiële proteomen. Deze simulaties voorspelden zowel specifieke als wijdverspreide eiwit-ligand-interacties en promiscuïteit van eiwitten. Ten slotte evalueerden onderzoekers voorspellingen met behulp van vier op machine learning gebaseerde scorefuncties (SF's), namelijk RF-score, RF-score-VS, eiwit-ligan uitgebreide connectiviteitsscore (PLEC) en neurale netwerkscore (NN).
Studieresultaten
Genetica en genomica eBook
Compilatie van de beste interviews, artikelen en nieuws van het afgelopen jaar.
Download vandaag nog een exemplaar
In totaal waren 218 antibacteriële verbindingen actief tegen E. coli, en ongeveer 80% waren antibiotica van de structurele klassen β-lactam, aminoglycosiden, tetracyclines, chinolonen en polyketiden. De overige actieve ingrediënten bestonden uit toxines en antineoplastische verbindingen. De studie identificeerde ook een extra reeks verbindingen waarvan de antibacteriële eigenschappen tegen E. coli nog niet eerder zijn gedocumenteerd.
Op dezelfde manier voorspelde de onderzoeksanalyse de bindingspositie en bindingsaffiniteit van 64.528 eiwit-ligandparen. Nog eens 100 willekeurig geselecteerde inactieve verbindingen leidden tot voorspellingen van de bindingspositie en affiniteit voor 29.600 eiwit-ligandparen via analoge docking-simulaties. Daarnaast maten de onderzoekers de enzymatische activiteit van verschillende E. coli-eiwitten die betrokken zijn bij de deoxyribonucleïnezuur (DNA) replicatie, transcriptie en celwandsynthese.
Interessant genoeg remden verschillende eiwitmoleculen enzymatisch elke geïdentificeerde antibacteriële verbinding, wat een uitgebreide promiscuïteit bevestigde. Dit fenomeen maakte het ook mogelijk om de prestaties van modellen op statistisch significante schaal te benchmarken.
De onderzoekers vergeleken experimentele gegevens van eiwit-ligand-interacties uitgebreid met in silico-voorspellingen om aan te tonen dat deze modelleringsaanpak een voorspellingsnauwkeurigheid had tussen 41% en 73%, afhankelijk van de gebruikte bindingsaffiniteitsdrempel. Ongeacht de bindingsaffiniteitsdrempel was het gebied onder de receiver operating karakteristieke curve (auROC) over de essentiële eiwitten gemiddeld 0,48.
Opmerkelijk genoeg bleven de prestaties van het model vergelijkbaar, zelfs wanneer onderzoekers experimenteel specifieke eiwitstructuren gebruikten. Ervan uitgaande dat een willekeurig model overeenkomt met een auROC van 0,5, toonden deze resultaten aan dat moleculaire docking-simulaties slecht presteerden.
De auteurs vonden een diepgaande verbetering in de prestaties van het model zoals gemeten door de auROC, met RF-score, RF-score-VS en NN-score. Omgekeerd verbeterden de modelprestaties niet wanneer DOCK6.9 werd gebruikt en de herscore werd uitgevoerd met behulp van de PLEC-score. Bovendien verbeterden consensusmodellen die meerdere op machine learning gebaseerde SF's omvatten de verhouding tussen echt positieve cijfers en fout-positieve cijfers en de nauwkeurigheid van de voorspelling.
Conclusies
De huidige studie heeft aangetoond dat het gebruik van AlphaFold2 om medicijndoelen te voorspellen een veelbelovende methode is, maar zich nog in de beginfase bevindt. Dienovereenkomstig zal het realiseren van het potentieel voor de ontdekking van geneesmiddelen aanzienlijke verbeteringen vereisen in het modelleren van eiwit-ligand-interacties. Het benchmarken van de prestaties van moleculaire docking-simulaties is een van de haalbare manieren om de nauwkeurigheid van de voorspelling te verbeteren; het vereist echter het begeleidende gebruik van op machine learning gebaseerde benaderingen. Over het geheel genomen kunnen de onderzoeksresultaten informatie opleveren over het juiste gebruik van AlphaFold2 in geneesmiddelenonderzoek.
Referentie:
- 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
.