Bruken av AlphaFold2-aktiverte molekylære dokkingsimuleringer for å forutsi protein-ligand-interaksjoner for oppdagelse av antibiotika

Bruken av AlphaFold2-aktiverte molekylære dokkingsimuleringer for å forutsi protein-ligand-interaksjoner for oppdagelse av antibiotika

I en nylig publisert studie i Molekylær systembiologi forskerne viste at fremskritt i modellering av protein-ligand-interaksjoner ved bruk av maskinlæringsbaserte tilnærminger er nødvendig for å bedre utnytte AlphaFold2 for å oppdage antibiotika.

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

bakgrunn

En stor utfordring i legemiddeloppdagelse er identifiseringen av interaksjoner mellom legemiddelmål. Forskere har utviklet flere tilnærminger for å løse dette problemet, inkludert biokjemiske analyser, genetiske interaksjoner og molekylær docking. Imidlertid har bare molekylær docking vist seg nyttig for å identifisere protein-ligand-interaksjoner og virkningsmekanismen(e) til et medikament.

Selv om det er allsidig, krever docking forkunnskaper om proteinstrukturer. Antallet og kvaliteten på målproteinstrukturer begrenser ytterligere deres anvendelse for å identifisere medikamentmål.

Om å studere

I denne studien brukte forskere den nylig utgitte AlphaFold2-proteinstrukturprediksjonsdatabasen for å muliggjøre omvendt docking-tilnærminger som spenner over det essensielle proteomet til Escherichia coli (E. coli) og muliggjør omfattende prediksjon av antibiotikabindingsmål. Disse eksperimentene kan bidra til å evaluere ytelsen til modelleringsplattformen og avsløre prediksjonsnøyaktigheten til AlphaFold2-aktiverte molekylære dokkingsimuleringer.

De forutsagte protein-ligand-interaksjonene mellom antibiotika og essensielle proteiner kan delvis avhøres eksperimentelt ved bruk av biokjemiske analyser som måler enzymatisk aktivitet, med bindingsinteraksjoner støttet av enzymatisk hemming.

Forskerne utførte høykapasitets skjerminger av 39 128 vekstinhiberingsforbindelser mot villtype E. coli gjennom. Disse forbindelsene var naturlige produkter, antibiotika og strukturelt forskjellige molekyler med molekylvekter mellom 40 Dalton (Da) og 4200 Da. Alle forbindelser som hemmet relativ vekst med 80 % ble ansett som aktive, og hver aktive forbindelse ble beregningsmessig koblet til 296 AlphaFold2-forutsagte E. coli essensielle proteomer.

Som en kontroll ble en undergruppe av de inaktive forbindelsene dokket på samme måte. Forskerne brukte AutoDock Vina, et mye brukt åpen kildekode-dokkingsprogram med benchmarking, for å dokke alle 218 forbindelsene mot de 296 AlphaFold2-forutsagte essensielle proteomene. Disse simuleringene spådde både spesifikke og utbredte protein-ligand-interaksjoner og proteinpromiskuitet. Til slutt evaluerte forskere spådommer ved å bruke fire maskinlæringsbaserte scoringsfunksjoner (SF-er), nemlig RF-score, RF-score-VS, protein-ligan extended connectivity (PLEC) poengsum og neuralt nettverk (NN) poengsum.

Studieresultater

Genetikk og genomikk e-bok

Sammenstilling av de beste intervjuene, artikler og nyheter fra det siste året.

Last ned en kopi i dag

Totalt 218 antibakterielle forbindelser var aktive mot E. coli, og omtrent 80 % var antibiotika av strukturklassene β-laktam, aminoglykosider, tetracykliner, kinoloner og polyketider. De resterende aktive ingrediensene besto av giftstoffer og antineoplastiske forbindelser. Studien identifiserte også et ekstra sett med forbindelser hvis antibakterielle egenskaper mot E. coli ikke tidligere er dokumentert.

På samme måte spådde studieanalysen bindingsposisjonen og bindingsaffiniteten til 64 528 protein-ligandpar. Ytterligere 100 tilfeldig utvalgte inaktive forbindelser førte til bindingsposisjon og affinitetsspådommer for 29 600 protein-ligand-par via analoge dokkingsimuleringer. I tillegg målte forskerne den enzymatiske aktiviteten til flere E. coli-proteiner involvert i deoksyribonukleinsyre (DNA)-replikasjon, transkripsjon og celleveggsyntese.

Interessant nok hemmet flere proteinmolekyler hver identifisert antibakteriell forbindelse enzymatisk, noe som bekrefter omfattende promiskuitet. Dette fenomenet muliggjorde også benchmarking av modellytelse i en statistisk signifikant skala.

Forskerne sammenlignet omfattende eksperimentelle data for protein-ligand-interaksjoner med in silico-spådommer for å vise at denne modelleringsmetoden hadde en prediksjonsnøyaktighet mellom 41 % og 73 %, avhengig av bindingsaffinitetsterskelen som ble brukt. Uavhengig av bindingsaffinitetsterskelen, var arealet under mottakerens operasjonskarakteristiske kurve (auROC) over de essensielle proteinene i gjennomsnitt 0,48.

Bemerkelsesverdig nok forble modellytelsen lik selv når forskere brukte spesifikke proteinstrukturer eksperimentelt. Forutsatt at en tilfeldig modell tilsvarer en auROC på 0,5, viste disse resultatene at molekylære dokkingsimuleringer fungerte dårlig.

Forfatterne fant en dyp forbedring i modellytelse målt av auROC, med RF-score, RF-score-VS og NN-score. Motsatt ble ikke modellytelsen forbedret når DOCK6.9 ble brukt og rescoring ble utført ved å bruke PLEC-poengsummen. Videre forbedret konsensusmodeller som inkluderte flere maskinlæringsbaserte SF-er forholdet mellom sann positiv rate og falsk positiv rate og prediksjonsnøyaktighet.

Konklusjoner

Den nåværende studien viste at bruk av AlphaFold2 til å forutsi narkotikamål er en lovende metode, men at den fortsatt er i et tidlig stadium. Følgelig vil det å realisere potensialet for medikamentoppdagelse kreve betydelige forbedringer i modellering av protein-ligand-interaksjoner. Benchmarking av ytelsen til molekylære dokkingsimuleringer er en av de levedyktige måtene å forbedre prediksjonsnøyaktigheten på; imidlertid krever det medfølgende bruk av maskinlæringsbaserte tilnærminger. Samlet sett kan studieresultatene informere om riktig bruk av AlphaFold2 i legemiddelforskning.

Referanse:

• 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

.