Wykorzystanie symulacji dokowania molekularnego z obsługą AlphaFold2 do przewidywania interakcji białko-ligand na potrzeby odkrywania antybiotyków

Wykorzystanie symulacji dokowania molekularnego z obsługą AlphaFold2 do przewidywania interakcji białko-ligand na potrzeby odkrywania antybiotyków

W niedawno opublikowanym badaniu w Biologia układów molekularnych badacze wykazali, że potrzebne są postępy w modelowaniu interakcji białko-ligand przy użyciu podejść opartych na uczeniu maszynowym, aby lepiej wykorzystać AlphaFold2 do odkrywania antybiotyków.

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

tło

Głównym wyzwaniem w odkrywaniu leków jest identyfikacja interakcji lek-cel. Naukowcy opracowali kilka podejść do rozwiązania tego problemu, w tym testy biochemiczne, interakcje genetyczne i dokowanie molekularne. Jednak jedynie dokowanie molekularne okazało się przydatne do identyfikacji interakcji białko-ligand i mechanizmu(ów) działania leku.

Chociaż wszechstronne, dokowanie wymaga wcześniejszej wiedzy na temat struktur białkowych. Liczba i jakość docelowych struktur białkowych dodatkowo ogranicza ich zastosowanie do identyfikacji celów leków.

O studiowaniu

W niniejszym badaniu naukowcy wykorzystali niedawno opublikowaną bazę danych przewidywania struktury białek AlphaFold2, aby umożliwić podejście odwrotnego dokowania obejmujące podstawowy proteom Escherichia coli (E. coli) i umożliwić kompleksowe przewidywanie docelowych miejsc wiązania antybiotyków. Eksperymenty te mogą pomóc w ocenie wydajności platformy modelowania i ujawnieniu dokładności przewidywań symulacji dokowania molekularnego z wykorzystaniem AlphaFold2.

Przewidywane interakcje białko-ligand między antybiotykami i niezbędnymi białkami można częściowo zbadać eksperymentalnie, stosując testy biochemiczne mierzące aktywność enzymatyczną, przy czym interakcje wiązania wspierane są przez hamowanie enzymatyczne.

Naukowcy przeprowadzili wysokowydajne badania przesiewowe 39 128 związków hamujących wzrost przeciwko dzikiej bakterii E. coli. Związkami tymi były produkty naturalne, antybiotyki i cząsteczki zróżnicowane strukturalnie o masach cząsteczkowych od 40 daltonów (Da) do 4200 Da. Wszystkie związki, które hamowały względny wzrost o 80%, uznano za aktywne i każdy aktywny związek dokowano obliczeniowo do 296 niezbędnych proteomów E. coli przewidywanych przez AlphaFold2.

Jako kontrolę, w ten sam sposób dokowano podzbiór nieaktywnych związków. Naukowcy wykorzystali AutoDock Vina, szeroko stosowany program dokujący typu open source z testami porównawczymi, aby połączyć wszystkie 218 związków z 296 niezbędnymi proteomami przewidzianymi przez AlphaFold2. Symulacje te przewidywały zarówno specyficzne, jak i powszechne interakcje białko-ligand oraz rozwiązłość białek. Na koniec badacze ocenili przewidywania, korzystając z czterech funkcji punktacji opartych na uczeniu maszynowym (SF), a mianowicie wyniku RF, wyniku RF-VS, wyniku rozszerzonej łączności białko-ligan (PLEC) i wyniku sieci neuronowej (NN).

Wyniki badań

E-Book Genetyka i genomika

Zestawienie najważniejszych wywiadów, artykułów i aktualności z ostatniego roku.

Pobierz kopię już dziś

Łącznie 218 związków przeciwbakteryjnych było aktywnych przeciwko E. coli, a około 80% stanowiły antybiotyki z klas strukturalnych β-laktam, aminoglikozydy, tetracykliny, chinolony i poliketydy. Pozostałe składniki aktywne składały się z toksyn i związków przeciwnowotworowych. W badaniu zidentyfikowano także dodatkowy zestaw związków, których właściwości antybakteryjne przeciwko E. coli nie zostały wcześniej udokumentowane.

Podobnie analiza badania przewidziała pozycję wiązania i powinowactwo wiązania 64 528 par białko-ligand. Dodatkowych 100 losowo wybranych nieaktywnych związków doprowadziło do przewidywania pozycji wiązania i powinowactwa dla 29 600 par białko-ligand za pomocą analogowych symulacji dokowania. Ponadto badacze zmierzyli aktywność enzymatyczną kilku białek E. coli zaangażowanych w replikację, transkrypcję i syntezę ściany komórkowej kwasu dezoksyrybonukleinowego (DNA).

Co ciekawe, kilka cząsteczek białka enzymatycznie hamowało każdy zidentyfikowany związek przeciwbakteryjny, potwierdzając rozległą rozwiązłość. Zjawisko to umożliwiło także przeprowadzenie benchmarkingu wydajności modelu w skali istotnej statystycznie.

Naukowcy dokładnie porównali dane eksperymentalne dotyczące interakcji białko-ligand z przewidywaniami in silico, aby wykazać, że to podejście do modelowania zapewnia dokładność przewidywań na poziomie od 41% do 73%, w zależności od zastosowanego progu powinowactwa wiązania. Niezależnie od progu powinowactwa wiązania, obszar pod krzywą charakterystyki działania odbiornika (auROC) w obrębie niezbędnych białek wynosił średnio 0,48.

Co ciekawe, wydajność modelu pozostała podobna, nawet gdy badacze eksperymentalnie stosowali określone struktury białkowe. Zakładając, że model losowy odpowiada auROC wynoszącemu 0,5, wyniki te wykazały, że symulacje dokowania molekularnego wypadły słabo.

Autorzy stwierdzili głęboką poprawę wydajności modelu mierzoną za pomocą auROC, z wynikiem RF-score, RF-score-VS i NN-score. I odwrotnie, wydajność modelu nie poprawiła się, gdy zastosowano DOCK6.9 i przeprowadzono ponowną ocenę przy użyciu wyniku PLEC. Co więcej, modele konsensusowe, które obejmowały wiele SF opartych na uczeniu maszynowym, poprawiły współczynnik prawdziwie dodatnich wyników do współczynników fałszywie dodatnich oraz dokładność przewidywań.

Wnioski

Obecne badanie wykazało, że wykorzystanie AlphaFold2 do przewidywania celów leku jest obiecującą metodą, ale wciąż znajduje się na wczesnym etapie. W związku z tym wykorzystanie jego potencjału w zakresie odkrywania leków będzie wymagało znacznych ulepszeń w modelowaniu interakcji białko-ligand. Benchmarking wydajności symulacji dokowania molekularnego jest jednym z realnych sposobów poprawy dokładności przewidywań; wymaga to jednak towarzyszącego stosowania podejść opartych na uczeniu maszynowym. Ogólnie rzecz biorąc, wyniki badania mogą pomóc w właściwym zastosowaniu AlphaFold2 w badaniach nad lekami.

Odniesienie:

• 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

.