Utilizarea simulărilor de andocare moleculară activate cu AlphaFold2 pentru a prezice interacțiunile proteină-ligand pentru descoperirea antibioticelor

Utilizarea simulărilor de andocare moleculară activate cu AlphaFold2 pentru a prezice interacțiunile proteină-ligand pentru descoperirea antibioticelor

Într-un studiu publicat recent în Biologia sistemelor moleculare Cercetătorii au arătat că sunt necesare progrese în modelarea interacțiunilor proteină-ligand folosind abordări bazate pe învățarea automată pentru a utiliza mai bine AlphaFold2 pentru descoperirea antibioticelor.

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

fundal

O provocare majoră în descoperirea medicamentelor este identificarea interacțiunilor medicament-țintă. Cercetătorii au dezvoltat mai multe abordări pentru a aborda această problemă, inclusiv teste biochimice, interacțiuni genetice și andocare moleculară. Cu toate acestea, doar andocarea moleculară s-a dovedit utilă pentru identificarea interacțiunilor proteină-ligand și a mecanismului (mecanismelor) de acțiune a unui medicament.

Deși versatil, andocarea necesită cunoștințe prealabile ale structurilor proteinelor. Numărul și calitatea structurilor proteinelor țintă limitează și mai mult aplicarea acestora pentru identificarea țintelor medicamentului.

Despre studiu

În studiul de față, cercetătorii au folosit baza de date de predicție a structurii proteinei AlphaFold2, lansată recent, pentru a permite abordări de andocare inversă care acoperă proteomul esențial al Escherichia coli (E. coli) și să permită predicția cuprinzătoare a țintelor de legare a antibioticelor. Aceste experimente ar putea ajuta la evaluarea performanței platformei de modelare și dezvăluie precizia predicției a simulărilor de andocare moleculară activate cu AlphaFold2.

Interacțiunile prezise proteină-ligand dintre antibiotice și proteinele esențiale ar putea fi parțial interogate experimental folosind teste biochimice care măsoară activitatea enzimatică, cu interacțiuni de legare susținute de inhibarea enzimatică.

Cercetătorii au efectuat screening cu randament ridicat de 39.128 de compuși de inhibare a creșterii împotriva E. coli de tip sălbatic. Acești compuși au fost produse naturale, antibiotice și molecule structural diverse cu greutăți moleculare cuprinse între 40 Daltoni (Da) și 4.200 Da. Toți compușii care au inhibat creșterea relativă cu 80% au fost considerați activi și fiecare compus activ a fost andocat computațional la 296 de proteomi esențiali de E. coli prezis de AlphaFold2.

Ca control, un subset de compuși inactivi a fost andocat în același mod. Cercetătorii au folosit AutoDock Vina, un program de andocare cu sursă deschisă utilizat pe scară largă cu benchmarking, pentru a andoca toți cei 218 compuși față de cei 296 de proteomi esențiali prezis de AlphaFold2. Aceste simulări au prezis atât interacțiuni specifice și pe scară largă proteină-ligand, cât și promiscuitatea proteinei. În cele din urmă, cercetătorii au evaluat predicțiile folosind patru funcții de notare bazate pe învățarea automată (SF), și anume scorul RF, scorul RF-VS, scorul de conectivitate extinsă protein-ligan (PLEC) și scorul rețelei neuronale (NN).

Rezultatele studiului

Carte electronică Genetică și Genomică

Compilare a celor mai bune interviuri, articole și știri din ultimul an.

Descărcați o copie astăzi

Un total de 218 compuși antibacterieni au fost activi împotriva E. coli și aproximativ 80% au fost antibiotice din clasele structurale β-lactame, aminoglicozide, tetracicline, chinolone și policetide. Ingredientele active rămase au constat din toxine și compuși antineoplazici. Studiul a identificat, de asemenea, un set suplimentar de compuși ale căror proprietăți antibacteriene împotriva E. coli nu au fost documentate anterior.

De asemenea, analiza studiului a prezis poziția de legare și afinitatea de legare a 64.528 de perechi proteină-ligand. Alți 100 de compuși inactivi selectați aleatoriu au condus la predicții legate de poziție și afinitate pentru 29.600 de perechi proteină-ligand prin simulări analogice de andocare. În plus, cercetătorii au măsurat activitatea enzimatică a mai multor proteine ​​E. coli implicate în replicarea acidului dezoxiribonucleic (ADN), transcripție și sinteza peretelui celular.

Interesant este că mai multe molecule de proteine ​​au inhibat enzimatic fiecare compus antibacterian identificat, confirmând promiscuitatea extinsă. Acest fenomen a permis, de asemenea, analiza comparativă a performanței modelului la o scară semnificativă statistic.

Cercetătorii au comparat pe larg datele experimentale ale interacțiunilor proteină-ligand cu predicțiile in silico pentru a arăta că această abordare de modelare a avut o precizie de predicție între 41% și 73%, în funcție de pragul de afinitate de legare utilizat. Indiferent de pragul de afinitate de legare, aria de sub curba caracteristică de funcționare a receptorului (auROC) de-a lungul proteinelor esențiale a fost în medie de 0,48.

În mod remarcabil, performanța modelului a rămas similară chiar și atunci când cercetătorii au folosit structuri specifice de proteine ​​în mod experimental. Presupunând că un model aleatoriu corespunde unui auROC de 0,5, aceste rezultate au arătat că simulările de andocare moleculară au funcționat slab.

Autorii au descoperit o îmbunătățire profundă a performanței modelului, măsurată de auROC, cu scorul RF, scorul RF-VS și scorul NN. Dimpotrivă, performanța modelului nu s-a îmbunătățit atunci când a fost utilizat DOCK6.9 și a fost efectuată rescorarea folosind scorul PLEC. În plus, modelele de consens care au inclus mai multe SF bazate pe învățarea automată au îmbunătățit raportul dintre rata pozitivă adevărată și rata pozitivă fals și acuratețea predicției.

Concluzii

Studiul actual a demonstrat că utilizarea AlphaFold2 pentru a prezice țintele medicamentului este o metodă promițătoare, dar este încă în stadiile incipiente. În consecință, realizarea potențialului său pentru descoperirea medicamentelor va necesita îmbunătățiri semnificative în modelarea interacțiunilor proteină-ligand. Evaluarea comparativă a performanței simulărilor de andocare moleculară este una dintre modalitățile viabile de a îmbunătăți acuratețea predicției; cu toate acestea, necesită utilizarea însoțitoare a abordărilor bazate pe învățarea automată. În general, rezultatele studiului ar putea informa utilizarea adecvată a AlphaFold2 în cercetarea medicamentelor.

Referinţă:

• 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

.