Použitie simulácií molekulárneho dokovania s podporou AlphaFold2 na predpovedanie interakcií proteín-ligand na objavenie antibiotík

Použitie simulácií molekulárneho dokovania s podporou AlphaFold2 na predpovedanie interakcií proteín-ligand na objavenie antibiotík

V nedávno publikovanej štúdii v Biológia molekulárnych systémov výskumníci ukázali, že na lepšie využitie AlphaFold2 na objavovanie antibiotík sú potrebné pokroky v modelovaní interakcií proteín-ligand pomocou prístupov založených na strojovom učení.

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

pozadia

Hlavnou výzvou pri objavovaní liekov je identifikácia interakcií liek-cieľ. Výskumníci vyvinuli niekoľko prístupov na riešenie tohto problému vrátane biochemických testov, genetických interakcií a molekulárneho dokovania. Avšak iba molekulárne dokovanie sa ukázalo ako užitočné na identifikáciu interakcií proteín-ligand a mechanizmu(ov) účinku lieku.

Hoci je dokovanie všestranné, vyžaduje si predchádzajúce znalosti o proteínových štruktúrach. Počet a kvalita cieľových proteínových štruktúr ďalej obmedzuje ich použitie na identifikáciu cieľových liečiv.

O štúdiu

V tejto štúdii výskumníci využili nedávno vydanú databázu predpovede proteínovej štruktúry AlphaFold2, aby umožnili reverzné dokovacie prístupy, ktoré zahŕňajú základný proteóm Escherichia coli (E. coli) a umožňujú komplexnú predikciu cieľových väzieb na antibiotiká. Tieto experimenty by mohli pomôcť vyhodnotiť výkon modelovacej platformy a odhaliť presnosť predikcie simulácií molekulárneho dokovania s podporou AlphaFold2.

Predpokladané interakcie proteín-ligand medzi antibiotikami a esenciálnymi proteínmi by sa mohli čiastočne experimentálne skúmať pomocou biochemických testov, ktoré merajú enzymatickú aktivitu, pričom väzbové interakcie sú podporované enzymatickou inhibíciou.

Výskumníci vykonali vysokovýkonné skríningy 39 128 zlúčenín inhibujúcich rast proti divokému typu E. coli. Tieto zlúčeniny boli prírodnými produktmi, antibiotikami a štrukturálne rôznorodými molekulami s molekulovými hmotnosťami medzi 40 Daltonmi (Da) a 4 200 Da. Všetky zlúčeniny, ktoré inhibovali relatívny rast o 80 %, sa považovali za aktívne a každá aktívna zlúčenina bola výpočtovo dokovaná k 296 esenciálnym proteómom E. coli predpovedaným AlphaFold2.

Ako kontrola sa rovnakým spôsobom ukotvila podskupina neaktívnych zlúčenín. Výskumníci použili AutoDock Vina, široko používaný open-source dokovací program s benchmarkingom, na dokovanie všetkých 218 zlúčenín proti 296 základným proteómom predpovedaným AlphaFold2. Tieto simulácie predpovedali špecifické aj rozšírené interakcie proteín-ligand a proteínovú promiskuitu. Nakoniec výskumníci vyhodnotili predpovede pomocou štyroch skórovacích funkcií (SF) založených na strojovom učení, konkrétne RF skóre, RF skóre-VS, skóre rozšírenej konektivity proteín-ligan (PLEC) a skóre neurónovej siete (NN).

Výsledky štúdie

Elektronická kniha Genetika a genomika

Kompilácia top rozhovorov, článkov a noviniek za posledný rok.

Stiahnite si kópiu ešte dnes

Celkovo bolo proti E. coli aktívnych 218 antibakteriálnych zlúčenín a približne 80 % tvorili antibiotiká štruktúrnej triedy β-laktám, aminoglykozidy, tetracyklíny, chinolóny a polyketidy. Zvyšné aktívne zložky pozostávali z toxínov a antineoplastických zlúčenín. Štúdia tiež identifikovala ďalší súbor zlúčenín, ktorých antibakteriálne vlastnosti proti E. coli neboli predtým zdokumentované.

Podobne analýza štúdie predpovedala väzbovú polohu a väzbovú afinitu 64 528 párov proteín-ligand. Ďalších 100 náhodne vybraných neaktívnych zlúčenín viedlo k predpovediam pozície väzby a afinity pre 29 600 párov proteín-ligand prostredníctvom analógových dokovacích simulácií. Okrem toho vedci merali enzymatickú aktivitu niekoľkých proteínov E. coli, ktoré sa podieľajú na replikácii, transkripcii a syntéze bunkovej steny (DNA).

Je zaujímavé, že niekoľko proteínových molekúl enzymaticky inhibovalo každú identifikovanú antibakteriálnu zlúčeninu, čo potvrdzuje rozsiahlu promiskuitu. Tento jav umožnil aj benchmarking výkonnosti modelu na štatisticky významnom meradle.

Výskumníci rozsiahlo porovnávali experimentálne údaje o interakciách proteín-ligand s predikciami in silico, aby ukázali, že tento modelovací prístup mal presnosť predpovede medzi 41 % a 73 %, v závislosti od použitého prahu väzbovej afinity. Bez ohľadu na prah väzbovej afinity bola plocha pod krivkou prevádzkovej charakteristiky prijímača (auROC) naprieč základnými proteínmi v priemere 0,48.

Je pozoruhodné, že výkonnosť modelu zostala podobná, aj keď výskumníci experimentálne použili špecifické proteínové štruktúry. Za predpokladu, že náhodný model zodpovedá auROC 0, 5, tieto výsledky ukázali, že simulácie molekulárneho dokovania fungovali zle.

Autori zistili výrazné zlepšenie výkonnosti modelu meraného pomocou auROC s RF-skóre, RF-skóre-VS a NN-skóre. Naopak, výkonnosť modelu sa nezlepšila, keď sa použil DOCK6.9 a skórovanie sa vykonalo pomocou skóre PLEC. Okrem toho konsenzuálne modely, ktoré zahŕňali viaceré SF založené na strojovom učení, zlepšili pomer skutočnej pozitívnej miery k falošne pozitívnej frekvencii a presnosť predikcie.

Závery

Súčasná štúdia ukázala, že použitie AlphaFold2 na predpovedanie cieľov liekov je sľubnou metódou, ale je stále v počiatočnom štádiu. V súlade s tým bude realizácia jeho potenciálu na objavovanie liekov vyžadovať významné zlepšenia v modelovaní interakcií proteín-ligand. Porovnávanie výkonnosti molekulárnych dokovacích simulácií je jedným zo životaschopných spôsobov, ako zlepšiť presnosť predpovedí; vyžaduje si to však sprievodné používanie prístupov založených na strojovom učení. Celkovo by výsledky štúdie mohli informovať o vhodnom použití AlphaFold2 vo výskume liekov.

Referencia:

• 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

.