Uporaba simulacij molekularnega priklopa, ki podpira AlphaFold2, za napovedovanje interakcij protein-ligand za odkrivanje antibiotikov

Uporaba simulacij molekularnega priklopa, ki podpira AlphaFold2, za napovedovanje interakcij protein-ligand za odkrivanje antibiotikov

V nedavno objavljeni študiji v Molekularna sistemska biologija raziskovalci so pokazali, da je za boljšo uporabo AlphaFold2 za odkrivanje antibiotikov potreben napredek pri modeliranju interakcij protein-ligand z uporabo pristopov, ki temeljijo na strojnem učenju.

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

ozadje

Glavni izziv pri odkrivanju zdravil je identifikacija medsebojnega delovanja zdravila in tarče. Raziskovalci so razvili več pristopov za reševanje tega problema, vključno z biokemičnimi testi, genetskimi interakcijami in molekularnim spajanjem. Vendar pa se je le molekularno združevanje izkazalo za uporabno za prepoznavanje interakcij protein-ligand in mehanizmov delovanja zdravila.

Čeprav je vsestransko uporaben, docking zahteva predhodno poznavanje beljakovinskih struktur. Število in kakovost ciljnih beljakovinskih struktur dodatno omejujeta njihovo uporabo za identifikacijo tarč zdravil.

O študiju

V tej študiji so raziskovalci uporabili nedavno izdano zbirko podatkov za napoved strukture beljakovin AlphaFold2, da bi omogočili pristope povratnega priklopa, ki zajemajo bistveni proteom bakterije Escherichia coli (E. coli) in omogočajo celovito napovedovanje ciljev vezave antibiotikov. Ti poskusi bi lahko pomagali oceniti delovanje platforme za modeliranje in razkrili natančnost napovedi simulacij molekularnega priklopa, ki podpirajo AlphaFold2.

Predvidene interakcije protein-ligand med antibiotiki in esencialnimi beljakovinami bi lahko delno preizkusili eksperimentalno z uporabo biokemičnih testov, ki merijo encimsko aktivnost, z vezavnimi interakcijami, podprtimi z encimsko inhibicijo.

Raziskovalci so opravili visoko zmogljive preglede 39.128 spojin za zaviranje rasti proti divjemu tipu E. coli. Te spojine so bili naravni produkti, antibiotiki in strukturno raznolike molekule z molekulsko maso med 40 Daltoni (Da) in 4200 Da. Vse spojine, ki so zavirale relativno rast za 80 %, so veljale za aktivne in vsaka aktivna spojina je bila računalniško priklopljena na 296 esencialnih proteomov E. coli, predvidenih z AlphaFold2.

Kot kontrolo je bila podskupina neaktivnih spojin zasidrana na enak način. Raziskovalci so uporabili AutoDock Vina, široko uporabljan odprtokodni priklopni program s primerjalno analizo, da priklopijo vseh 218 spojin na 296 bistvenih proteomov, ki jih predvideva AlphaFold2. Te simulacije so napovedale specifične in razširjene interakcije protein-ligand ter promiskuiteto beljakovin. Na koncu so raziskovalci ovrednotili napovedi z uporabo štirih točkovalnih funkcij (SF), ki temeljijo na strojnem učenju, in sicer rezultat RF, rezultat RF-VS, rezultat razširjene povezljivosti protein-ligan (PLEC) in rezultat nevronske mreže (NN).

Rezultati študije

E-knjiga o genetiki in genomiki

Zbirka najboljših intervjujev, člankov in novic zadnjega leta.

Prenesite kopijo še danes

Proti E. coli je delovalo skupno 218 protibakterijskih spojin, približno 80 % pa je bilo antibiotikov strukturnih razredov β-laktamov, aminoglikozidov, tetraciklinov, kinolonov in poliketidov. Preostale aktivne sestavine so sestavljale toksine in antineoplastične spojine. Študija je identificirala tudi dodaten nabor spojin, katerih antibakterijske lastnosti proti E. coli še niso bile dokumentirane.

Podobno je analiza študije napovedala vezni položaj in vezavno afiniteto 64.528 parov protein-ligand. Dodatnih 100 naključno izbranih neaktivnih spojin je privedlo do napovedi vezave in afinitete za 29.600 parov protein-ligand prek analognih simulacij priklopa. Poleg tega so raziskovalci izmerili encimsko aktivnost več proteinov E. coli, ki sodelujejo pri replikaciji, transkripciji in sintezi celične stene deoksiribonukleinske kisline (DNK).

Zanimivo je, da je več proteinskih molekul encimsko inhibiralo vsako identificirano antibakterijsko spojino, kar potrjuje obsežno promiskuiteto. Ta pojav je omogočil tudi primerjavo uspešnosti modela na statistično pomembnem merilu.

Raziskovalci so obsežno primerjali eksperimentalne podatke o interakcijah protein-ligand z napovedmi in silico, da bi pokazali, da je imel ta pristop modeliranja natančnost napovedi med 41 % in 73 %, odvisno od uporabljenega praga afinitete vezave. Ne glede na prag vezavne afinitete je bila površina pod krivuljo delovanja sprejemnika (auROC) med bistvenimi proteini v povprečju 0,48.

Zanimivo je, da je zmogljivost modela ostala podobna, tudi ko so raziskovalci eksperimentalno uporabili specifične proteinske strukture. Ob predpostavki, da naključni model ustreza auROC 0,5, so ti rezultati pokazali, da so simulacije molekularnega priklopa slabo izvedene.

Avtorji so ugotovili globoko izboljšanje delovanja modela, merjeno z auROC, z RF-rezultatom, RF-rezultatom-VS in NN-rezultatom. Nasprotno pa se zmogljivost modela ni izboljšala, ko je bil uporabljen DOCK6.9 in je bilo ponovno ocenjevanje izvedeno z oceno PLEC. Poleg tega so modeli soglasja, ki so vključevali več SF-jev, ki temeljijo na strojnem učenju, izboljšali razmerje med resnično pozitivno in lažno pozitivno stopnjo ter natančnost napovedi.

Sklepi

Trenutna študija je pokazala, da je uporaba AlphaFold2 za napovedovanje tarč zdravil obetavna metoda, vendar je še vedno v zgodnjih fazah. Skladno s tem bo uresničitev njegovega potenciala za odkrivanje zdravil zahtevala pomembne izboljšave pri modeliranju interakcij protein-ligand. Primerjalna analiza uspešnosti simulacij molekularnega priklopa je eden od izvedljivih načinov za izboljšanje natančnosti napovedi; vendar pa zahteva spremljajočo uporabo pristopov, ki temeljijo na strojnem učenju. Na splošno bi lahko rezultati študije informirali o ustrezni uporabi AlphaFold2 v raziskavah zdravil.

Referenca:

• 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

.