Почему важно предсказывать структуру белка?

Как вы хотите предсказать функцию и партнеров по связыванию, не зная, как выглядит ваш белок? Сама последовательность содержит только ограниченную информацию. Подобные последовательности могут складываться в аналогичные структуры с аналогичными функциями. Эти мотивы можно использовать для переноса ваших знаний с одного белка на другой, который может иметь аналогичные, например, связывающие способности. Но мотив может быть нефункциональным во втором белке, потому что он скрыт в недоступной части белка из-за его складчатой ​​структуры.

Взаимодействия между белками слабые по сравнению с внутримолекулярными связями и динамические . Боковые цепи разных аминокислот имеют разные характеристики ( например, полярность, гидрофобность и т. д. ), которые делают возможными специфические взаимодействия. Конкретные аминокислоты должны быть доступны , и, хотя они могут быть далеко друг от друга в последовательности, сворачивание белка сближает их в окончательной форме.

Даже небольшие модификации, такие как фосфорилирование , могут значительно изменить структурную конформацию и, например, изменить ферментативную активность. Следовательно, для анализа функции белка, поиска партнеров по связыванию или разработки связывающих соединений ( разработка лекарств ) нам необходимо знать его трехмерную структуру. С помощью структуры вы можете имитировать сродство/динамику связывания. Ученые также пытаются разрешить структуру белка в его различных состояниях, чтобы четко увидеть различия.

Имейте в виду, что сложные заболевания могут быть вызваны одной мутацией, которая заменяет только одну аминокислоту в последовательности, но может иметь серьезные последствия для функции белка. Зная структуру, положение аминокислоты и то, как это изменение влияет на характеристики белкового домена (например, на заряд), мы можем полностью понять, что происходит на молекулярном уровне.

Поскольку анализ структуры белка далеко не тривиален, предсказания заполняют пробел для функциональных предсказаний до тех пор, пока молекулярная структура белка не будет реконструирована. Но только с атомарным разрешением вы сможете правильно идентифицировать взаимодействия.

Вопрос о том, как делать структурное прогнозирование, может выходить за рамки этого ответа. Pubmed ежегодно публикует около 400 статей по этой теме . В зависимости от объема имеющейся у вас информации о белке или членах его семейства (белках с очень похожими последовательностями), вы можете использовать другие известные структуры для предсказания неизвестной структуры:

https://medium.com/@HeleneOMICtools/a-guide-for-protein-structure-prediction-methods-and-software-916a2f718cfe

Есть несколько причин, по которым полезно понимать структуру белка; наиболее очевидным является то, что лекарства, воздействующие на конкретный белок, могут быть специально разработаны на основе структуры белка.

Сегодня, несмотря на то, что для совершенствования процесса все еще требуется немало тонкой настройки, дизайн лекарств на основе структуры является неотъемлемой частью большинства программ разработки промышленных лекарств [4] и основным предметом исследований многих академических лабораторий. ... Процесс разработки лекарств на основе структуры является повторяющимся ... Дополнительные циклы включают синтез оптимизированного свинца, определение структуры нового комплекса мишень:свинец и дальнейшую оптимизацию ведущего соединения. После нескольких циклов процесса разработки лекарств оптимизированные соединения обычно демонстрируют заметное улучшение связывания и, часто, специфичности в отношении мишени.

-- Процесс разработки лекарств на основе структуры

Здесь есть три общих вопроса, которые вместе охватывают большую часть области структурной биоинформатики. Я отвечу на каждый кратко, но укажу вам на учебник для более подробной информации.

Почему предсказание структуры белка полезно?

На самом деле это очень хороший вопрос. Стандартный ответ здесь — «открытие лекарств», но в нынешних условиях все, кроме высококачественной модели гомологии, не особенно полезно для открытия лекарств. Я не могу вспомнить ни одного примера, когда предсказание структуры de novo напрямую приводило к открытию лекарства, например, путем виртуальной стыковки в сайте связывания, хотя я готов оказаться неправым. Однако в будущем, когда предсказание структуры белка и виртуальный скрининг улучшатся, это может стать важным приложением предсказания структуры.

Другие современные применения, которые более развиты, включают: A) проектирование белков, где улучшения в предсказании структуры позволяют вам находить лучшие последовательности, которые образуют определенные структуры и выполняют определенные функции (обратная задача сворачивания); Б) изучение эволюционных взаимосвязей и функций белка, например, если предсказанная структура похожа на все другие мембранные переносчики, то, вероятно, она тоже такова (подробнее об этом см. ниже); и C) запуск моделирования молекулярной динамики структуры для получения биологических знаний и дополнения экспериментов.

На более глубоком уровне ученые всегда будут искать ответ на вопрос о том, в какую структуру укладываются белки и как они укладываются, потому что именно такая интересная проблема занимает центральное место в молекулярной биологии. Ее решение почти наверняка приведет к полезным прорывам, даже если их точная природа сейчас неясна.

Как мы предсказываем структуру белка?

При первоначальной постановке задачи предсказание структуры белка, возможно, решено. Если вы можете найти матрицу, т. е. последовательность родственного белка с доступной экспериментальной структурой, то вы можете довольно надежно получить модель высокого качества (менее ~3 Å RMSD). Улучшение модели сверх этого в настоящее время называется «уточнением», и это будет становиться все более важным, поскольку мы стремимся получить модели среднеквадратического отклонения ~ 1 Å, которые можно использовать вместо экспериментальных данных.

Если вы не можете найти шаблон, вы все равно можете прилично попробовать структуру, при условии, что вы сможете найти достаточно связанных последовательностей. Оказывается, что позиции при множественном выравнивании последовательностей будут коварны, если остатки расположены близко в пространстве в структуре. Первоначально статистические методы использовались для извлечения прямых эффектов связи из косвенных, но теперь глубокие остаточные нейронные сети демонстрируют самые современные результаты в этой области. Эти события произошли недавно и были в центре внимания новостных сообщений . Взрыв данных о последовательности облегчает этот подход, хотя это все еще не «решение» для тех, кто хочет использовать только одну последовательность в качестве входных данных. Для подходов, основанных на чистой физике, успех небольших белков был ограниченным, см., Например, здесь ., но эти методы не нашли широкого применения для предсказания структуры.

Обычно входными данными для этих методов является только последовательность белка, хотя вы часто вводите другие данные (шаблоны, связанные последовательности) как часть конвейера. Обычно нас интересует структура в физиологических условиях, которая обычно соответствует структуре, обнаруженной в рентгеновской кристаллографии или ЯМР, поэтому предсказания в других условиях еще не являются обычным делом. Чтобы узнать больше о предсказании структуры белка, посетите веб-сайт CASP и прочтите их статьи.

Насколько полезна структура белка для предсказания функции?

Предсказанную структуру можно использовать для передачи функции от родственных структур с известной функцией — см., например, здесь и здесь .

В настоящее время невозможно использовать предсказанную структуру для предсказания функции с помощью химических аргументов, например, говоря: «Я предсказал сайт связывания с определенным расположением аминокислот, поэтому он должен иметь функцию X». Однако по мере того, как предсказание структуры улучшается, и у нас появляется больше структур и функциональных аннотаций, это захватывающая перспектива.

Что касается сродства белок-белок, если у вас есть структура, вы можете начать предсказывать и рационализировать структуру белковых комплексов. Такие предсказания только по структуре (т.е. без использования гомологии известных комплексов) еще не являются обычным делом, хотя больше данных и более совершенных моделей улучшат это. См., например , CAPRI . Очевидно, что это биологически важная область, так как большинство белков образуют комплексы.

Заключение

Последовательность определяет структуру , определяет функцию (скрестим пальцы, поскольку я немного упрощаю).

Вам не нужно знать структуру, чтобы предсказать функцию/связку из последовательности, но это помогает, и достаточно продвинутая система все равно узнает это, чтобы установить соединение.

Предсказание структуры белка — горячая тема исследований, которая в настоящее время имеет ограниченное применение, но, несомненно, будет иметь больше в будущем. Во всяком случае, за последние 50 лет он стал только интереснее.