Дизайн белка

Рациональный дизайн новых белковых молекул

Белковый дизайн — это рациональный дизайн новых белковых молекул для разработки новой активности, поведения или цели, а также для улучшения базового понимания функции белка. ^[1] Белки могут быть разработаны с нуля ( дизайн de novo ) или путем создания рассчитанных вариантов известной структуры белка и его последовательности (называемый редизайном белка ). Рациональные подходы к белковому дизайну делают прогнозы белковой последовательности, которые будут складываться в определенные структуры. Эти предсказанные последовательности затем могут быть подтверждены экспериментально с помощью таких методов, как синтез пептидов , направленный мутагенез или искусственный синтез генов .

Рациональный дизайн белков берет свое начало в середине 1970-х годов. ^[2] Однако в последнее время появились многочисленные примеры успешного рационального дизайна водорастворимых и даже трансмембранных пептидов и белков, отчасти благодаря лучшему пониманию различных факторов, способствующих стабильности структуры белка , и разработке более совершенных вычислительных методов.

Обзор и история

Цель рационального проектирования белков — предсказать аминокислотные последовательности , которые будут складываться в определенную структуру белка. Хотя число возможных последовательностей белков огромно и растет экспоненциально с размером белковой цепи, только подмножество из них будет надежно и быстро складываться в одно нативное состояние . Проектирование белков включает в себя идентификацию новых последовательностей в этом подмножестве. Нативное состояние белка — это конформационный минимум свободной энергии для цепи. Таким образом, проектирование белков — это поиск последовательностей, которые имеют выбранную структуру в качестве минимума свободной энергии. В некотором смысле, это обратная сторона предсказания структуры белка . При проектировании указывается третичная структура и идентифицируется последовательность, которая будет складываться в нее. Следовательно, это также называется обратным складыванием . Проектирование белков затем становится задачей оптимизации: с использованием некоторых критериев оценки выбирается оптимизированная последовательность, которая будет складываться в желаемую структуру.

Когда первые белки были рационально спроектированы в 1970-х и 1980-х годах, последовательность для них оптимизировалась вручную на основе анализов других известных белков, состава последовательности, зарядов аминокислот и геометрии желаемой структуры. ^[2] Первые спроектированные белки приписываются Бернду Гутте, который разработал уменьшенную версию известного катализатора, бычьей рибонуклеазы и третичных структур, состоящих из бета-слоев и альфа-спиралей, включая связующее вещество ДДТ . Урри и его коллеги позже разработали эластиноподобные фибриллярные пептиды на основе правил состава последовательности. Ричардсон и его коллеги разработали белок из 79 остатков без гомологии последовательности с известным белком. ^[2] В 1990 - х годах появление мощных компьютеров, библиотек конформаций аминокислот и силовых полей, разработанных в основном для моделирования молекулярной динамики, позволило разработать вычислительные инструменты проектирования белков на основе структуры. После разработки этих вычислительных инструментов за последние 30 лет был достигнут большой успех в проектировании белков. Первый белок, успешно разработанный полностью de novo, был создан Стивеном Майо и его коллегами в 1997 году ^[3] , а вскоре после этого, в 1999 году, Питер С. Ким и его коллеги разработали димеры, тримеры и тетрамеры неестественных правозакрученных спиралей . ^{[4] [5]} В 2003 году лаборатория Дэвида Бейкера разработала полный белок с укладкой, никогда ранее не встречавшейся в природе. ^[6] Позже, в 2008 году, группа Бейкера с помощью вычислений разработала ферменты для двух различных реакций. ^[7] В 2010 году одно из самых мощных широко нейтрализующих антител было выделено из сыворотки пациента с помощью разработанного с помощью вычислений белкового зонда. ^[8] Благодаря этим и другим успехам (например, см. примеры ниже), проектирование белков стало одним из важнейших инструментов, доступных для белковой инженерии . Есть большая надежда, что разработка новых белков, малых и больших, найдет применение в биомедицине и биоинженерии .

Базовые модели структуры и функции белка

Программы проектирования белков используют компьютерные модели молекулярных сил, которые управляют белками в условиях in vivo . Чтобы сделать проблему разрешимой, эти силы упрощаются с помощью моделей проектирования белков. Хотя программы проектирования белков сильно различаются, они должны решать четыре основных вопроса моделирования: какова целевая структура дизайна, какая гибкость допускается для целевой структуры, какие последовательности включены в поиск и какое силовое поле будет использоваться для оценки последовательностей и структур.

Целевая структура

Белок Top7 был одним из первых белков, разработанных для сворачивания, которое никогда ранее не наблюдалось в природе ^[6]

Функция белка сильно зависит от структуры белка, и рациональный дизайн белка использует эту связь для проектирования функции путем проектирования белков, которые имеют целевую структуру или складку. Таким образом, по определению, в рациональном дизайне белка целевая структура или ансамбль структур должны быть известны заранее. Это контрастирует с другими формами белковой инженерии, такими как направленная эволюция , где используются различные методы для поиска белков, которые достигают определенной функции, и с предсказанием структуры белка , где последовательность известна, но структура неизвестна.

Чаще всего целевая структура основана на известной структуре другого белка. Однако новые складки, не встречающиеся в природе, становятся все более возможными. Питер С. Ким и его коллеги разработали тримеры и тетрамеры неестественных спиральных спиралей, которые ранее не встречались в природе. ^{[4] [5]} Белок Top7, разработанный в лаборатории Дэвида Бейкера , был разработан полностью с использованием алгоритмов проектирования белков, с совершенно новой укладкой. ^[6] Совсем недавно Бейкер и его коллеги разработали ряд принципов для проектирования идеальных структур глобулярного белка на основе воронок сворачивания белка , которые связывают прогнозирование вторичной структуры и третичные структуры. Эти принципы, которые основываются как на прогнозировании структуры белка, так и на проектировании белка, были использованы для проектирования пяти различных новых топологий белка. ^[9]

Пространство последовательности

FSD-1 (показан синим цветом, PDB id: 1FSV) был первым de novo вычислительным дизайном полного белка. ^[3] Целевой складкой был цинковый палец в остатках 33–60 структуры белка Zif268 (показан красным цветом, PDB id: 1ZAA). Разработанная последовательность имела очень мало идентичности последовательности с любой известной белковой последовательностью.

При рациональном проектировании белков белки могут быть перепроектированы из последовательности и структуры известного белка или полностью с нуля при проектировании белков de novo . При перепроектировании белков большинство остатков в последовательности сохраняются в виде аминокислот дикого типа, а некоторым разрешено мутировать. При проектировании de novo вся последовательность проектируется заново, не основываясь ни на какой предыдущей последовательности.

Как de novo дизайны, так и перепроектирование белков могут устанавливать правила для пространства последовательностей : конкретные аминокислоты, которые разрешены в каждой изменчивой позиции остатка. Например, состав поверхности зонда RSC3 для выбора ВИЧ-нейтрализующих антител был ограничен на основе эволюционных данных и балансировки заряда. Многие из самых ранних попыток проектирования белков в значительной степени основывались на эмпирических правилах для пространства последовательностей. ^[2] Более того, проектирование фибриллярных белков обычно следует строгим правилам для пространства последовательностей. Например, разработанные на основе коллагена белки часто состоят из повторяющихся паттернов Gly-Pro-X. ^[2] Появление вычислительных методов позволяет проектировать белки без вмешательства человека в выбор последовательности. ^[3]

Структурная гибкость

Обычные программы проектирования белков используют библиотеки ротамеров для упрощения конформационного пространства боковых цепей белка. Эта анимация проходит по всем ротамерам аминокислоты изолейцина на основе библиотеки предпоследних ротамеров (всего 7 ротамеров). ^[10]

В белковом дизайне целевая структура (или структуры) белка известны. Однако рациональный подход к белковому дизайну должен моделировать некоторую гибкость целевой структуры, чтобы увеличить количество последовательностей, которые могут быть разработаны для этой структуры, и минимизировать вероятность сворачивания последовательности в другую структуру. Например, при перепроектировании белка одной небольшой аминокислоты (такой как аланин) в плотно упакованном ядре белка, очень немногие мутанты будут предсказаны рациональным подходом к дизайну для сворачивания в целевую структуру, если окружающие боковые цепи не могут быть переупакованы.

Таким образом, существенным параметром любого процесса проектирования является количество гибкости, разрешенное как для боковых цепей, так и для основной цепи. В простейших моделях основная цепь белка остается жесткой, в то время как некоторым боковым цепям белка разрешено менять конформации. Однако боковые цепи могут иметь много степеней свободы в своих длинах связей, углах связей и двугранных углах χ . Чтобы упростить это пространство, методы проектирования белков используют библиотеки ротамеров, которые предполагают идеальные значения для длин связей и углов связей, ограничивая двугранные углы χ несколькими часто наблюдаемыми низкоэнергетическими конформациями, называемыми ротамерами .

Библиотеки ротамеров получены из статистического анализа многих структур белков. Библиотеки ротамеров, независимые от остова, описывают все ротамеры. ^[10] Библиотеки ротамеров , зависящие от остова, напротив, описывают ротамеры как вероятность их появления в зависимости от расположения остова белка вокруг боковой цепи. ^[11] Большинство программ проектирования белков используют одну конформацию (например, модальное значение для двугранных углов ротамера в пространстве) или несколько точек в области, описываемой ротамером; программа проектирования белков OSPREY, напротив, моделирует всю непрерывную область. ^[12]

Хотя рациональный дизайн белка должен сохранять общую складку остова белка, допущение некоторой гибкости остова может значительно увеличить количество последовательностей, которые сворачиваются в структуру, сохраняя при этом общую складку белка. ^[13] Гибкость остова особенно важна при перепроектировании белка, поскольку мутации последовательностей часто приводят к небольшим изменениям в структуре остова. Более того, гибкость остова может быть существенной для более продвинутых приложений дизайна белка, таких как прогнозирование связывания и дизайн ферментов. Некоторые модели гибкости остова дизайна белка включают небольшие и непрерывные глобальные движения остова, дискретные образцы остова вокруг целевой складки, движения трения и гибкость петли белка. ^{[13] [14]}

Энергетическая функция

Сравнение различных функций потенциальной энергии. Наиболее точные энергии — те, которые используют квантово-механические расчеты, но они слишком медленные для проектирования белков. С другой стороны, эвристические функции энергии основаны на статистических терминах и очень быстры. Посередине находятся функции энергии молекулярной механики, которые физически обоснованы, но не так вычислительно дороги, как квантово-механические симуляции. ^[15]

Рациональные методы проектирования белков должны быть способны различать последовательности, которые будут стабильны под целевой укладкой, от тех, которые предпочли бы другие низкоэнергетические конкурирующие состояния. Таким образом, проектирование белков требует точных энергетических функций , которые могут ранжировать и оценивать последовательности по тому, насколько хорошо они сворачиваются в целевую структуру. В то же время, однако, эти энергетические функции должны учитывать вычислительные проблемы, лежащие в основе проектирования белков. Одним из самых сложных требований для успешного проектирования является энергетическая функция, которая является как точной, так и простой для вычислительных расчетов.

Наиболее точные энергетические функции основаны на квантово-механических симуляциях. Однако такие симуляции слишком медленные и обычно непрактичные для проектирования белков. Вместо этого многие алгоритмы проектирования белков используют либо основанные на физике энергетические функции, адаптированные из программ моделирования молекулярной механики , либо основанные на знаниях энергетические функции , либо гибридную смесь того и другого. Тенденция была направлена ​​на использование большего количества основанных на физике функций потенциальной энергии. ^[15]

Физические энергетические функции, такие как AMBER и CHARMM , обычно выводятся из квантово-механического моделирования и экспериментальных данных термодинамики, кристаллографии и спектроскопии. ^[16] Эти энергетические функции обычно упрощают физическую энергетическую функцию и делают их попарно разлагаемыми, что означает, что полная энергия конформации белка может быть рассчитана путем сложения попарной энергии между каждой парой атомов, что делает их привлекательными для алгоритмов оптимизации. Физические энергетические функции обычно моделируют притягивающе-отталкивающий член Леннарда-Джонса между атомами и попарный электростатический кулоновский член ^[17] между несвязанными атомами.

Водородные связи, опосредованные водой, играют ключевую роль в связывании белок-белок. Одно из таких взаимодействий показано между остатками D457, S365 в тяжелой цепи ВИЧ-широконейтрализующего антитела VRC01 (зеленый) и остатками N58 и Y59 в оболочечном белке ВИЧ GP120 (фиолетовый). ^[18]

Статистические потенциалы, в отличие от потенциалов, основанных на физике, имеют преимущество в том, что их можно быстро вычислить, они неявно учитывают сложные эффекты и менее чувствительны к небольшим изменениям в структуре белка. ^[19] Эти энергетические функции основаны на выводе значений энергии из частоты появления в структурной базе данных.

Однако дизайн белка имеет требования, которые иногда могут быть ограничены в силовых полях молекулярной механики. Силовые поля молекулярной механики, которые в основном использовались в моделировании молекулярной динамики, оптимизированы для моделирования отдельных последовательностей, но дизайн белка ищет во многих конформациях многих последовательностей. Таким образом, силовые поля молекулярной механики должны быть адаптированы для дизайна белка. На практике энергетические функции дизайна белка часто включают как статистические термины, так и основанные на физике термины. Например, функция энергии Rosetta, одна из наиболее используемых энергетических функций, включает основанные на физике энергетические термины, происходящие из энергетической функции CHARMM, и статистические энергетические термины, такие как вероятность ротамера и электростатика, основанная на знаниях. Как правило, энергетические функции сильно настраиваются между лабораториями и специально подбираются для каждого дизайна. ^[16]

Проблемы эффективного проектирования энергетических функций

Вода составляет большую часть молекул, окружающих белки, и является основным двигателем структуры белка. Таким образом, моделирование взаимодействия между водой и белком имеет жизненно важное значение в проектировании белка. Количество молекул воды, которые взаимодействуют с белком в любой момент времени, огромно, и каждая из них имеет большое количество степеней свободы и партнеров по взаимодействию. Вместо этого программы проектирования белка моделируют большинство таких молекул воды как континуум, моделируя как гидрофобный эффект, так и поляризацию сольватации. ^[16]

Отдельные молекулы воды иногда могут играть решающую структурную роль в ядре белков и во взаимодействиях белок-белок или белок-лиганд. Неспособность смоделировать такие воды может привести к неверным прогнозам оптимальной последовательности интерфейса белок-белок. В качестве альтернативы молекулы воды могут быть добавлены к ротамерам. ^[16]

Как задача оптимизации

Эта анимация иллюстрирует сложность поиска дизайна белка, который обычно сравнивает все ротамерные конформации из всех возможных мутаций во всех остатках. В этом примере остаткам Phe36 и His 106 разрешено мутировать в аминокислоты Tyr и Asn соответственно. Phe и Tyr имеют по 4 ротамера в библиотеке ротамеров, в то время как Asn и His имеют по 7 и 8 ротамеров соответственно в библиотеке ротамеров (из предпоследней библиотеки ротамеров Ричардсона ^[10] ). Анимация проходит по всем (4 + 4) x (7 + 8) = 120 возможностям. Показанная структура — это структура миоглобина, PDB id: 1mbn.

Целью проектирования белков является поиск последовательности белка, которая будет складываться в целевую структуру. Таким образом, алгоритм проектирования белков должен искать все конформации каждой последовательности относительно целевой складки и ранжировать последовательности в соответствии с конформацией с наименьшей энергией каждой из них, как определено энергетической функцией проектирования белков. Таким образом, типичным входом для алгоритма проектирования белков является целевая складка, пространство последовательностей, структурная гибкость и энергетическая функция, в то время как выходом является одна или несколько последовательностей, которые, как прогнозируется, будут стабильно складываться в целевую структуру.

Однако число потенциальных белковых последовательностей растет экспоненциально с числом белковых остатков; например, существует 20 ¹⁰⁰ белковых последовательностей длиной 100. Более того, даже если конформации боковой цепи аминокислот ограничены несколькими ротамерами (см. Структурная гибкость), это приводит к экспоненциальному числу конформаций для каждой последовательности. Таким образом, в нашем белке из 100 остатков и при условии, что каждая аминокислота имеет ровно 10 ротамеров, алгоритм поиска, который ищет в этом пространстве, должен будет искать более 200 ¹⁰⁰ белковых конформаций.

Наиболее распространенные функции энергии можно разложить на парные члены между ротамерами и типами аминокислот, что делает задачу комбинаторной, и для ее решения можно использовать мощные алгоритмы оптимизации. В этих случаях полная энергия каждой конформации, принадлежащей каждой последовательности, может быть сформулирована как сумма индивидуальных и парных членов между позициями остатков. Если проектировщик заинтересован только в лучшей последовательности, алгоритм проектирования белка требует только конформацию с самой низкой энергией последовательности с самой низкой энергией. В этих случаях аминокислотную идентичность каждого ротамера можно игнорировать, и все ротамеры, принадлежащие разным аминокислотам, можно рассматривать одинаково. Пусть r _i будет ротамером в позиции остатка i в белковой цепи, а E( r _i ) — потенциальной энергией между внутренними атомами ротамера. Пусть E ( r _i , r _j ) — потенциальной энергией между r _i и ротамером r _j в позиции остатка j . Затем мы определяем задачу оптимизации как задачу нахождения конформации с минимальной энергией ( E _T ):

Задача минимизации E _T является NP-трудной задачей. ^{[14] [20] [21]} Несмотря на то, что класс задач является NP-трудным, на практике многие примеры проектирования белков могут быть решены точно или удовлетворительно оптимизированы с помощью эвристических методов.

Алгоритмы

Несколько алгоритмов были разработаны специально для проблемы проектирования белков. Эти алгоритмы можно разделить на два больших класса: точные алгоритмы, такие как исключение тупиков , которые не гарантируют время выполнения , но гарантируют качество решения; и эвристические алгоритмы, такие как Монте-Карло, которые быстрее точных алгоритмов, но не гарантируют оптимальность результатов. Точные алгоритмы гарантируют, что процесс оптимизации выдал оптимум в соответствии с моделью проектирования белков. Таким образом, если предсказания точных алгоритмов терпят неудачу, когда они экспериментально подтверждены, то источник ошибки можно отнести к энергетической функции, допустимой гибкости, пространству последовательностей или целевой структуре (например, если она не может быть разработана для). ^[22]

Некоторые алгоритмы проектирования белков перечислены ниже. Хотя эти алгоритмы решают только самую базовую формулировку проблемы проектирования белков, Уравнение ( 1 ), когда цель оптимизации изменяется из-за того, что проектировщики вносят улучшения и расширения в модель проектирования белков, такие как улучшения допустимой структурной гибкости (например, гибкость остова белка) или включение сложных энергетических терминов, многие расширения проектирования белков, которые улучшают моделирование, построены поверх этих алгоритмов. Например, Rosetta Design включает сложные энергетические термины и гибкость остова, используя Монте-Карло в качестве базового алгоритма оптимизации. Алгоритмы OSPREY построены на алгоритме устранения тупиков и A* для включения непрерывных движений остова и боковой цепи. Таким образом, эти алгоритмы дают хорошее представление о различных типах алгоритмов, доступных для проектирования белков.

В 2020 году ученые сообщили о разработке процесса на основе ИИ с использованием геномных баз данных для проектирования новых белков на основе эволюции . Они использовали глубокое обучение для определения правил проектирования. ^{[23] [24]} В 2022 году исследование сообщило о программном обеспечении для глубокого обучения, которое может проектировать белки, содержащие заранее заданные функциональные сайты. ^{[25] [26]}

С математическими гарантиями

Устранение тупика

Алгоритм устранения тупика (DEE) итеративно уменьшает пространство поиска проблемы, удаляя ротамеры, которые, как можно доказать, не являются частью глобальной конформации с самой низкой энергией (GMEC). На каждой итерации алгоритм устранения тупика сравнивает все возможные пары ротамеров в каждой позиции остатка и удаляет каждый ротамер r′ _i , который, как можно показать, всегда имеет более высокую энергию, чем другой ротамер r _i, и, таким образом, не является частью GMEC:

${\displaystyle E(r_{i}^{\prime })+\sum _{j\neq i}\min _{r_{j}}E(r_{i}^{\prime },r_{j})>E(r_{i})+\sum _{j\neq i}\max _{r_{j}}E(r_{i},r_{j})}$

Другие мощные расширения алгоритма устранения тупиков включают критерий устранения пар и обобщенный критерий устранения тупиков . Этот алгоритм также был расширен для обработки непрерывных ротамеров с доказуемыми гарантиями.

Хотя алгоритм устранения тупика работает за полиномиальное время на каждой итерации, он не может гарантировать сходимость. Если после определенного количества итераций алгоритм устранения тупика не отсекает больше ротамеров, то либо ротамеры должны быть объединены, либо должен быть использован другой алгоритм поиска для поиска в оставшемся пространстве поиска. В таких случаях устранение тупика действует как алгоритм предварительной фильтрации для сокращения пространства поиска, в то время как другие алгоритмы, такие как A*, Монте-Карло, линейное программирование или FASTER, используются для поиска в оставшемся пространстве поиска. ^[14]

Ветви и границы

Конформационное пространство конструкции белка можно представить в виде дерева , где остатки белка упорядочены произвольным образом, а ветви дерева находятся на каждом из ротамеров в остатке. Алгоритмы ветвей и границ используют это представление для эффективного исследования дерева конформации: на каждом ветвлении алгоритмы ветвей и границ ограничивают пространство конформации и исследуют только перспективные ветви. ^{[14] [27] [28]}

Популярным алгоритмом поиска для проектирования белков является алгоритм поиска A* . ^{[14] [28]} A* вычисляет нижнюю оценку для каждого частичного пути дерева, которая ограничивает (с гарантиями) энергию каждого из расширенных ротамеров. Каждая частичная конформация добавляется в очередь приоритетов, и на каждой итерации частичный путь с самой низкой нижней границей извлекается из очереди и расширяется. Алгоритм останавливается, как только будет перечислена полная конформация, и гарантирует, что конформация является оптимальной.

Оценка A* f в белковом дизайне состоит из двух частей, f=g+h . g — точная энергия ротамеров, которые уже были назначены в частичной конформации. h — нижняя граница энергии ротамеров, которые еще не были назначены. Каждая из них спроектирована следующим образом, где d — индекс последнего назначенного остатка в частичной конформации.

${\displaystyle g=\sum _{i=1}^{d}(E(r_{i})+\sum _{j=i+1}^{d}E(r_{i},r_{j}))}$

${\displaystyle h=\sum _{j=d+1}^{n}[\min _{r_{j}}(E(r_{j})+\sum _{i=1}^{d}E(r_{i},r_{j})+\sum _{k=j+1}^{n}\min _{r_{k}}E(r_{j},r_{k}))]}$

Целочисленное линейное программирование

Проблему оптимизации E _T (уравнение ( 1 )) можно легко сформулировать как целочисленное линейное программирование (ILP). ^[29] Одна из самых мощных формулировок использует двоичные переменные для представления наличия ротамера и ребер в конечном решении и ограничивает решение наличием ровно одного ротамера для каждого остатка и одного попарного взаимодействия для каждой пары остатков:

${\displaystyle \ \min \sum _{i}\sum _{r_{i}}E_{i}(r_{i})q_{i}(r_{i})+\sum _{j\neq i}\sum _{r_{j}}E_{ij}(r_{i},r_{j})q_{ij}(r_{i},r_{j})\,}$

ул

${\displaystyle \sum _{r_{i}}q_{i}(r_{i})=1,\ \forall i}$

${\displaystyle \sum _{r_{j}}q_{ij}(r_{i},r_{j})=q_{i}(r_{i}),\forall i,r_{i},j}$

${\displaystyle q_{i},q_{ij}\in \{0,1\}}$

Решатели ILP, такие как CPLEX , могут вычислять точное оптимальное решение для больших примеров задач проектирования белков. Эти решатели используют линейное программирование релаксации задачи, где q _i и q _ij могут принимать непрерывные значения, в сочетании с алгоритмом ветвления и разрезания для поиска только небольшой части пространства конформации для оптимального решения. Было показано, что решатели ILP решают множество примеров проблемы размещения боковой цепи. ^[29]

Приближения к линейному программированию, основанные на передаче сообщений

Решатели ILP зависят от алгоритмов линейного программирования (LP), таких как симплексные или барьерные методы для выполнения релаксации LP на каждой ветви. Эти алгоритмы LP были разработаны как методы оптимизации общего назначения и не оптимизированы для задачи проектирования белка (уравнение ( 1 )). В результате релаксация LP становится узким местом решателей ILP, когда размер задачи большой. ^[30] Недавно было разработано несколько альтернатив, основанных на алгоритмах передачи сообщений, специально для оптимизации релаксации LP задачи проектирования белка. Эти алгоритмы могут аппроксимировать как двойственные, так и первичные экземпляры целочисленного программирования, но для сохранения гарантий оптимальности они наиболее полезны при использовании для аппроксимации двойственной задачи проектирования белка, поскольку аппроксимация двойственной гарантирует, что не будет пропущено ни одного решения. Приближения, основанные на передаче сообщений, включают алгоритм передачи сообщений с перевзвешенным максимальным произведением дерева ^{[31] [32]} и алгоритм линейного программирования с передачей сообщений ^[33] .

Алгоритмы оптимизации без гарантий

Монте-Карло и имитация отжига

Монте-Карло — один из наиболее широко используемых алгоритмов для проектирования белков. В своей простейшей форме алгоритм Монте-Карло выбирает остаток случайным образом, и в этом остатке оценивается случайно выбранный ротамер (любой аминокислоты). ^[21] Новая энергия белка, E _{new ,} сравнивается со старой энергией E _old , и новый ротамер принимается с вероятностью:

${\displaystyle p=e^{-\beta (E_{\text{new}}-E_{\text{old}}))},}$

где β — постоянная Больцмана , а температура T может быть выбрана таким образом, чтобы в начальных раундах она была высокой и медленно отжигалась для преодоления локальных минимумов. ^[12]

БЫСТРЕЕ

Алгоритм FASTER использует комбинацию детерминированных и стохастических критериев для оптимизации аминокислотных последовательностей. Сначала FASTER использует DEE для устранения ротамеров, которые не являются частью оптимального решения. Затем серия итеративных шагов оптимизирует назначение ротамеров. ^{[34] [35]}

Распространение убеждений

При распространении убеждений для проектирования белков алгоритм обменивается сообщениями, описывающими убеждение , которое каждый остаток имеет относительно вероятности каждого ротамера в соседних остатках. Алгоритм обновляет сообщения на каждой итерации и повторяет до сходимости или до фиксированного числа итераций. Сходимость не гарантируется при проектировании белков. Сообщение m _{i→ j} (r _j , которое остаток i отправляет каждому ротамеру (r _j в соседнем остатке j , определяется как:

${\displaystyle m_{i\to j}(r_{j})=\max _{r_{i}}{\Big (}e^{\frac {-E_{i}(r_{i})-E_{ij}(r_{i},r_{j})}{T}}{\Big )}\prod _{k\in N(i)\backslash j}m_{k\to i(r_{i})}}$

Для оптимизации конструкции белка использовались методы распространения убеждений как максимального произведения, так и суммы произведений.

Применение и примеры разработанных белков

Разработка ферментов

Дизайн новых ферментов — это использование дизайна белков с огромными биоинженерными и биомедицинскими приложениями. В целом, дизайн структуры белка может отличаться от дизайна фермента, поскольку дизайн ферментов должен учитывать множество состояний, вовлеченных в каталитический механизм . Однако дизайн белка является предпосылкой дизайна ферментов de novo , поскольку, по крайней мере, дизайн катализаторов требует каркаса, в который может быть вставлен каталитический механизм. ^[36]

Большой прогресс в разработке и перепроектировании ферментов de novo был достигнут в первом десятилетии 21-го века. В трех крупных исследованиях Дэвид Бейкер и его коллеги de novo разработали ферменты для ретроальдольной реакции , ^[37] реакции элиминирования Кемпа, ^[38] и для реакции Дильса-Альдера . ^[39] Кроме того, Стивен Майо и его коллеги разработали итерационный метод для разработки наиболее эффективного известного фермента для реакции элиминирования Кемпа. ^[40] Кроме того, в лаборатории Брюса Дональда вычислительное проектирование белка использовалось для переключения специфичности одного из доменов белка нерибосомальной пептидсинтетазы , которая производит грамицидин S , с его естественного субстрата фенилаланина на другие неродственные субстраты, включая заряженные аминокислоты; перепроектированные ферменты имели активность, близкую к активности дикого типа. ^[41]

Полурациональный дизайн

Полурациональный дизайн — это метод целенаправленной модификации, основанный на определенном понимании последовательности, структуры и каталитического механизма ферментов. Этот метод находится между иррациональным дизайном и рациональным дизайном. Он использует известную информацию и средства для выполнения эволюционной модификации определенных функций целевого фермента. Характерной чертой полурационального дизайна является то, что он не полагается исключительно на случайную мутацию и скрининг, а объединяет концепцию направленной эволюции. Он создает библиотеку случайных мутантов с различными последовательностями посредством мутагенеза , подверженного ошибкам RCR , рекомбинации ДНК и мутагенеза с насыщением сайтов . В то же время он использует понимание ферментов и принципов дизайна для целенаправленного отсеивания мутантов с желаемыми характеристиками.

Методология полурационального дизайна подчеркивает глубокое понимание ферментов и контроль эволюционного процесса. Она позволяет исследователям использовать известную информацию для управления эволюционным процессом, тем самым повышая эффективность и успешность. Этот метод играет важную роль в модификации функций белка, поскольку он может сочетать преимущества иррационального дизайна и рационального дизайна, а также может исследовать неизвестное пространство и использовать известные знания для целенаправленной модификации.

Полурациональный дизайн имеет широкий спектр применения, включая, но не ограничиваясь оптимизацией ферментов, модификацией лекарственных мишеней, эволюцией биокатализаторов и т. д. С помощью этого метода исследователи могут более эффективно улучшать функциональные свойства белков для удовлетворения конкретных биотехнологических или медицинских нужд. Хотя этот метод предъявляет высокие требования к информации и технологиям и относительно сложен в реализации, с развитием вычислительной техники и биоинформатики перспективы применения полурационального дизайна в белковой инженерии становятся все шире. ^[42]

Дизайн для сродства

Белково-белковые взаимодействия участвуют в большинстве биотических процессов. Многие из наиболее трудно поддающихся лечению заболеваний, такие как болезнь Альцгеймера , многие формы рака (например, TP53 ) и инфекция вируса иммунодефицита человека ( ВИЧ ), включают белок-белковые взаимодействия. Таким образом, для лечения таких заболеваний желательно разрабатывать белковые или белок-подобные терапевтические средства, которые связывают одного из партнеров взаимодействия и, таким образом, нарушают взаимодействие, вызывающее болезнь. Это требует разработки белково-терапевтических средств для сродства к своему партнеру.

Белково-белковые взаимодействия могут быть разработаны с использованием алгоритмов проектирования белков, поскольку принципы, которые управляют стабильностью белка, также управляют связыванием белок-белок. Однако проектирование белок-белкового взаимодействия представляет собой проблемы, которые обычно не присутствуют в проектировании белков. Одна из самых важных проблем заключается в том, что, как правило, интерфейсы между белками более полярны, чем ядра белков, и связывание подразумевает компромисс между десольватацией и образованием водородных связей. ^[43] Чтобы преодолеть эту проблему, Брюс Тайдор и его коллеги разработали метод улучшения сродства антител, сосредоточившись на электростатических вкладах. Они обнаружили, что для антител, разработанных в исследовании, снижение затрат на десольватацию остатков в интерфейсе увеличило сродство пары связывания. ^{[43] [44] [45]}

Прогнозы обязательных оценок

_{Функции энергии дизайна белка должны быть адаптированы для} оценки прогнозов связывания, поскольку связывание подразумевает компромисс между конформациями свободных белков с наименьшей _{энергией} ( EP и EL ) и конформацией связанного комплекса с наименьшей энергией ( EPL ):

${\displaystyle \Delta _{G}=E_{PL}-E_{P}-E_{L}}$.

Алгоритм K* аппроксимирует константу связывания алгоритма, включая конформационную энтропию в расчет свободной энергии. Алгоритм K* рассматривает только конформации с самой низкой энергией свободных и связанных комплексов (обозначаемые наборами P , L и PL ) для аппроксимации функций распределения каждого комплекса: ^[14]

${\displaystyle K^{*}={\frac {\sum \limits _{x\in PL}e^{-E(x)/RT}}{\sum \limits _{x\in P}e^{-E(x)/RT}\sum \limits _{x\in L}e^{-E(x)/RT}}}}$

Дизайн для конкретики

Дизайн белок-белковых взаимодействий должен быть высокоспецифичным, поскольку белки могут взаимодействовать с большим количеством белков; успешный дизайн требует селективных связующих веществ. Таким образом, алгоритмы дизайна белков должны иметь возможность различать целевое (или положительное проектирование ) и нецелевое связывание (или отрицательное проектирование ). ^{[2] [43]} Одним из наиболее ярких примеров дизайна для специфичности является дизайн специфических bZIP -связывающих пептидов Эми Китинг и ее коллег для 19 из 20 семейств bZIP; 8 из этих пептидов были специфичны для своего предполагаемого партнера по сравнению с конкурирующими пептидами. ^{[43] [46] [47]} Кроме того, положительный и отрицательный дизайн также использовались Андерсоном и его коллегами для прогнозирования мутаций в активном центре мишени препарата, которые придавали резистентность к новому препарату; положительный дизайн использовался для поддержания активности дикого типа, в то время как отрицательный дизайн использовался для нарушения связывания препарата. ^[48] ​​Недавняя компьютерная переделка Костаса Маранаса и его коллег также позволила экспериментально переключить специфичность кофактора ксилозоредуктазы Candida boidinii с НАДФН на НАДН . ^[49]

Белковая шлифовка

Реструктуризация белка заключается в проектировании поверхности белка с сохранением общей складки, ядра и граничных областей белка нетронутыми. Реструктуризация белка особенно полезна для изменения связывания белка с другими белками. Одним из наиболее важных применений реструктуризации белка была разработка зонда RSC3 для выбора широко нейтрализующих антител к ВИЧ в Центре исследований вакцин NIH. Сначала были выбраны остатки за пределами интерфейса связывания между оболочечным белком ВИЧ gp120 и ранее обнаруженным антителом b12 для проектирования. Затем был выбран интервал последовательностей на основе эволюционной информации, растворимости, сходства с диким типом и других соображений. Затем программное обеспечение RosettaDesign использовалось для поиска оптимальных последовательностей в выбранном пространстве последовательностей. Позднее RSC3 использовался для обнаружения широко нейтрализующего антитела VRC01 в сыворотке длительно инфицированного ВИЧ человека без прогрессирования. ^[50]

Дизайн глобулярных белков

Глобулярные белки — это белки, которые содержат гидрофобное ядро ​​и гидрофильную поверхность. Глобулярные белки часто принимают стабильную структуру, в отличие от фибриллярных белков , которые имеют множественные конформации. Трехмерную структуру глобулярных белков обычно легче определить с помощью рентгеновской кристаллографии и ядерного магнитного резонанса, чем как фибриллярные белки, так и мембранные белки , что делает глобулярные белки более привлекательными для проектирования белков, чем другие типы белков. Большинство успешных разработок белков включали глобулярные белки. И RSD-1, и Top7 были de novo разработками глобулярных белков. Еще пять структур белков были разработаны, синтезированы и проверены в 2012 году группой Бейкера. Эти новые белки не выполняют биотической функции, но структуры предназначены для того, чтобы действовать как строительные блоки, которые можно расширить для включения функциональных активных участков. Структуры были найдены вычислительным путем с использованием новой эвристики, основанной на анализе соединительных петель между частями последовательности, которые определяют вторичные структуры. ^[51]

Дизайн мембранных белков

Было успешно разработано несколько трансмембранных белков ^[52] , а также множество других мембранно-ассоциированных пептидов и белков. ^[53] Недавно Костас Маранас и его коллеги разработали автоматизированный инструмент ^[54] для изменения размера пор внешнего мембранного порина типа F (OmpF) E.coli до любого желаемого субнанометрового размера и собрали их в мембраны для выполнения точного разделения в ангстремном масштабе.

Другие приложения

Одно из самых желательных применений дизайна белков — это биосенсоры , белки, которые будут определять присутствие определенных соединений. Некоторые попытки в дизайне биосенсоров включают сенсоры для неестественных молекул, включая TNT . ^[55] Совсем недавно Кульман и его коллеги разработали биосенсор PAK1 . [ ^56]

В некотором смысле, проектирование белков является подмножеством проектирования батарей . ^{[ необходимо дальнейшее объяснение ]}

Смотрите также

• Белковая инженерия  – Биоинженерный процесс
• Программное обеспечение для молекулярного проектирования  – программное обеспечение САПР для проектирования, моделирования и анализа на молекулярном уровнеСтраницы, отображающие описания викиданных в качестве резерва
  • Сравнение программного обеспечения для моделирования молекулярной механики
  • Программное обеспечение для прогнозирования структуры белка
• Синтетическая биология  – междисциплинарная отрасль биологии и инженерии

Ссылки

1. Корендович, Иван (19 марта 2018 г.). «Минималистский дизайн пептидных и белковых катализаторов». Американское химическое общество . Получено 22 марта 2018 г.
2. Ричардсон, JS; Ричардсон, DC (июль 1989). «Дизайн структур белков de novo». Trends in Biochemical Sciences . 14 (7): 304–9. doi :10.1016/0968-0004(89)90070-4. PMID  2672455.
3. Dahiyat, BI; Mayo, SL (3 октября 1997 г.). «De novo проектирование белков: полностью автоматизированный выбор последовательностей». Science . 278 (5335): 82–7. CiteSeerX 10.1.1.72.7304 . doi :10.1126/science.278.5335.82. PMID  9311930. 
4. Gordon, DB; Marshall, SA; Mayo, SL (август 1999). «Энергетические функции для проектирования белков». Current Opinion in Structural Biology . 9 (4): 509–13. doi :10.1016/s0959-440x(99)80072-4. PMID  10449371.
5. Harbury, PB; Plecs, JJ; Tidor, B; Alber, T; Kim, PS (20 ноября 1998 г.). «Высокоразрешающая разработка белков со свободным скелетом». Science . 282 (5393): 1462–7. doi :10.1126/science.282.5393.1462. PMID  9822371.
6. Kuhlman, B; Dantas, G; Ireton, GC; Varani, G; Stoddard, BL; Baker, D (21 ноября 2003 г.). «Дизайн новой глобулярной белковой складки с точностью на атомном уровне». Science . 302 (5649): 1364–8. Bibcode :2003Sci...302.1364K. doi :10.1126/science.1089427. PMID  14631033. S2CID  1939390.
7. Sterner, R; Merkl, R; Raushel, FM (май 2008). «Вычислительное проектирование ферментов». Химия и биология . 15 (5): 421–3. doi : 10.1016/j.chembiol.2008.04.007 . PMID  18482694.
8. Wu, X; Yang, ZY; Li, Y; Hogerkorp, CM; Schief, WR; Seaman, MS; Zhou, T; Schmidt, SD; Wu, L; Xu, L; Longo, NS; McKee, K; O'Dell, S; Louder, MK; Wycuff, DL; Feng, Y; Nason, M; Doria-Rose, N; Connors, M; Kwong, PD; Roederer, M; Wyatt, RT; Nabel, GJ ; Mascola, JR (13 августа 2010 г.). «Рациональный дизайн оболочки определяет широко нейтрализующие человеческие моноклональные антитела к ВИЧ-1». Science . 329 (5993): 856–61. Bibcode :2010Sci...329..856W. doi : 10.1126/science.1187659. PMC 2965066. PMID 20616233  . 
9. Хёккер, Б. (8 ноября 2012 г.). «Структурная биология: набор инструментов для проектирования белков». Nature . 491 (7423): 204–5. Bibcode :2012Natur.491..204H. doi : 10.1038/491204a . PMID  23135466. S2CID  4426247.
10. Lovell, SC; Word, JM; Richardson, JS; Richardson, DC (15 августа 2000 г.). «Предпоследняя библиотека ротамеров». Proteins . 40 (3): 389–408. CiteSeerX 10.1.1.555.4071 . doi :10.1002/1097-0134(20000815)40:3<389::AID-PROT50>3.0.CO;2-2. PMID  10861930. S2CID  3055173. 
11. Шаповалов, МВ; Данбрак РЛ, младший (8 июня 2011 г.). «Сглаженная зависимая от остова библиотека ротамеров для белков, полученных из адаптивных оценок плотности ядра и регрессий». Структура . 19 (6): 844–58. doi :10.1016/j.str.2011.03.019. PMC 3118414. PMID  21645855 . 
12. Samish, I; MacDermaid, CM; Perez-Aguilar, JM; Saven, JG (2011). «Теоретическое и вычислительное проектирование белков». Annual Review of Physical Chemistry . 62 : 129–49. Bibcode :2011ARPC...62..129S. doi :10.1146/annurev-physchem-032210-103509. PMID  21128762.
13. Mandell, DJ; Kortemme, T (август 2009). "Гибкость остова в вычислительном проектировании белков" (PDF) . Current Opinion in Biotechnology . 20 (4): 420–8. doi :10.1016/j.copbio.2009.07.006. PMID  19709874.
14. Дональд, Брюс Р. (2011). Алгоритмы в структурной молекулярной биологии . Кембридж, Массачусетс: MIT Press.
15. Boas, FE & Harbury, PB (2007). "Функции потенциальной энергии для проектирования белков". Current Opinion in Structural Biology . 17 (2): 199–204. doi :10.1016/j.sbi.2007.03.006. PMID  17387014.
16. Boas, FE; Harbury, PB (апрель 2007). «Функции потенциальной энергии для проектирования белков». Current Opinion in Structural Biology . 17 (2): 199–204. doi :10.1016/j.sbi.2007.03.006. PMID  17387014.
17. Vizcarra, CL; Mayo, SL (декабрь 2005 г.). «Электростатика в вычислительном проектировании белков». Current Opinion in Chemical Biology . 9 (6): 622–6. doi :10.1016/j.cbpa.2005.10.014. PMID  16257567.
18. Zhou, T; Georgiev, I; Wu, X; Yang, ZY; Dai, K; Finzi, A; Kwon, YD; Scheid, JF; Shi, W; Xu, L; Yang, Y; Zhu, J; Nussenzweig, MC; Sodroski, J; Shapiro, L; Nabel, GJ; Mascola, JR; Kwong, PD (13 августа 2010 г.). "Структурная основа для широкой и мощной нейтрализации ВИЧ-1 антителом VRC01". Science . 329 (5993): 811–7. Bibcode :2010Sci...329..811Z. doi :10.1126/science.1192819. PMC 2981354 . PMID  20616231. 
19. Мендес, Дж.; Геруа, Р.; Серрано, Л. (август 2002 г.). «Оценка энергии в дизайне белков». Current Opinion in Structural Biology . 12 (4): 441–6. doi :10.1016/s0959-440x(02)00345-7. PMID  12163065.
20. Пирс, NA; Уинфри, E (октябрь 2002 г.). «Проектирование белков — это NP-трудный процесс». Protein Engineering . 15 (10): 779–82. doi : 10.1093/protein/15.10.779 . PMID  12468711.
21. Voigt, CA; Gordon, DB; Mayo, SL (9 июня 2000 г.). «Торговля точностью ради скорости: количественное сравнение алгоритмов поиска при проектировании белковых последовательностей». Журнал молекулярной биологии . 299 (3): 789–803. CiteSeerX 10.1.1.138.2023 . doi :10.1006/jmbi.2000.3758. PMID  10835284. 
22. Хонг, Э.Дж.; Липпоу, С.М.; Тидор, Б.; Лозано-Перес, Т. (сентябрь 2009 г.). «Оптимизация ротамера для проектирования белков с помощью оценки MAP и уменьшения размера проблемы». Журнал вычислительной химии . 30 (12): 1923–45. doi :10.1002/jcc.21188. PMC 3495010. PMID  19123203. 
23. "Машинное обучение раскрывает рецепт создания искусственных белков". phys.org . Получено 17 августа 2020 г. .
24. Расс, Уильям П.; Фиглюцци, Маттео; Стокер, Кристиан; Барра-Шарле, Пьер; Соколич, Михаил; Каст, Питер; Хилверт, Дональд; Монассон, Реми; Кокко, Симона; Вейгт, Мартин; Ранганатан, Рама (2020). «Эволюционная модель создания ферментов хоризматемутазы». Наука . 369 (6502): 440–445. Бибкод : 2020Sci...369..440R. дои : 10.1126/science.aba3304. PMID  32703877. S2CID  220714458.
25. «Биологи обучают ИИ создавать лекарства и вакцины». Медицинский центр Вашингтонского университета в Харборвью .
26. Ван, Цзюэ; Лисанза, Сидней; Юргенс, Дэвид; Тишер, Дуг; Уотсон, Джозеф Л.; Кастро, Карла М.; Раготт, Роберт; Сарагови, Амиджай; Миллес, Лукас Ф.; Бэк, Минкён; Анищенко, Иван; Ян, Вэй; Хикс, Деррик Р.; Экспозит, Марк; Шлихтэрле, Томас; Чун, Чон-Хо; Допарас, Юстас; Беннетт, Натаниэль; Вики, Базиль ИМ; Мюнкс, Эндрю; ДиМайо, Фрэнк; Коррейя, Бруно; Овчинников, Сергей; Бейкер, Дэвид (22 июля 2022 г.). «Функциональные сайты белков-скеффолдингов с использованием глубокого обучения» (PDF) . Наука . 377 (6604): 387–394. Bibcode :2022Sci...377..387W. doi :10.1126/science.abn2100. ISSN  0036-8075. PMC 9621694. PMID 35862514  . 
27. Гордон, DB; Майо, SL (15 сентября 1999 г.). «Ветвление и завершение: комбинаторный алгоритм оптимизации для проектирования белков». Структура . 7 (9): 1089–98. doi : 10.1016/s0969-2126(99)80176-2 . PMID  10508778.
28. Leach, AR; Lemon, AP (1 ноября 1998 г.). «Изучение конформационного пространства боковых цепей белка с использованием устранения тупиковых концов и алгоритма A*». Proteins . 33 (2): 227–39. CiteSeerX 10.1.1.133.7986 . doi :10.1002/(sici)1097-0134(19981101)33:2<227::aid-prot7>3.0.co;2-f. PMID  9779790. S2CID  12872539. 
29. Kingsford, CL; Chazelle, B; Singh, M (1 апреля 2005 г.). «Решение и анализ задач позиционирования боковой цепи с использованием линейного и целочисленного программирования». Биоинформатика . 21 (7): 1028–36. doi : 10.1093/bioinformatics/bti144 . PMID  15546935.
30. Яновер, Чен; Талья Мельцер; Яир Вайс (2006). «Линейное программирование релаксаций и распространение убеждений – эмпирическое исследование». Журнал исследований машинного обучения . 7 : 1887–1907.
31. Уэйнрайт, Мартин Дж.; Томми С. Яаккола; Алан С. Вилски (2005). «Оценка MAP с помощью соглашения о деревьях: передача сообщений и линейное программирование». Труды IEEE по теории информации . 51 (11): 3697–3717. CiteSeerX 10.1.1.71.9565 . doi :10.1109/tit.2005.856938. S2CID  10007532. 
32. Колмогоров, Владимир (28 октября 2006 г.). «Конвергентная передача сообщений с перевзвешенным деревом для минимизации энергии». Труды IEEE по анализу шаблонов и машинному интеллекту . 28 (10): 1568–1583. doi :10.1109/TPAMI.2006.200. PMID  16986540. S2CID  8616813.
33. Глоберсон, Амир; Томми С. Яаккола (2007). «Исправление максимального продукта: конвергентные алгоритмы передачи сообщений для релаксаций MAP LP». Достижения в области нейронных систем обработки информации .
34. Аллен, БД; Майо, СЛ (30 июля 2006 г.). «Значительное повышение производительности алгоритма оптимизации FASTER». Журнал вычислительной химии . 27 (10): 1071–5. CiteSeerX 10.1.1.425.5418 . doi :10.1002/jcc.20420. PMID  16685715. S2CID  769053. 
35. Desmet, J; Spriet, J; Lasters, I (1 июля 2002 г.). «Быстрая и точная топология боковой цепи и энергетическое уточнение (FASTER) как новый метод оптимизации структуры белка». Proteins . 48 (1): 31–43. doi :10.1002/prot.10131. PMID  12012335. S2CID  21524437.
36. Бейкер, Д. (октябрь 2010 г.). «Увлекательный, но сложный путь вперед для разработки вычислительных ферментов». Protein Science . 19 (10): 1817–9. doi :10.1002/pro.481. PMC 2998717 . PMID  20717908. 
37. Цзян, Линь; Альтофф, Эрик А.; Клементе, Фернандо Р.; Дойл, Линдси; Ротлисбергер, Даниэла; Зангеллини, Александр; Галлахер, Жасмин Л.; Беткер, Джейми Л.; Танака, Фуджи (2008). "De Novo Computational Design of Retro-Aldol Enzymes". Science . 319 (5868): 1387–91. Bibcode :2008Sci...319.1387J. doi :10.1126/science.1152692. PMC 3431203 . PMID  18323453. 
38. Ретлисбергер, Даниэла; Херсонский, Ольга; Уоллакотт, Эндрю М.; Цзян, Линь; Дечанси, Джейсон; Беткер, Джейми; Галлахер, Жасмин Л.; Альтхофф, Эрик А.; Зангеллини, Александр (2008). «Катализаторы удаления Кемпа с помощью компьютерного дизайна ферментов». Природа . 453 (7192): 190–5. Бибкод :2008Natur.453..190R. дои : 10.1038/nature06879 . ПМИД  18354394.
39. Siegel, JB; Zanghellini, A; Lovick, HM; Kiss, G; Lambert, AR; St Clair, JL; Gallaher, JL; Hilvert, D; Gelb, MH; Stoddard, BL; Houk, KN; Michael, FE; Baker, D (16 июля 2010 г.). "Вычислительное проектирование ферментного катализатора для стереоселективной бимолекулярной реакции Дильса-Альдера". Science . 329 (5989): 309–13. Bibcode :2010Sci...329..309S. doi :10.1126/science.1190239. PMC 3241958 . PMID  20647463. {{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
40. Privett, HK; Kiss, G; Lee, TM; Blomberg, R; Chica, RA; Thomas, LM; Hilvert, D; Houk, KN; Mayo, SL (6 марта 2012 г.). «Итеративный подход к вычислительному проектированию ферментов». Труды Национальной академии наук Соединенных Штатов Америки . 109 (10): 3790–5. Bibcode : 2012PNAS..109.3790P. doi : 10.1073 /pnas.1118082108 . PMC 3309769. PMID  22357762. 
41. Чен, CY; Георгиев, I; Андерсон, AC; Дональд, BR (10 марта 2009 г.). «Вычислительная структурная перестройка активности ферментов». Труды Национальной академии наук Соединенных Штатов Америки . 106 (10): 3764–9. Bibcode : 2009PNAS..106.3764C. doi : 10.1073/pnas.0900266106 . PMC 2645347. PMID  19228942 . 
42. Корендович, Иван В. (2018). «Рациональный и полурациональный дизайн белков». Белковая инженерия . Методы в молекулярной биологии (Клифтон, Нью-Джерси). Т. 1685. С. 15–23. doi :10.1007/978-1-4939-7366-8_2. ISBN 978-1-4939-7364-4. ISSN  1064-3745. PMC  5912912 . PMID  29086301.
43. Karanicolas, J; Kuhlman, B (август 2009). «Вычислительное проектирование сродства и специфичности на белок-белковых интерфейсах». Current Opinion in Structural Biology . 19 (4): 458–63. doi :10.1016/j.sbi.2009.07.005. PMC 2882636. PMID  19646858 . 
44. Shoichet, BK (октябрь 2007). «Никакого бесплатного энергетического обеда». Nature Biotechnology . 25 (10): 1109–10. doi :10.1038/nbt1007-1109. PMID  17921992. S2CID  5527226.
45. Липпов, SM; Виттруп, KD; Тидор, B (октябрь 2007 г.). «Вычислительное проектирование улучшения сродства антител за пределами созревания in vivo». Nature Biotechnology . 25 (10): 1171–6. doi :10.1038/nbt1336. PMC 2803018 . PMID  17891135. 
46. Шрайбер, Г.; Китинг, А.Е. (февраль 2011 г.). «Специфичность связывания белков против промискуитета». Current Opinion in Structural Biology . 21 (1): 50–61. doi :10.1016/j.sbi.2010.10.002. PMC 3053118. PMID 21071205  . 
47. Григорян, Г; Рейнке, AW; Китинг, AE (16 апреля 2009 г.). «Проектирование специфичности взаимодействия белков дает селективные пептиды, связывающие bZIP». Nature . 458 (7240): 859–64. Bibcode :2009Natur.458..859G. doi :10.1038/nature07885. PMC 2748673 . PMID  19370028. 
48. Фрей, К. М.; Георгиев, И.; Дональд, Б. Р.; Андерсон, А. С. (3 августа 2010 г.). «Предсказание мутаций устойчивости с использованием алгоритмов проектирования белков». Труды Национальной академии наук Соединенных Штатов Америки . 107 (31): 13707–12. Bibcode : 2010PNAS..10713707F. doi : 10.1073/pnas.1002162107 . PMC 2922245. PMID  20643959 . 
49. Khoury, GA; Fazelinia, H; Chin, JW; Pantazes, RJ; Cirino, PC; Maranas, CD (октябрь 2009 г.). «Вычислительное проектирование ксилозоредуктазы Candida boidinii для измененной специфичности кофактора». Protein Science . 18 (10): 2125–38. doi :10.1002/pro.227. PMC 2786976 . PMID  19693930. 
50. Бертон, DR; Вайс, RA (13 августа 2010 г.). «СПИД/ВИЧ. Ускорение разработки вакцины против ВИЧ». Science . 329 (5993): 770–3. Bibcode :2010Sci...329..770B. doi :10.1126/science.1194693. PMID  20705840. S2CID  206528638.
51. Джессика Маршалл (7 ноября 2012 г.). «Протеины, сделанные на заказ». Nature News . Получено 17 ноября 2012 г.
52. Разработанные трансмембранные альфа-шпилечные белки в базе данных OPM
53. Разработанные мембранно-ассоциированные пептиды и белки в базе данных OPM
54. Chowdhury, Ratul; Kumar, Manish; Maranas, Costas D.; Golbeck, John H.; Baker, Carol; Prabhakar, Jeevan; Grisewood, Matthew; Decker, Karl; Shankla, Manish (10 сентября 2018 г.). "PoreDesigner для настройки селективности растворенных веществ в прочной и высокопроницаемой внешней мембранной поре". Nature Communications . 9 (1): 3661. Bibcode :2018NatCo...9.3661C. doi :10.1038/s41467-018-06097-1. ISSN  2041-1723. PMC 6131167 . PMID  30202038. 
55. Looger, Loren L.; Dwyer, Mary A.; Smith, James J. & Hellinga, Homme W. (2003). «Вычислительное проектирование рецепторных и сенсорных белков с новыми функциями». Nature . 423 (6936): 185–190. Bibcode :2003Natur.423..185L. doi :10.1038/nature01556. PMID  12736688. S2CID  4387641.
56. Jha, RK; Wu, YI; Zawistowski, JS; MacNevin, C; Hahn, KM; Kuhlman, B (21 октября 2011 г.). «Редизайн аутоингибиторного домена PAK1 для повышения стабильности и сродства в биосенсорных приложениях». Журнал молекулярной биологии . 413 (2): 513–22. doi :10.1016/j.jmb.2011.08.022. PMC 3202338. PMID 21888918  . 

Дальнейшее чтение

• Дональд, Брюс Р. (2011). Алгоритмы в структурной молекулярной биологии. Вычислительная молекулярная биология. Кембридж, Массачусетс: The MIT Press. ISBN 9780262015592. OCLC  1200909148.
• Jin, Wenzhen; Kambara, Ohki; Sasakawa, Hiroaki; Tamura, Atsuo & Takada, Shoji (май 2003 г.). «De Novo Design of Foldable Proteins with Smooth Folding Funnel: Automated Negative Design and Experimental Verification». Structure . 11 (5): 581–590. doi : 10.1016/S0969-2126(03)00075-3 . PMID  12737823.
• Pokala, Navin & Handel, Tracy M. (2005). «Энергетические функции для проектирования белков: корректировка сродства комплексов белок-белок, модели для развернутого состояния и отрицательное проектирование растворимости и специфичности». Журнал молекулярной биологии . 347 (1): 203–227. doi :10.1016/j.jmb.2004.12.019. PMID  15733929.
• Сандер, Крис; Фрейнд, Геррит; Базан, Фернандо; Горовиц, Амнон; Накамура, Харуки; Рибас, Луис; Финкельштейн, Алексей В.; Локхарт, Эндрю; Меркл, Райнер; и др. (февраль 1992 г.). «Белковый дизайн на компьютерах. Пять новых белков: Шпилька, Грендель, Fingerclasp, Leather и Aida». Белки: структура, функции и биоинформатика . 12 (2): 105–110. дои : 10.1002/прот.340120203. PMID  1603799. S2CID  38986245.