Комбинированное прогнозирование топологии молекулярной полости белка

Аннотация

Знание о топологии молекулярных полостей и сайтах связывания является важным предиктором в биологических исследованиях аффинности химических агентов/лиганд к белку. Без знаний о расположении ключевых аминокислот не получится проводить адекватные исследования. Потому поиск и идентификация молекулярной полости является важной и актуальной задаче в белковой инженерии, drug design/discovery и других направлениях. В данной статье предлагается комплексный подход в прогнозирование топологии и координат молекулярной полости с использованием метода по гомологии и программного обеспечения, на основе машинного обучения. В качестве испытательной модели для представленного метода был выбран фермент дикой сои (Glycine soja Sieb & Zucc.) бета-амилаза. Для этого фермента был найден соответствующий и самый близкий аннотированный гомолог – бета-амилаза культурной сои (Glycine max (L.) Merr.). С использованием алгоритма выравнивания был получен список аминокислот, которые по предсказанию являются сайтом связывания с субстратом: 6, 25, 71, 103, 120, 130, 171, 203, 288, 322, 332, 377, 400, 434, 471, 481, 482. Параллельно с этим проводилось вычисление полости молекулярного кармана в веб-сервисе PrankWEB. Получены три гипотетических кармана с разным рейтингом, а также аминокислоты, образующие их. Для первого кармана: 99 ,100, 185, 187, 193, 199, 201, 296, 298, 299, 301, 302, 343, 347, 352, 383, 384, 420. Для второго кармана: 18, 21, 54, 56, 90, 94, 99, 102, 179, 185, 296, 420, 421. Для третьего кармана: 14, 16, 49, 86, 176, 177, 415, 452, 455, 457, 459. Первые два кармана в рейтинге точности прогноза имеют схожие аминокислоты, что говорит о высокой точности прогноза. Данные полученные с референсной бета-амилазы культурной сои, при помощи нейронной сети, соотносятся с такими же результатами для дикой сои, что говорит о воспроизводимости методики.

Ключевые слова: bioinformatics, Glycine max, Glycine soja, In silico, Machine learning, PrankWEB, биоинформатика

Об авторах

Список литературы

1. Walters, D. E. (n.d.). Predictive Models of Protein-Active Sites. Protein Structure Prediction, 349–358. doi:10.1385/1-59259-368-2:349
2. Dávid Jakubec, Petr Škoda, Radoslav Krivák, Marian Novotný and David Hoksza. PrankWeb 3: accelerated ligand-binding site predictions for experimental and modelled protein structures. Nucleic Acids Research. May 2022
3. Lukáš Jendele and Radoslav Krivák and Petr Škoda and Marian Novotný and David Hoksza. PrankWeb: a web server for ligand binding site prediction and visualization. Nucleic Acids Research. May 2019
4. Radoslav Krivák and David Hoksza. P2Rank: machine learning based tool for rapid and accurate prediction of ligand binding sites from protein structure. Journal of Cheminformatics. Aug 2018