Informatie

Hoe wordt ligandbinding gemodelleerd?


Ik moet de volgende oefening oplossen:

Om eerlijk te zijn, voor beide delen, zou mijn enige idee tot nu toe zijn om de snelheidsuitdrukking te delen door het gebied van de bol en te vermenigvuldigen met de nieuwe beschikbare gebieden (die van een cirkel voor deel a en die van vele cirkels voor deel b). Maar als ik dit doe, heb ik altijd een "a"-parameter, wat geen zin heeft omdat het alleen representatief is voor de bol. Enig idee hoe dit aan te pakken? Alle hulp wordt zeer op prijs gesteld.


gebruik niet het perfecte vierkante model. Je zult Pi blijven krijgen, maar het is geen echte formule die alleen voor theorie wordt gebruikt. Probeer een cartesiaanse grafiek te gebruiken, maar drie dimensies om rekening te houden met de flexibiliteit van de curve. Integraalrekening is ook vergelijkbaar of beter.


Studie van eiwit-ligandbinding door fluorescentie

Fysisch biochemisch laboratorium, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay. Tel.: 5982-525-86-18 Fax: 5982-525-07-49Zoek naar meer artikelen van deze auteur

Fysisch biochemisch laboratorium, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay

Fysisch biochemisch laboratorium, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay

Fysisch biochemisch laboratorium, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay. Tel.: 5982-525-86-18 Fax: 5982-525-07-49Zoek naar meer artikelen van deze auteur


Voor twee bindingsplaatsen en twee liganden, L en D, is de binding van L:

Merk op dat de ongebonden concentratie van elk ligand nodig is om de binding te voorspellen. Gewoonlijk worden experimenten ontworpen met gebruikmaking van nauwkeurig bekende totale ligandconcentraties en worden metingen gedaan van het gebonden ligand. De binding van alle liganden in het systeem moet bekend zijn om de ongebonden concentratie te voorspellen. Dit kan worden gedaan met behulp van een algemeen bindingsmodel beschreven door Feldman (1972) en geïmplementeerd door Munson & Rodbard (1980). Dit model is geïmplementeerd in de BIND-bibliotheek in MKMODEL.

  • Veldman HA. Wiskundige theorie van complexe ligand-bindende systemen bij evenwicht. Analist Biochem 1972 48:317-338
  • Munson PJ, Rodbard D. LIGAND: een veelzijdige geautomatiseerde benadering voor de karakterisering van ligandbindingssystemen. Analist Biochem 1980 107:220-239

11: Bindende eiwitten - Antilichamen, myoglobine/hemoglobine



IgG-antilichaamstructuur: lichte ketens zijn in groen en donkerblauw, zware ketens in lichtblauw en oranje, disulfidebindingen in gele spacefill, koolhydraten in rood draadframe.

3. Voor immunoaffiniteitschromatografie worden antilichamen die specifiek zijn voor uw eiwit aan korrels gebonden en gebruikt om uw eiwit te zuiveren. Kan soms met zout worden geëlueerd, maar kan sterkere middelen (geconcentreerd ureum, SDS) nodig hebben om eiwit te elueren.

Procedure voor de productie van antilichamen:

  1. Zuiver een kleine hoeveelheid van uw eiwit.
  2. Injecteer een monster in een zoogdier (meestal een konijn, muis, rat of geit) of een kip.
  3. Wacht en doe een tweede injectie om de immuunrespons te verhogen.
  4. Het immuunsysteem van het dier produceert antilichamen die zich stevig aan het geïnjecteerde eiwit zullen binden.
  5. Oogst bloed (zoogdier) of ei (kip).
  6. Gebruik bloedserum direct of doe extra zuivering uit dit "antiserum".
  7. Lipiden en andere verontreinigingen in eigeel moeten vóór gebruik worden gescheiden van antilichamen.

Antilichamen worden aan korrels gebonden voor gebruik bij immunoaffiniteitschromatografie (antilichaamaffiniteitschromatografie).
Antilichamen die zijn gelabeld met radioactief, fluorescerend of histochemisch (een aangehecht enzym dat kleur maakt van een kleurloze verbinding) kunnen worden gebruikt om eiwitten te detecteren die op een gel zijn uitgevoerd.


Driedimensionale eiwitstructuur en ligandbinding

Studenten zullen een eiwit synthetiseren als individuele aminozuren en functioneren als een katalysator.

Enzymen: 3D-structuur en functie

Begrijpen hoe enzymen werken is uiterst belangrijk voor de ontwikkeling van medische behandelingen en technologieën. Deze Enzyme 3-D Structuur- en Functieactiviteit is ontworpen voor biologiestudenten van de middelbare school en maakt hen vertrouwd met kenmerken van de eiwitstructuur die de functie ervan bepalen. De algemene activiteit bestaat uit drie delen: de eerste is een introductiepresentatie, de tweede is een kinesthetische activiteit en de derde is een 3D-structuurvisualisatie. De introductiepresentatie zet de toon voor de activiteit en geeft de leerlingen achtergrondinformatie over eiwitten en aminozuren. Het introduceert ook enzymen en hun verschillende fysiologische functies. De Kinesthetische activiteit stelt de leerlingen voor de uitdaging om een ​​eiwit correct te vouwen. Ze vertegenwoordigen elk een aminozuur en vormen een polypeptideketen door elkaars hand vast te houden en vormen de conformatie met de laagste energie. Met de 3D-structuurvisualisatie kunnen studenten een moleculair beeld van een enzym en zijn actieve plaats vanuit een atomair perspectief zien. Studenten worden beoordeeld met een enquête waarin wordt bevraagd wat ze eerder wisten, wat ze hebben geleerd en waar ze meer over willen weten. 

Looptijd: 60-95 minuten

Leerdoelen:

  • Waar eiwitten van zijn gemaakt en hoe ze in het algemeen chemisch zijn gestructureerd?
  • Een enzym is een speciale klasse van eiwitten die katalytische reacties kunnen uitvoeren en substraten in producten kunnen omzetten
  • Katalysatoren worden niet verbruikt in de reactie, maar worden hergebruikt
  • De actieve site is nodig om deze functie uit te voeren, maar kan worden verstoord door remmers of mutaties
  • De VORM van een eiwit beïnvloedt zijn FUNCTIE
  • Het veranderen van de omgeving van het enzym zal zijn functie veranderen

Documenten: 

Bemestings- en ontwikkelingsactiviteit van zee-egels

In deze activiteit leren de studenten over modelorganismen en celontwikkeling door zee-egeleieren te bevruchten en hun ontwikkeling te volgen. Embryo's van zee-egels worden gebruikt als modelorganisme in het laboratorium van Amro Hamdoun in het Scripps Research Institute van UC San Diego om een ​​klasse eiwitten te bestuderen die ABC-transporters worden genoemd. Deze eiwitten zijn belangrijk voor het afvoeren van giftige chemische substraten uit cellen en zorgen er ook voor dat bepaalde kankercellen resistent worden tegen chemotherapie. De groei en ontwikkeling van zee-egels kunnen gemakkelijk worden waargenomen met een eenvoudige lichtmicroscoop en de belangrijkste stadia van de embryogenese kunnen gedurende een paar dagen worden gevolgd. De extractie van sperma en eieren van zee-egels is relatief eenvoudig en als het op de juiste manier wordt gedaan, kunnen de egels worden gerecycled om meerdere keren gameten te verzamelen. In het kort, de studenten zullen bevruchten Lytechinus pictus egeleieren en observeren de veranderingen in cellulaire morfologie in de loop van de tijd. Ze zullen beschrijven en illustreren wat ze tijdens de tweedaagse activiteit waarnemen. Door onderzoek te doen naar de activiteit, zullen de studenten seriële verdunningen van het sperma maken en eventuele verschillen in bevruchting observeren wanneer deze verdunningen aan de eieren worden toegevoegd. Studenten zullen worden beoordeeld door het beantwoorden van vragen aan het einde van elke sectie die hen verplichten om hun observaties te maken en vast te leggen. Deze activiteit is een wijziging van meerdere protocollen voor de bevruchting van zee-egels.


Discussie en conclusie

In dit werk beschouwen we binding als een lokale gebeurtenis en benadrukken we de lokale informatie bij de voorspelling van doel-ligand-interactie. We passen site-ligand-interacties toe in plaats van doelwit-ligand-interacties en stellen een chemisch interpreteerbaar model voor om de site-ligand-interacties te dekken. We extraheren eerst de ligand-bindingsplaatsen uit doelwit-ligandcomplexen. Vervolgens breken we de bindingsplaatsen en liganden in fragmenten zodat ze kunnen worden gecodeerd als fragmentvectoren op basis van respectievelijk doel- en ligandwoordenboek. Ten slotte nemen we aan dat de fragmenten-interacties de site-ligand-interactie bepalen en stellen we een model voor, fragment interaction model (FIM), om de aanname te veralgemenen. Het voorgestelde model laat een hogere AUC-score (92%) zien met betrekking tot twee prevalentie-algoritmen CS-PD (80%), BLM-NII (85%) en RF (85%). Bovendien is het fragmentinteractienetwerk afkomstig van FIM chemisch interpreteerbaar. In vergelijking met het BLM-NII-, RF- en CS-PD-model, vereist het een kristalstructuur om lokale informatie (bindingsplaats) in FIM te extraheren, wat de toepassing van FIM soms belemmert. Met de toenemende bepaling van eiwitkristalstructuren en de zich ontwikkelende moleculaire modelleringstechniek, kunnen we echter een 3D-structuur met de computer modelleren en de bindingsplaats extraheren.

Vergeleken met traditionele op doelwit gebaseerde of op ligand gebaseerde benaderingen, heeft de voorgestelde FIM-methode de voordelen dat tegelijkertijd doelwitkandidaten en ligandkandidaten worden gevonden. Bovendien kan FIM de interactie voorspellen tussen voorheen ongeziene doelen en ligand-kandidaten. Anders dan bij andere op target-ligand gebaseerde methoden, benadrukt onze methode de fundamentele chemische interacties tussen aminezuren en ligandfragmenten, die algemener is en kan worden toegepast buiten drugtarget-interacties. Verder vertegenwoordigen we niet langer het doelwit als geheel, maar extraheren we de ligand-bindingsplaatsen uit doelwit-ligandcomplexen en passen we de bindingsplaatsen toe om de genomische ruimte te beschrijven. Aan de ene kant stelt het vertegenwoordigen van de genomische ruimte door bindingsplaatsen ons in staat om site-ligand-interactievoorspelling te bieden, wat belangrijk is voor doelen met meerdere locaties. Aan de andere kant zijn de bindingsplaatsen lokaal, wat het verkrijgen van een chemisch interpreteerbaar model vergemakkelijken. Op deze manier breken we de bindingsplaatsen en liganden in fragmenten en beschouwen de fragmentinteracties als genomische en chemische ruimte-interacties. We weten duidelijk hoe de genomische ruimte interageert met de chemische ruimte onder FIM.

In totaal benadrukken we de lokale informatie tijdens het bindingsproces en proberen we een duidelijke relatie tussen de genomische en chemische ruimten te achterhalen. Het voorgestelde model (FIM) past de ligandbindingsplaatsen toe als lokale informatie en beschouwt de bindingsplaats en ligandfragmentinteracties als genomische en chemische ruimte-interacties. De fragmentinteracties zijn eenvoudig en chemisch interpreteerbaar, en het fragmentinteractienetwerk weerspiegelt de chemische interacties. Het vergelijkingsresultaat laat zien dat FIM beter presteert dan andere drie benaderingen. Het onderzoek naar de rol van globale informatie laat zien dat de lokale informatie de voorspellende nauwkeurigheid domineert en dat integratie van de globale informatie het voorspellend vermogen in zeer beperkte mate zou kunnen bevorderen.


Doelstellingen van dit artikel

Een kenmerkend kenmerk van de meeste integrinereceptoren is hun vermogen om een ​​grote verscheidenheid aan liganden te binden. Bovendien binden veel extracellulaire matrix- en celoppervlakadhesie-eiwitten aan meerdere integrinereceptoren (Humphries, 1990 Plough et al., 2000 van der Flier en Sonnenberg, 2001). In de afgelopen jaren hebben structuur-functieanalyses van zowel integrines als hun liganden een vergelijkbare manier van moleculaire interactie aan het licht gebracht die deze promiscuïteit verklaart. Desalniettemin staat de literatuur over integrine vol met onderzoeken die verschillende integrine-ligandparen beschrijven, en het belangrijkste doel van dit artikel is om dit beeld te verduidelijken.


Materialen en methodes

Generatie van datasets en lokvogels

De PDBbind v2017 vormt de bron van onze huidige studie en bevat gemiddeld 16.151 eiwit-ligandcomplexen (Wang et al., 2005). Ongeveer 270 complexen die zelden voorkomende atoomtypen bevatten (zoals) die niet door RDKit konden worden verwerkt, werden verwijderd (Wildman & Crippen, 1999) en na het opschonen van de gegevens hebben we 14.491 eiwit-ligandcomplexen voor verdere verwerking. De fpocket-tool werd gebruikt om de pockets voor het gegeven eiwit te genereren met de standaardparameters (Le Guilloux, Schmidtke & Tuffery, 2009). De pockets en hun corresponderende liganden werden gebruikt om de input voor ons model te genereren. Het gegevensvoorbereidingsproces is vergelijkbaar met ons eerdere werk (Zhang et al., 2019a). De liganden werden omgezet in SMILES-formaat door open babel (O'Boyle et al., 2011) en vervolgens omgezet in een 300-dimensionale vector door mol2vec-tool (Jaeger, Fulle & Turk, 2018). Het basisidee van mol2vec is om de SMILES-string te beschouwen als een moleculaire zin die is samengesteld uit woorden (substructuur), en net als de natuurlijke taalverwerkingsmethode word2vec, werd een niet-gecontroleerde machinale leermethode gebruikt om de mol2vec te construeren door de vector van elk woord te leren op een grote hoeveelheid beschikbare dataset voor chemische verbindingen (corpus) (Krallinger et al., 2015). De resten in de pocket worden door mol2vec omgezet in een 300-dimensionale vector en opgeteld in een 300-dimensionale vector om de pocket weer te geven. De eiwit-ligandbinding wordt vervolgens weergegeven als een vector met 600 dimensies die de ligandvector en de pocketvector samenvoegt door een intern python-script. De driedimensionale structuren die in het artikel worden getoond, zijn uitgezet met behulp van Visual Molecular Dynamics (VMD) en Chimera (Humphrey, Dalke & Schulten, 1996 Pettersen et al., 2004).

Positieve en negatieve datasets

We hebben twee positieve datasets geconstrueerd met verschillende strategieën. Strategie 1 is door een verzameling atomen te definiëren die binnen 1 nm rond het bekende ligand vallen als de bekende pocket. De potentiële pockets die zich dicht bij de bekende pockets bevinden (hebben een C alpha-centrumafstand met een bekende pocket kleiner dan 0,3 nm) werden als de positieve dataset genomen. Strategie 2 is dat bekende pockets direct als positieve dataset worden gekozen. De negatieve dataset is opgebouwd uit fpocket-voorspellingen over de potentiële pockets van de eiwitten in de PDBbind-database. De parameters zijn standaard ingesteld om fpocket-voorspelling uit te voeren. We kiezen willekeurig drie pockets met een C alpha-centrumafstand met een native pocket groter dan 1 nm. Als het aantal zakken met een afstand van meer dan 1 nm tot de oorspronkelijke zak minder is dan drie, beschouwen we alle zakken. De geselecteerde voorspelde pockets samen met de liganden worden als de negatieve dataset genomen. Als de lokzak ver weg is van de bekende ligand-bindende pocket (midden van de afstand tussen een bekende pocket en lokzak is groter dan 3 nm) en de vector van de pocket niet gelijk is aan die bekende ligand-bindende pocket, nemen we aan dat de pocket niet de bijna-native pocket van ligand. We begrijpen dat dit een grote benadering is, we kunnen niet garanderen dat de gedefinieerde niet-ligand-bindende pocket geen druggable plaats is, maar het is zeer goed mogelijk dat de gedefinieerde niet-ligand-bindende pocket niet de bindingsplaats van de gegeven ligand was. De deep learning kan ruis verdragen (zeer kleine delen van onbetrouwbare gegevens) en een dergelijke benadering kan nog steeds worden gebruikt bij de constructie van ons model.

Om er zeker van te zijn dat elke vector van de valstrikzak ver weg is van hun corresponderende bekende zak, hebben we de volgende formule gebruikt om hun vectorovereenkomst te berekenen. Met behulp van de cutoff-waarde van 0,995 verwijderen we die pockets die sterk lijken op de native.

(1) S i j = ( V ik V j ) / ( | V ik | ∗ | V j | ) waarbij de Sij is de gemeten overeenkomst tussen pocket l en zak J, de Vl is de vector van pocket l, en de VJ is de vector van pocket J. De dataset was verdeeld in twee groepen, namelijk in de buurt van inboorlingen als positieve "A" en inheemse zakken als positieve "B". De training, validatie, testen voor twee groepen datasets wordt getoond in Fig. 1. Het model gegenereerd met training A wordt gevalideerd en getest met dataset B en vice versa.

Figuur 1: Classificatie van datasets in verschillende groepen.

Voorbereiding van extra testsets

We hebben eiwit-ligandcomplexen verzameld die na het jaar 2018 in de PDB-database zijn gedeponeerd (Berman et al., 2000). We verwijderen redundantie door slechts één PDB-structuur te behouden als de structuren van hetzelfde gen zijn. Deze eiwit-ligandcomplexen staan ​​niet in de PDBbind 2018-dataset (Wang et al., 2005) en worden gebruikt als een extra testset. De extra testset is verder onderverdeeld in drie delen: 11 gevallen waarbij fpocket bijna-native pockets heeft gegenereerd (extra testset A) 6 gevallen waarbij fpocket geen near-native pockets heeft gegenereerd (extra testset B) 2 gevallen hebben twee overeenkomstige pockets aan verschillende liganden (extra testset C). De classificatie en groepering van gegevens worden weergegeven in Fig. 1. De 6 gevallen waarin fpocket geen bijna-native lokvogels kan genereren, werden de inheemse pocket als positief gebruikt. De eiwitten met PDB-identificatie 6QTN (A, F-keten) en 5ZG2 bevatten twee pockets met verschillende gebonden liganden. We hebben geprobeerd te controleren of onze methode met succes de juiste pockets voor elk van de liganden kan identificeren. De bekende pocket en near-native pocket worden gedefinieerd door dezelfde methode als hierboven. De eiwitten in de extra testset A en B werden onderworpen aan de voorspelling door de P2Rank met zijn standaardparameters ter vergelijking (Krivák & Hoksza, 2018 Jendele et al., 2019).

Bereiding van G-proteïne gekoppelde receptoronafhankelijke testdataset

We hebben 98 GPCR-ligandcomplexen opgehaald uit de GPCRDB-database (https://www.gpcrdb.org/) (Pándy-Szekeres et al., 2018). De near-native pocket werd gedefinieerd als hetzelfde als de eerder genoemde procedure. We zijn geïnteresseerd om te testen of onze methoden goed kunnen presteren op die uitdagende GPCR-eiwitten, kenmerkend voor een echt op structuur gebaseerd toepassingsscenario voor medicijnontdekking.

Constructie van deep learning-model

De details van de modelconstructieprocedure worden geïllustreerd in Fig. 2. Het bevat gegevensverwerking, modeltraining, validatie en testen. We gebruiken de DFCNN geïnspireerd door DenseNet als ons model (Huang et al., 2017). De DFCNN-modelarchitectuur is vergelijkbaar met ons eerdere werk (Zhang et al., 2019a). Het volledig verbonden neurale netwerk is geschikt voor vectoren als input. Bovendien kan DenseNet het probleem van het verdwijnen van gradiënten overwinnen en biedt het veel diepe lagen voor het leren van meer abstracte functies. Dit model heeft goede prestaties laten zien bij het identificeren van eiwit-ligand-bindingsaffiniteit in ons vorige werk (Zhang et al., 2019a). Het heeft voordelen bij het schatten van eiwit-ligandbinding ten opzichte van de meeste andere methoden voor machinaal leren, waaronder Support Vector Machine (Suykens & Vandewalle, 1999), RandomForest (Breiman, 2001), XGBoost (Chen & Guestrin, 2016), Convolutional Neural Network (CNN) ( Krizhevsky, Sutskever & Hinton, 2012). Dicht volledig verbonden neuraal netwerk (DFCNN) en CNN werden gebouwd met Keras (Chollet, 2015) met Tensorflow-back-end (Abadi et al., 1983). De DFCNN heeft 16 dicht verbonden lagen die 100 eenheden tegelijk uitvoeren plus een normale volledig verbonden laag die één eenheid uitvoert als de uiteindelijke uitvoer. In het bijzonder verwijst een dicht verbonden laag naar een laag die alle uitvoer van de voorgaande lagen als invoer gebruikt, wat het probleem van het verdwijnen van gradiënten opmerkelijk kan oplossen. Tarieven voor drop-out lagen zijn allemaal ingesteld op 0,25. De dichte lagen gebruikten de ReLU-activeringsfunctie, behalve de uitvoerlagen die de sigmoid-activeringsfunctie gebruikten. De invoer voor het netwerk is genormaliseerd zodat het gemiddelde en de standaarddeviatie afzonderlijk 0 en 1 zijn. De Adam-optimizer werd gebruikt om de binaire kruisentropie van DFCNN te minimaliseren.

Afbeelding 2: De workflow van het DeepBindPoc-model.

Gegevensnormalisatie en prestatie-evaluatie

Alle gegevens zijn genormaliseerd vóór de definitieve invoer voor het model. De normalisatie is als volgt: (2) t = d a t a _ s e t (3) t n o r m a l i z e = ( t − m e a n ) / s t d waar t is de waarde van de gegevensset, het gemiddelde is de gemiddelde waarde van de gegevens en de std is de standaarddeviatie van de gegevens. We hebben twee normalisatiestrategieën getest, één is gebaseerd op vaste gemiddelde en standaarddeviatiewaarden rechtstreeks uit de trainingsgegevensset (gemiddelde = -0,5696 en std = 30,8744 voor het gebruik van bijna-native als positief en gemiddelde = -0,9610 en std = 63,6607 voor het gebruik van native als positief). De andere strategie omvat normalisatie door de dataset zelf, die in de huidige studie ter vergelijking wordt gebruikt. We vinden dat normaliseren door de dataset te trainen betrouwbaarder is, dus we gebruikten de dataset normaliseren door te trainen, tenzij specifiek vermeld. Er werden verschillende meetwaarden gebruikt om de voorgestelde modellen te evalueren, waaronder nauwkeurigheid, Area Under the receiver operating Characteristic Curve (AUC) (Hanley & McNeil, 1982), Matthews Correlation Coefficient (MCC), True Positive Rate (TPR), specificiteit en gevoeligheid.

Web Server

De eiwitstructuren en de bekende liganden in PDB-formaat zijn vereist als invoer voor de webserver http://cbblab.siat.ac.cn/DeepBindPoc/index.php. We gebruiken eerst de fpocket om de pocket lokvogels te genereren en we gebruiken mol2vec om de pocket en ligand om te zetten in de vectoren. Nadat de eiwit- en ligandvectoren aaneengeschakeld zijn, zal DeepBindPoc lokvogels scoren met een natuurlijke mogelijkheid, en de top drie lokvogels selecteren als de potentiële zakken. De voorspelde pocketnaam werd op de pagina getoond samen met de fpocket-score en DeepBindPoc-score. De resultaten kunnen voor het gemak van de gebruiker ook als bestand worden gedownload. We bieden ook de batchmodus aan de gebruiker en bieden een zipbestand van eiwitten met hun overeenkomstige liganden. Voor zowel het enkelvoudig model als het batchmodel hebben we voor het gemak van de gebruiker een voorbeeldinvoer gegeven.


Abstract

Het verklaren van het effect van oplosmiddel op de sterkte van moleculaire interacties is een al lang bestaand probleem voor moleculaire berekeningen in het algemeen en voor op structuur gebaseerd geneesmiddelontwerp in het bijzonder. Hier onderzoeken we het gegeneraliseerde geboren (GB/SA) model van solvatatie (Still, W.C. Tempczyk, A. Hawley, R.C. Hendrickson, T. J.Ben.Chem.soc.1990, 112, 6127-9) om ligand-receptorbindingsenergieën te berekenen. De GB/SA-benadering maakt de schatting mogelijk van elektrostatische, van der Waals en hydrofobe bijdragen aan de vrije bindingsenergie. De GB/SA-formulering zorgt voor een goede balans tussen rekensnelheid en nauwkeurigheid bij deze berekeningen. We hebben een formule afgeleid om de bindingsvrije energie te schatten. We hebben ook een procedure ontwikkeld om elke onbezette ingebedde ruimte die zich tijdens het koppelingsproces tussen het ligand en de receptor zou kunnen vormen, te bestraffen. Om de rekensnelheid te verbeteren, wordt de eiwitbijdrage aan de elektrostatische screening vooraf berekend en opgeslagen op een raster. Verfijning van de ligandpositie is vereist om de niet-gebonden interacties tussen ligand en receptor te optimaliseren. Onze versie van het GB/SA-algoritme duurt ongeveer 10 s per oriëntatie (met minimalisatie) op een Silicon Graphics R10000-werkstation. In twee testsystemen, dihydrofolaatreductase (dhfr) en trypsine, verkrijgen we veel betere resultaten dan het huidige DOCK (Ewing, T.J.A. Kuntz, I.D. J. Computer. Chem. 1997, 18, 1175-89) krachtveldscoremethode (Meng, E.C. Shoichet, B.K. Kuntz, I.D. J.Berekenen.Chem.1992, 13, 505−24). We stellen ook een methodologie voor om een ​​geschikt parameterregime te identificeren om de specificiteit en de algemeenheid van de vergelijkingen in evenwicht te brengen.

Huidig ​​adres: Dalton Cardiovascular Research Center en Department of Biochemistry, University of Missouri, Columbia, MO 65211.

Huidig ​​adres: Computer-Assisted Drug Design, Bristol-Myers Squibb Company, 5 Research Parkway, Wallingford, CT 06492.

In papers met meer dan één auteur geeft de asterisk de naam aan van de auteur aan wie vragen over de paper moeten worden gericht.


Hoe wordt ligandbinding gemodelleerd? - Biologie

Veel biologisch belangrijke moleculen hebben meerdere bindingsplaatsen. Bijvoorbeeld hemoglobine, het zuurstofdragende molecuul in rode bloedcellen, bindt vier moleculen moleculaire zuurstof, elk op zijn eigen specifieke bindingsplaats. Hemoglobine is een voorbeeld van een coöperatief molecuul, dat wil zeggen een molecuul waarbij de binding van een ligand op één plaats de affiniteit van andere bindingsplaatsen voor hun liganden verandert. In het geval van hemoglobine, de binding van een O .-molecuul2 op één locatie neemt toe de affiniteit van de andere sites voor O2.

Deze eigenschap is van cruciaal belang voor de functie van hemoglobine, dat vier O .-moleculen opneemt2 in de zuurstofrijke omgeving van de longen, en geeft het vervolgens af aan de weefsels met een veel lagere zuurstofconcentratie. Als elk molecuul O2binden aan hemoglobine, de affiniteit van de resterende bindingsplaats neemt toe, waardoor het gemakkelijker wordt voor meer O2 binden . Omgekeerd, aangezien elk molecuul van O2 wordt afgegeven aan een weefsel, de affiniteit van de resterende plaatsen voor O2 neemt af, waardoor het gemakkelijker wordt voor volgende O .-moleculen2 dissociëren.

Scanning elektronenmicrofoto van bloed. De donutvormige cellen zijn rode bloedcellen. Foto tegoed: Bruce Wetzel. Met dank aan het National Cancer Institute.

Het probleem van hoe hemoglobine zuurstof door het lichaam levert, is de afgelopen 100 jaar bestudeerd. In 1910 modelleerde biochemicus Archibald Hill deze eigenschap van hemoglobine met behulp van de rationale functie,

waar &theta is het percentage bezette bindingsplaatsen, [L] is de ligandconcentratie, N is de Hill-coëfficiënt, die de mate van coöperativiteit weergeeft, en KNS is de dissociatieconstante. Herhaal dat KNS is gelijk aan de ligandconcentratie wanneer de helft van de bindingsplaatsen gevuld is.

Een veel voorkomende toepassing van de Hill-vergelijking is het modelleren van coöperatieve enzymen. Deze enzymen staan ​​onder allosterische controle, dat wil zeggen dat de binding van een molecuul op één plaats de affiniteit van het enzym voor zijn substraat verandert en dus de enzymactiviteit reguleert. In dit geval wordt de Hill-vergelijking herschreven als de rationale functie,

waar V is de reactiesnelheid, Vmax is de maximale reactiesnelheid, en [S] is de substraatconcentratie. De constante K is analoog aan de Michaelis-constante (Km) en N is de Hill-coëfficiënt die de mate van coöperatie aangeeft.

Heuvelcoëfficiënt Coöperativiteit
N = 1 geen
N > 1 positief
N < 1 negatief

Positieve coöperativiteit treedt op wanneer een enzym verschillende plaatsen heeft waaraan een substraat kan binden, en de binding van een substraatmolecuul de bindingssnelheid van andere substraten verhoogt. Coöperativiteit kan worden herkend door de snelheid uit te zetten tegen de substraatconcentratie. Een enzym dat positieve coöperativiteit vertoont, is sigmoïdaal (of S-vormig), terwijl niet-coöperatieve enzymen Michaelis-Menten-kinetiek vertonen en de grafieken hyperbolisch zijn.

Gebruik de Hill-vergelijking om de volgende vragen te beantwoorden: