Сворачивание белков: вычислительные биологические алгоритмы и их влияние

Сворачивание белков, процесс, посредством которого полипептидная цепь приобретает свою функциональную трехмерную (3D) структуру, является фундаментальной проблемой в биологии. Конкретное трехмерное расположение атомов определяет функцию белка, позволяя ему выполнять разнообразные роли внутри клетки, такие как катализ биохимических реакций, транспортировка молекул и обеспечение структурной поддержки. Понимание принципов, управляющих свертыванием белков, имеет решающее значение для понимания биологических процессов и разработки новых методов лечения заболеваний, связанных с неправильным свертыванием белков.

"Проблема свертывания" относится к задаче предсказания трехмерной структуры белка из его аминокислотной последовательности. В то время как экспериментальные методы, такие как рентгеновская кристаллография, ЯМР-спектроскопия и криоэлектронная микроскопия, могут определять структуры белков, они часто требуют много времени, дороги и не всегда применимы ко всем белкам. Вычислительные подходы предлагают комплементарные и все более мощные средства прогнозирования и понимания свертывания белков.

Значение свертывания белков

Важность свертывания белков распространяется на многочисленные области биологии и медицины:

• Понимание болезней: Многие заболевания, включая болезни Альцгеймера, Паркинсона, Хантингтона и прионные болезни, связаны с неправильным свертыванием и агрегацией белков. Понимание того, как белки сворачиваются неправильно, может привести к разработке целевых методов лечения. Например, исследования неправильного свертывания амилоид-бета-пептида при болезни Альцгеймера используют вычислительные модели для изучения потенциальных терапевтических вмешательств, предотвращающих агрегацию.
• Открытие лекарств: Знание структуры белка необходимо для рационального дизайна лекарств. Понимая трехмерную структуру белковой мишени, исследователи могут разрабатывать лекарства, которые специфически связываются с белком и модулируют его функцию. Структурная биология, поддерживаемая вычислительными методами, сыграла важную роль в разработке лекарств, нацеленных на ВИЧ-протеазу и нейраминидазу гриппа, демонстрируя силу структурного дизайна лекарств.
• Белковая инженерия: Способность предсказывать и манипулировать структурой белка позволяет ученым конструировать белки с новыми функциями или улучшенными свойствами для промышленного и биотехнологического применения. Это включает в себя разработку ферментов с повышенной каталитической активностью, разработку белков с повышенной стабильностью и создание новых биоматериалов. Примеры включают разработку ферментов для производства биотоплива и разработку антител с улучшенным сродством связывания.
• Фундаментальная биология: Выяснение принципов свертывания белков дает представление о фундаментальных законах биологии и помогает нам понять, как жизнь работает на молекулярном уровне. Это улучшает наше понимание взаимосвязи между последовательностью, структурой и функцией и позволяет нам оценить элегантность биологических систем.

Вычислительные подходы к свертыванию белков

Вычислительная биология использует множество алгоритмов и методов для решения проблемы свертывания белков. Эти методы можно широко разделить на основанные на физике (ab initio), основанные на знаниях (на основе шаблонов) и гибридные подходы. Рост машинного обучения также произвел революцию в этой области, и такие алгоритмы, как глубокое обучение, демонстрируют замечательный успех.

1. Основанные на физике (Ab Initio) методы

Ab initio, или "из первых принципов", методы пытаются имитировать физические силы, которые управляют свертыванием белков, используя законы физики. Эти методы опираются на энергетические функции (силовые поля), которые описывают взаимодействия между атомами в белке и окружающей его среде. Цель состоит в том, чтобы найти нативную структуру белка, минимизируя его потенциальную энергию.

a. Моделирование молекулярной динамики (МД)

МД-моделирование - это мощный инструмент для изучения динамического поведения белков. Они включают численное решение уравнений движения Ньютона для всех атомов в системе, позволяя исследователям наблюдать, как белок движется и сворачивается с течением времени. МД-моделирование обеспечивает подробное, атомистическое представление процесса свертывания, фиксируя переходные взаимодействия и конформационные изменения, которые происходят.

Ключевые аспекты МД-моделирования:

• Силовые поля: Точные силовые поля имеют решающее значение для надежного МД-моделирования. Общие силовые поля включают AMBER, CHARMM, GROMOS и OPLS. Эти силовые поля определяют функцию потенциальной энергии, которая включает члены для растяжения связей, изгиба углов, торсионного вращения и несвязанных взаимодействий (сил Ван-дер-Ваальса и электростатических сил).
• Модели растворителей: Белки сворачиваются в среде растворителя, обычно в воде. Модели растворителей представляют взаимодействия между белком и окружающими молекулами воды. Общие модели растворителей включают TIP3P, TIP4P и SPC/E.
• Временные масштабы моделирования: Сворачивание белка может происходить во временных масштабах от микросекунд до секунд или даже дольше. Стандартное МД-моделирование часто ограничивается наносекундами или микросекундами из-за вычислительных затрат. Передовые методы, такие как методы расширенной выборки, используются для преодоления этих ограничений и изучения более длительных временных масштабов.
• Методы расширенной выборки: Эти методы ускоряют изучение конформационного пространства, смещая моделирование в сторону энергетически невыгодных областей или вводя коллективные переменные, которые описывают общую форму белка. Примеры включают зонтичную выборку, метод реплик (REMD) и метадинамику.

Пример: Исследователи использовали МД-моделирование с методами расширенной выборки для изучения свертывания небольших белков, таких как головная часть виллина и шигнолин, что дало представление о путях свертывания и энергетических ландшафтах. Эти симуляции помогли проверить силовые поля и улучшить наше понимание фундаментальных принципов свертывания белков.

b. Методы Монте-Карло (МК)

Методы Монте-Карло - это класс вычислительных алгоритмов, которые полагаются на случайную выборку для получения численных результатов. В свертывании белков методы МК используются для исследования конформационного пространства белка и поиска состояния с наименьшей энергией.

Ключевые аспекты методов МК:

• Конформационная выборка: Методы МК генерируют случайные изменения в структуре белка и оценивают энергию полученной конформации. Если энергия ниже, чем у предыдущей конформации, изменение принимается. Если энергия выше, изменение принимается с вероятностью, зависящей от температуры и разницы энергий, в соответствии с критерием Метрополиса.
• Энергетические функции: Методы МК также опираются на энергетические функции для оценки стабильности различных конформаций. Выбор энергетической функции имеет решающее значение для точности результатов.
• Имитация отжига: Имитация отжига - это распространенный метод МК, используемый при свертывании белков. Он включает в себя постепенное снижение температуры системы, позволяя белку исследовать широкий диапазон конформаций при высоких температурах, а затем оседать в состояние с низкой энергией при низких температурах.

Пример: Методы МК использовались для прогнозирования структур небольших пептидов и белков. Хотя методы МК не так точны, как МД-моделирование, для детальных динамических исследований, они могут быть вычислительно эффективными для изучения больших конформационных пространств.

2. Основанные на знаниях (на основе шаблонов) методы

Основанные на знаниях методы используют множество структурной информации, доступной в базах данных, таких как Банк данных белков (PDB). Эти методы основаны на принципе, что белки со схожими последовательностями часто имеют схожие структуры. Их можно широко разделить на моделирование гомологии и нанизывание.

a. Моделирование гомологии

Моделирование гомологии, также известное как сравнительное моделирование, используется для прогнозирования структуры белка на основе структуры гомологичного белка с известной структурой (шаблоном). Точность моделирования гомологии зависит от сходства последовательностей между целевым белком и белковым шаблоном. Как правило, высокое сходство последовательностей (более 50%) приводит к более точным моделям.

Этапы моделирования гомологии:

1. Поиск шаблонов: Первый шаг - определить подходящие белки-шаблоны в PDB. Обычно это делается с использованием алгоритмов выравнивания последовательностей, таких как BLAST или PSI-BLAST.
2. Выравнивание последовательностей: Последовательность целевого белка выравнивается с последовательностью белка-шаблона. Точное выравнивание последовательностей имеет решающее значение для качества окончательной модели.
3. Построение модели: На основе выравнивания последовательностей строится трехмерная модель целевого белка с использованием координат белка-шаблона. Это включает в себя копирование координат белка-шаблона на соответствующие остатки в целевом белке.
4. Моделирование петли: Области целевого белка, которые плохо выравниваются с белком-шаблоном (например, области петли), моделируются с использованием специализированных алгоритмов.
5. Уточнение модели: Начальная модель уточняется с использованием минимизации энергии и МД-моделирования для улучшения ее стереохимии и устранения стерических столкновений.
6. Оценка модели: Окончательная модель оценивается с использованием различных инструментов оценки качества для обеспечения ее надежности.

Пример: Моделирование гомологии широко использовалось для прогнозирования структур белков, участвующих в различных биологических процессах. Например, оно использовалось для моделирования структур антител, ферментов и рецепторов, предоставляя ценную информацию для открытия лекарств и белковой инженерии.

b. Нанизывание

Нанизывание, также известное как распознавание складок, используется для определения наиболее подходящей складки для белковой последовательности из библиотеки известных белковых складок. В отличие от моделирования гомологии, нанизывание можно использовать даже в тех случаях, когда нет значительного сходства последовательностей между целевым белком и белковыми шаблонами.

Этапы нанизывания:

1. Библиотека складок: Создается библиотека известных белковых складок, обычно на основе структур в PDB.
2. Выравнивание последовательность-структура: Последовательность целевого белка выравнивается с каждой складкой в библиотеке. Это включает в себя оценку совместимости последовательности со структурной средой каждой складки.
3. Функция оценки: Функция оценки используется для оценки качества выравнивания последовательность-структура. Функция оценки обычно учитывает такие факторы, как совместимость типов аминокислот с локальной средой, плотность упаковки и предпочтения вторичной структуры.
4. Ранжирование складок: Складки ранжируются на основе их оценок, и наиболее высоко оцененная складка выбирается в качестве прогнозируемой складки для целевого белка.
5. Построение модели: Трехмерная модель целевого белка строится на основе выбранной складки.

Пример: Нанизывание использовалось для идентификации складок белков с новыми последовательностями или со слабым сходством последовательностей с известными белками. Это было особенно полезно при идентификации складок мембранных белков, которые часто трудно кристаллизовать.

3. Гибридные методы

Гибридные методы сочетают в себе элементы как основанных на физике, так и основанных на знаниях подходов для повышения точности и эффективности прогнозирования структуры белка. Эти методы часто используют ограничения, основанные на знаниях, или функции оценки для управления моделированием на основе физики, или наоборот.

Пример: Программа Rosetta - это широко используемый гибридный метод, который сочетает в себе основанные на знаниях и ab initio подходы. Она использует функцию оценки, которая включает в себя как энергетические члены, так и статистические потенциалы, полученные из известных структур белков. Rosetta успешно предсказывает структуры широкого спектра белков, включая белки с новыми складками.

4. Подходы машинного обучения

Появление машинного обучения, особенно глубокого обучения, произвело революцию в области свертывания белков. Алгоритмы машинного обучения могут изучать сложные закономерности из больших наборов данных белковых последовательностей и структур, и они могут использоваться для прогнозирования структур белков с беспрецедентной точностью.

a. Глубокое обучение для прогнозирования структуры белка

Модели глубокого обучения, такие как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), использовались для прогнозирования различных аспектов структуры белка, включая вторичную структуру, карты контактов и расстояния между остатками. Эти прогнозы затем можно использовать для управления построением трехмерных моделей.

Ключевые архитектуры глубокого обучения, используемые при прогнозировании структуры белка:

• Сверточные нейронные сети (CNN): CNN используются для идентификации локальных закономерностей в белковых последовательностях и для прогнозирования элементов вторичной структуры (альфа-спирали, бета-листы и петли).
• Рекуррентные нейронные сети (RNN): RNN используются для захвата зависимостей дальнего действия в белковых последовательностях и для прогнозирования карт контактов (карт, показывающих, какие остатки находятся в непосредственной близости в трехмерной структуре).
• Механизмы внимания: Механизмы внимания позволяют модели сосредоточиться на наиболее важных частях белковой последовательности при создании прогнозов.

b. AlphaFold и его влияние

AlphaFold, разработанная DeepMind, - это система на основе глубокого обучения, которая достигла новаторских результатов в прогнозировании структуры белка. AlphaFold использует новую архитектуру, которая объединяет CNN и механизмы внимания для прогнозирования межрезидуальных расстояний и углов. Затем эти прогнозы используются для создания трехмерной модели с использованием алгоритма градиентного спуска.

Ключевые особенности AlphaFold:

• Сквозное обучение: AlphaFold обучается сквозным способом для прогнозирования структур белков непосредственно из аминокислотных последовательностей.
• Механизм внимания: Механизм внимания позволяет модели сосредоточиться на наиболее важных взаимодействиях между аминокислотами.
• Переработка: AlphaFold итеративно уточняет свои прогнозы, возвращая их в модель.

AlphaFold значительно улучшила точность прогнозирования структуры белка, достигнув почти экспериментальной точности для многих белков. Ее влияние на эту область было глубоким, ускорив исследования в различных областях биологии и медицины, включая открытие лекарств, белковую инженерию и понимание механизмов заболеваний.

Пример: Успех AlphaFold в конкурсе CASP (Critical Assessment of Structure Prediction) продемонстрировал силу глубокого обучения для прогнозирования структуры белка. Ее способность точно предсказывать структуры ранее нерешенных белков открыла новые возможности для исследований и открытий.

Проблемы и будущие направления

Несмотря на значительные успехи в вычислительном свертывании белков, остается несколько проблем:

• Точность: В то время как такие методы, как AlphaFold, значительно улучшили точность, прогнозирование структур всех белков с высокой точностью остается проблемой, особенно для белков со сложными складками или отсутствием гомологичных шаблонов.
• Вычислительные затраты: Моделирование на основе физики может быть вычислительно затратным, что ограничивает их применимость к большим белкам или длительным временным масштабам. Разработка более эффективных алгоритмов и использование высокопроизводительных вычислительных ресурсов имеют решающее значение для преодоления этого ограничения.
• Мембранные белки: Прогнозирование структур мембранных белков остается особенно сложной задачей из-за сложности мембранной среды и ограниченной доступности экспериментальных структур.
• Динамика белков: Понимание динамического поведения белков имеет решающее значение для понимания их функции. Разработка вычислительных методов, которые могут точно фиксировать динамику белков, остается активной областью исследований.
• Неправильное свертывание и агрегация: Разработка вычислительных моделей, которые могут прогнозировать неправильное свертывание и агрегацию белков, имеет решающее значение для понимания и лечения заболеваний, связанных с неправильным свертыванием белков.

Будущие направления в вычислительном свертывании белков включают:

• Улучшение силовых полей: Разработка более точных и надежных силовых полей имеет решающее значение для повышения точности моделирования на основе физики.
• Разработка методов расширенной выборки: Разработка более эффективных методов расширенной выборки имеет решающее значение для изучения более длительных временных масштабов и моделирования сложных биологических процессов.
• Интеграция машинного обучения с методами, основанными на физике: Сочетание сильных сторон машинного обучения и методов, основанных на физике, может привести к созданию более точных и эффективных алгоритмов прогнозирования структуры белка.
• Разработка методов прогнозирования динамики белков: Разработка вычислительных методов, которые могут точно фиксировать динамику белков, имеет решающее значение для понимания функции белков.
• Решение проблем неправильного свертывания и агрегации белков: Продолжение исследований вычислительных моделей для прогнозирования и понимания неправильного свертывания и агрегации белков жизненно важно для разработки новых методов лечения таких заболеваний, как болезни Альцгеймера и Паркинсона.

Заключение

Сворачивание белков - это центральная проблема в вычислительной биологии, имеющая глубокие последствия для понимания биологических процессов и разработки новых методов лечения. Вычислительные алгоритмы, от моделирования на основе физики до методов, основанных на знаниях, и подходов машинного обучения, играют важную роль в прогнозировании и понимании структур белков. Недавний успех методов на основе глубокого обучения, таких как AlphaFold, ознаменовал важную веху в этой области, ускорив исследования в различных областях биологии и медицины. По мере того, как вычислительные методы продолжают совершенствоваться, они будут давать еще большее представление о сложном мире свертывания белков, открывая путь для новых открытий и инноваций.