Жаңа ақуыз молекулаларын рационалды жобалау

Кіріспе

Жаңа ақуыз молекулаларының ғылыми негізде жасалуы – жаңа белсенділік, қасиет немесе мақсат үшін ақуыз молекулаларын жобалау және ақуыз функциясының негізгі түсінігін дамыту. Ақуыздарды бастапқыда (de novo дизайн) немесе белгілі ақуыз құрылымы мен оның аминқышқылдық тізбегінің есептелген өзгертулерін жасау арқылы (ақуызды қайта жобалау деп аталады) жобалауға болады. Ғылыми негізде ақуыз жобалау әдістері белгілі бір құрылымға жиналатын ақуыз тізбегін болжайды. Бұл болжамдар пептид синтезі, сайтқа бағытталған мутация жасау немесе жасанды ген синтезі сияқты әдістер арқылы тәжірибелік түрде тексеріледі. Ғылыми негізде ақуыз дизайны 1970 жылдардың ортасына дейін барады. Дегенмен, соңғы кезде суда еритін және тіпті мембраналық пептидтер мен ақуыздарды ғылыми негізде сәтті жобалаудың көптеген мысалдары пайда болды, бұл ақуыз құрылымының тұрақтылығына әсер ететін факторларды жақсы түсінуге және тиімді есептеу әдістерін дамытуға байланысты.

Жалпы түсінік және тарих

Рационалды белок жобалаудың мақсаты – белгілі бір белок құрылымына жиырылатын аминқышқылдарының тізбектерін болжау. Мүмкін болатын белок тізбектерінің саны өте көп, ол белок тізбегінің ұзындығына қарай экспоненциалды түрде өседі, бірақ олардың тек бір бөлігі ғана сенімді және жылдам түрде бір түпкілікті күйге жиырылады. Белок жобалау осы топтың ішінде жаңа тізбектерді анықтауды қамтиды. Белоктың түпкілікті күйі – тізбектің конформациялық еркін энергияның ең төменгі деңгейі. Осылайша, белок жобалау – таңдалған құрылымды еркін энергияның ең төменгі деңгейі ретінде қамтитын тізбектерді іздеу. Бір жағынан, бұл белок құрылымын болжаудың кері процесі. Жобалауда үшіншілік құрылым белгіленеді және оған жиырылатын тізбек анықталады. Сондықтан, бұл кері жиырылу деп те аталады. Белок жобалау – бұл оңтайландыру мәселесі: белгілі бір бағалау критерийлерін қолдану арқылы қажетті құрылымға жиырылатын оңтайландырылған тізбек таңдалады. Алғашқы белоктар 1970 және 1980 жылдары рационалды түрде жобаланғанда, олардың тізбектері басқа белгілі белоктарды, тізбек құрамын, аминқышқылдарының зарядтарын және қажетті құрылымның геометриясын талдау негізінде қолмен оңтайландырылды. 2003 жылы Дэвид Бейкердің зертханасы табиғатта бұрын-соңды кездеспеген толық белок құрылымын жобалады. 2010 жылы пациент сарысуынан компьютерлік жобаланған белок зондын қолдану арқылы ең қуатты нейтралдайтын антиденелердің бірі оқшауланды. Осы және басқа да жетістіктерге байланысты (мысалы, төмендегі мысалдарды қараңыз), белок жобалау белок инженериясы үшін ең маңызды құралдардың біріне айналды. Жаңа, кіші және үлкен белоктарды жобалау биомедицина және биоинженерия салаларында пайдалы болады деген үлкен үміт бар.

Белоктың құрылымы мен функциясының негізгі модельдері

Ақуызды жобалау бағдарламалары ақуыздардың тірі организмдегі молекулалық күштерін модельдейтін компьютерлік модельдерді пайдаланады. Мәселені шешуге оңайластыру үшін, бұл күштер ақуызды жобалау модельдері арқылы қарапайымдастырылады. Ақуызды жобалау бағдарламалары әртүрлі болғанымен, олар төрт негізгі модельдеу сұрағына жауап беруі керек: жобаның мақсатты құрылымы қандай, мақсатты құрылымда қандай икемділікке рұқсат етіледі, іздеуге қандай тізбектер қосылады және тізбектер мен құрылымдарды бағалау үшін қандай күш өрісі қолданылады.

Нысаналы құрылым

Белоктың функциясы белок құрылысына тікелей байланысты, ал рационалды белок дизайны осы қатынасты пайдаланып, белгілі бір құрылымы немесе бүгілуі бар белоктарды жобалау арқылы функцияларды жобалайды. Осылайша, рационалды белок дизайнында мақсатты құрылым немесе құрылымдар жиынтығы бұрыннан белгілі болуы тиіс. Бұл басқа белок инженериясы түрлерінен, мысалы, бағытталған эволюциядан өзгеше, онда белгілі бір функцияны атқаратын белоктарды табу үшін әртүрлі әдістер қолданылады, сондай-ақ белок тізбегі белгілі болса да, құрылымы белгісіз белок құрылымын болжаудан да ерекшеленеді. Көбінесе мақсатты құрылым басқа белоктың белгілі құрылымына негізделген. Дегенмен, табиғатта кездеспейтін жаңа бүгілулер жасау мүмкіндігі артып келеді. Питер С. Ким және оның әріптестері табиғатта бұрын-соңды кездеспеген жасанды спиральді құрылымдардан тримерлер мен тетрамерлерді жасады.

Тізбе кеңістігі

Рационалды белоктарды жобалауда белоктарды белгілі белоктың тізбегі мен құрылымынан немесе жаңадан белоктарды жобалауда толығымен бастап қайта құруға болады. Белоктарды қайта құру кезінде тізбектегі аминқышқылдардың көпшілігі өзгеріссіз қалдырылады, тек бірнешеуінің мутациялануына рұқсат етіледі. De novo жобалауда тізбек бұрынғыдан тәуелсіз, жаңадан құрастырылады. Де-ново жобалау да, белокты қайта жобалау да тізбек кеңістігіндегі ережелерді анықтай алады: әр өзгермелі позициядағы рұқсат етілген аминқышқылдар. Мысалы, эволюциялық деректер мен заряд теңгеріміне сүйене отырып, ВИЧ-ты тежеуге қабілетті антиденелерді іріктеу үшін RSC3 зондының беттік құрамы шектелді. Белокты жобалаудағы алғашқы әрекеттердің көпшілігі тізбек кеңістігіндегі эмпирикалық ережелерге негізделген. Керісінше, тізбекке тәуелді ротамерлік кітапханалар ротамерлерді белок тізбегінің кеңістіктегі орналасуына қарай олардың пайда болу ықтималдығымен сипаттайды. Көптеген белокты жобалау бағдарламалары бір конформацияны (мысалы, ротамерлік бұрыштардың ең жиі кездесетін мәнін) немесе ротамерлік аймақтағы бірнеше нүктені пайдаланады, ал OSPREY бағдарламасы бүкіл үздіксіз аймақты модельдейді. Белокты қайта жобалауда тізбек мутациялары көбінесе тізбек құрылымында шағын өзгерістерге алып келетіндіктен, тізбек икемділігі аса маңызды. Сонымен қатар, тізбек икемділігі байланыс болжау және фермент жобалау сияқты белокты жобалаудың озық қолданыстары үшін де маңызды болуы мүмкін. Белок тізбегінің икемділігін модельдеудің кейбір әдістеріне шағын және үздіксіз жаһандық қозғалыстар, мақсатты құрылымға жақын дискретті тізбек үлгілері, тізбек қозғалысы және тізбек икемділігі кіреді. AMBER және CHARMM сияқты физикалық негіздегі энергия функциялары әдетте кванттық механикалық есептеулерден және термодинамика, кристаллография және спектроскопиядан алынған эксперименталды деректерден туындайды. Бұл энергия функциялары физикалық энергия функциясын жеңілдетіп, оны жұптық декомпозицияға келтіреді, яғни белок конформациясының жалпы энергиясын әрбір атом жұбы арасындағы жұптық энергияны қосу арқылы есептеуге болады, бұл оларды оңтайландыру алгоритмдері үшін тартымды етеді. Физикалық негіздегі энергия функциялары әдетте атомдар арасындағы тартымды және теріс күштерді сипаттайтын Леннард-Джонс терминін және байланыспаған атомдар арасындағы кулондық электростатикалық күштерді модельдейді. Статистикалық потенциалдар физикалық потенциалдарға қарағанда жылдам есептелуімен, күрделі әсерлерді жасырын түрде ескеруімен және белок құрылымындағы шағын өзгерістерге сезімталдығымен артықшылыққа ие. Бұл энергия функциялары құрылымдық деректер базасында пайда болу жиілігінен энергия мәндерін шығаруға негізделген. Алайда, белокты жобалау молекулалық механика күш өрістерінде шектеулер тудыруы мүмкін талаптарға ие. Молекулалық динамика симуляцияларында көбінесе қолданылатын молекулалық механика күш өрістері бір тізбекті симуляциялау үшін оңтайландырылған, бірақ белокты жобалау көптеген тізбектердің көптеген конформацияларын іздейді. Сондықтан молекулалық механика күш өрістері белокты жобалауға бейімделуі керек. Іс жүзінде белокты жобалау энергия функциялары көбінесе статистикалық және физикалық негіздегі терминдерді біріктіреді. Мысалы, ең көп қолданылатын энергия функцияларының бірі – Розетта энергия функциясы CHARMM энергия функциясынан шыққан физикалық негіздегі энергия терминдерін және ротамерлік ықтималдық және білімге негізделген электростатика сияқты статистикалық энергия терминдерін қамтиды. Әдетте, энергия функциялары зертханалар арасында және әр жоба үшін жеке-жеке бейімделеді. Проблемалар класы NP-қиын болғанымен, практикада белокты жобалаудың көптеген мысалдары эвристикалық әдістер арқылы дәл немесе қанағаттанарлық түрде шешіледі.

In rational protein design, proteins can be redesigned from the sequence and structure of a known protein, or completely from scratch in de novo protein design. In protein redesign, most of the residues in the sequence are maintained as their wild type amino acid while a few are allowed to mutate. In de novo design, the entire sequence is designed anew, based on no prior sequence. Both de novo designs and protein redesigns can establish rules on the sequence space: the specific amino acids that are allowed at each mutable residue position. For example, the composition of the surface of the RSC3 probe to select HIV broadly neutralizing antibodies was restricted based on evolutionary data and charge balancing. Many of the earliest attempts on protein design were heavily based on empiric rules on the sequence space. Backbone dependent rotamer libraries, in contrast, describe the rotamers as how likely they are to appear depending on the protein backbone arrangement around the side chain. Most protein design programs use one conformation (e. g., the modal value for rotamer dihedrals in space) or several points in the region described by the rotamer; the OSPREY protein design program, in contrast, models the entire continuous region. Backbone flexibility is especially important in protein redesign because sequence mutations often result in small changes to the backbone structure. Moreover, backbone flexibility can be essential for more advanced applications of protein design, such as binding prediction and enzyme design. Some models of protein design backbone flexibility include small and continuous global backbone movements, discrete backbone samples around the target fold, backrub motions, and protein loop flexibility. Physics based energy functions, such as AMBER and CHARMM, are typically derived from quantum mechanical simulations, and experimental data from thermodynamics, crystallography, and spectroscopy. These energy functions typically simplify physical energy function and make them pairwise decomposable, meaning that the total energy of a protein conformation can be calculated by adding the pairwise energy between each atom pair, which makes them attractive for optimization algorithms. Physics based energy functions typically model an attractive repulsive Lennard Jones term between atoms and a pairwise electrostatics coulombic term between non bonded atoms. Statistical potentials, in contrast to physics based potentials, have the advantage of being fast to compute, of accounting implicitly of complex effects and being less sensitive to small changes in the protein structure. These energy functions are based on deriving energy values from frequency of appearance on a structural database. Protein design, however, has requirements that can sometimes be limited in molecular mechanics force fields. Molecular mechanics force fields, which have been
used mostly in molecular dynamics simulations, are optimized for the simulation of single sequences, but protein design searches through many conformations of many sequences. Thus, molecular mechanics force fields must be tailored for protein design. In practice, protein design energy functions often incorporate both statistical terms and physics based terms. For example, the Rosetta energy function, one of the most used energy functions, incorporates physics based energy terms originating in the CHARMM energy function, and statistical energy terms, such as rotamer probability and knowledge based electrostatics. Typically, energy functions are highly customized between laboratories, and specifically tailored for every design. Even though the class of problems is NP hard, in practice many instances of protein design can be solved exactly or optimized satisfactorily through heuristic methods.

Алгоритмдер

Белсенділік дизайны мәселесі үшін бірнеше алгоритмдер әзірленді. Бұл алгоритмдерді екі негізгі санатқа бөлуге болады: дәл алгоритмдер, мысалы, тұйық жолды жою (dead end elimination), орындалу уақыты бойынша кепілдік бермейді, бірақ шешімнің сапасына кепілдік береді; және Монте-Карло сияқты эвристикалық алгоритмдер, олар дәл алгоритмдерге қарағанда жылдам, бірақ нәтижелердің оңтайлылығына кепілдік бермейді. Дәл алгоритмдер оңтайландыру процесінің ақуыз дизайны моделіне сәйкес оңтайлы нәтижеге қол жеткізгеніне кепілдік береді. Осылайша, егер дәл алгоритмдердің болжамдары эксперименттік растау кезінде сәтсіз болса, онда қателік көзі энергиялық функцияға, рұқсат етілген икемділікке, тізбек кеңістігіне немесе мақсатты құрылымға (мысалы, егер оны жобалау мүмкін болмаса) байланысты болуы мүмкін. Кейбір ақуыз дизайны алгоритмдері төменде тізімделген. Бұл алгоритмдер ақуыз дизайны мәселесінің ең қарапайым формулировкасын ғана қарастырса да, теңдеу , оптимизациялау мақсаты өзгергенде, дизайнерлер ақуыз дизайны моделіне жақсартулар мен кеңейтулер енгізген кезде, мысалы, рұқсат етілген құрылымдық икемділікті жақсарту (мысалы, ақуыздың тірекшесінің икемділігі) немесе күрделі энергиялық шарттарды қосу, модельдеуді жақсартатын ақуыз дизайнындағы көптеген кеңейтулер осы алгоритмдердің негізінде салынған. Мысалы, Rosetta Design күрделі энергиялық шарттарды және тірекше икемділігін Монте-Карлоны негізгі оңтайландыру алгоритмі ретінде пайдалана отырып қамтиды. OSPREY алгоритмдері тұйық жолды жою алгоритмі мен A* негізінде салынған және үздіксіз тірекше және бүйір тізбек қозғалыстарын қамтиды. Осылайша, бұл алгоритмдер ақуыз дизайны үшін қолда бар алгоритмдердің әртүрлі түрлеріне жалпы көзқарас ұсынады. 2020 жылы ғалымдар геномдық деректер базасын пайдалана отырып, эволюциялық негізде жаңа ақуыздарды жобалауға арналған жасанды интеллект негізіндегі процестің жасалғанын хабарлады. Олар жобалау ережелерін анықтау үшін терең оқытуды қолданды. 2022 жылы алдын ала белгіленген функционалдық орталықтарды қамтитын ақуыздарды жобалай алатын терең оқыту бағдарламалық құралы туралы зерттеу жарияланды.

Several algorithms have been developed specifically for the protein design problem. These algorithms can be divided into two broad classes: exact algorithms, such as dead end elimination, that lack runtime guarantees but guarantee the quality of the solution; and heuristic algorithms, such as Monte Carlo, that are faster than exact algorithms but have no guarantees on the optimality of the results. Exact algorithms guarantee that the optimization process produced the optimal according to the protein design model. Thus, if the predictions of exact algorithms fail when these are experimentally validated, then the source of error can be attributed to the energy function, the allowed flexibility, the sequence space or the target structure (e. g., if it cannot be designed for). Some protein design algorithms are listed below. Although these algorithms address only the most basic formulation of the protein design problem, Equation , when the optimization goal changes because designers introduce improvements and extensions to the protein design model, such as improvements to the structural flexibility allowed (e. g., protein backbone flexibility) or including sophisticated energy terms, many of the extensions on protein design that improve modeling are built atop these algorithms. For example, Rosetta Design incorporates sophisticated energy terms, and backbone flexibility using Monte Carlo as the underlying optimizing algorithm. OSPREY's algorithms build on the dead end elimination algorithm and A* to incorporate continuous backbone and side chain movements. Thus, these algorithms provide a good perspective on the different kinds of algorithms available for protein design. In 2020 scientists reported the development of an AI based process using genome databases for evolution based designing of novel proteins. They used deep learning to identify design rules. In 2022, a study reported deep learning software that can design proteins that contain prespecified functional sites.

Мөлдір-салмақсыз жою

Тұйық жолды жою (DEE) алгоритмі проблеманың іздеу кеңістігін, ең төменгі энергия конформациясының (GMEC) бөлігі емес екендігі дәлелденген ротамерлерді алып тастау арқылы қайталана азайтады. Әр итерацияда тұйық жолды жою алгоритмі әрбір қалдық позициясындағы барлық мүмкін ротамер жұптарын салыстырады және егер ротамер r′i әрқашан басқа ротамер ri-ден жоғары энергияға ие екені дәлелденсе, және осылайша GMEC-тің бөлігі болмаса, оны алып тастайды. Тұйық жолды жою алгоритміне басқа да қуатты кеңейтімдер жұптарды жою критерийі және тұйық жолды жоюдың жалпыланған критерийі кіреді. Бұл алгоритм сондай-ақ дәлелді кепілдіктері бар үздіксіз ротамерлерді өңдеуге де кеңейтілді. Тұйық жолды жою алгоритмі әр итерацияда полиномиалдық уақытта жұмыс істесе де, конвергенцияға кепілдік бере алмайды. Егер белгілі бір итерациялардан кейін тұйық жолды жою алгоритмі енді ротамерлерді қысқартуды тоқтатса, онда ротамерлерді біріктіру қажет немесе қалған іздеу кеңістігін іздеу үшін басқа іздеу алгоритмін қолдану керек. Мұндай жағдайларда тұйық жолды жою іздеу кеңістігін қысқарту үшін алдын ала сүзгілеу алгоритмі ретінде әрекет етеді, ал A*, Монте-Карло, Сызықтық бағдарламалау немесе FASTER сияқты басқа алгоритмдер қалған іздеу кеңістігін іздеу үшін пайдаланылады. Ақуыз дизайны үшін танымал іздеу алгоритмі – A* іздеу алгоритмі.

Хаттарды өткізуге негізделген сызықтық бағдарламалаудың екілік шамалары

ILP шешушілер сызықтық бағдарламалау (LP) алгоритмдеріне, мысалы, Симплекс немесе кедергіге негізделген әдістерге тәуелді, әр тармақта LP-ді жеңілдетуді орындау үшін. Бұл LP алгоритмдері жалпы мақсаттағы оңтайландыру әдістері ретінде жасалған және ақуызды жобалау мәселесіне оңтайландырылмаған (теңдеу). Осының салдарынан, мәселенің көлемі үлкен болғанда LP-нің жеңілдеуі ILP шешушілердің шектеуші факторына айналады. Жақында ақуызды жобалау мәселесінің LP-релаксациясын оңтайландыру үшін арналған, хабар алмасу алгоритмдеріне негізделген бірнеше балама әзірленді. Бұл алгоритмдер бүтін сандық бағдарламалаудың дуалды немесе бастапқы мысалдарына жуықтама жасай алады, бірақ оңтайлылыққа кепілдік беру үшін, олар ақуызды жобалау мәселесінің дуалына жуықтама жасағанда тиімдірек, себебі дуалды жуықтау ешқандай шешімді қалып қоймауға кепілдік береді. Хабар алмасуға негізделген жуықтамаларға ағаш қайта салмақталған максималды көбейту хабар алмасу алгоритмі және хабар алмасудың сызықтық бағдарламалау алгоритмі кіреді.

Монте-Карло және симуляциялық оттану

Монте-Карло – ақуызды жобалау үшін ең көп қолданылатын алгоритмдердің бірі. Оның ең қарапайым түрінде Монте-Карло алгоритмі кездейсоқ бір қалдықты таңдайды, ал сол қалдықта кездейсоқ таңдалған ротамер (кез келген аминқышқылының) бағаланады.

Тез

FASTER алгоритмі аминқышқылдарының тізбектерін оңтайландыру үшін детерминистік және стохастикалық критерийлердің үйлесімін пайдаланады. FASTER бастапқыда DEE арқылы ең оңтайлы шешімге кірмейтін ротамерлерді жояды. Содан кейін, ротамерлерді тағайындауды оңтайландыру үшін бірнеше итеративті қадамдар орындалады.

Сенімнің таралуы

Белоктарды жобалау үшін сенім тарату алгоритмінде, алгоритм әрбір қалдықтың көршілес қалдықтардағы әрбір ротамердің ықтималдығына қатысты сенімін сипаттайтын хабарламаларды алмасады. Алгоритм әрбір итерацияда хабарламаларды жаңартады және конвергенцияға немесе итерациялардың белгіленген санына жеткенше қайталайды. Белок жобалауда конвергенция кепілденбеген. i қалдығының көршілес қалдық j-дегі әрбір ротамерге (rj) жіберген хабары mi→ j(rj былай анықталады:

Максималды көбейту және жиынтық көбейту сенім тарату әдістері екеуі де белок дизайнын оңтайландыру үшін қолданылды.

Ферменттердің құрылысы

Жаңа ферменттерді жобалау – биоинженерлік және биомедициналық маңызды қолданымдарға ие ақуыз жобалаудың бір саласы. Әдетте, ақуыз құрылымын жобалау, фермент жобалаудан өзгеше болуы мүмкін, себебі ферменттерді жобалау катализдік механизмге қатысты көптеген факторларды ескеруді қажет етеді. Дегенмен, ақуызды жобалау – ферменттерді жаңадан жобалаудың қажетті шарты, өйткені ең болмағанда, катализаторларды жобалау үшін катализдік механизмді орналастыруға болатын негізгі құрылым қажет. 21-ші ғасырдың басында ферменттерді жаңадан жобалау және қайта жобалау саласында үлкен прогресс жасалды. Дэвид Бейкер және оның әріптестері үш маңызды зерттеуде ретро-алдолдық реакция, Кемптің жою реакциясы және Дильс-Алдер реакциясы үшін ферменттерді жаңадан жобады. Сонымен қатар, Стивен Мейо және оның әріптестері Кемптің жою реакциясы үшін ең тиімді ферментті жобалау үшін итеративтік әдіс әзірледі. Брюс Дональдтың зертханасында грамицидин S-ті өндіретін рибосомаға тәуелді емес пептид синтетазасының бір ақуыз доменінің табиғи субстраты – фенилаланиннен басқа, зарядталған аминқышқылдары сияқты бейтаныс субстраттарға қарайтын спецификалық қасиетін өзгерту үшін есептеулік ақуыз жобалау пайдаланылды; қайта жобаланған ферменттердің активтілігі жабайы типтің активтілігіне жақын болды.

Туыстықты жобалау

Ақуыз-ақуыз өзара әрекеттесуі көптеген тірі процестерге қатысады. Алцгеймер ауруы, көптеген қатерлі ісіктер (мысалы, TP53) және адам иммуножеткіліксіздік вирусы (АИТВ) инфекциясы сияқты емдеуге қиын аурулардың көпшілігі ақуыз-ақуыз өзара әрекеттесуін қамтиды. Сондықтан, мұндай ауруларды емдеу үшін өзара әрекеттесудің бір серігіне байланысып, осылайша ауруды тудыратын өзара әрекеттесуді бұзатын ақуыз немесе ақуызға ұқсас терапиялық заттарды жасау қажет. Бұл үшін ақуыз терапиясын оның жұбайына жақындыққа (аффиниттікке) ие болу үшін жобалау қажет. Ақуыз-ақуыз өзара әрекеттесуін ақуыз дизайны алгоритмдерін қолдану арқылы жобалауға болады, өйткені ақуыз тұрақтылығын анықтайтын принциптер ақуыз-ақуыз байланысын да анықтайды. Ақуыз-ақуыз өзара әрекеттесуін жобалау, ақуыз дизайнында жиі кездеспейтін қиындықтар туғызады. Ең маңызды қиындықтардың бірі – ақуыздар арасындағы интерфейстер, әдетте, ақуыз ядроларына қарағанда көбірек полярлы болады, ал байланыс десольватация мен сутекті байланыс пайда болу арасындағы тепе-теңдікті қамтиды. Бұл қиындықты жеңу үшін Брюс Тидор және оның әріптестері электростатикалық үлеске назар аудару арқылы антиденелердің жақындығын (аффиниттігін) жақсарту әдісін әзірледі. Олар зерттеуде жобаланған антиденелер үшін интерфейстегі қалдықтардың десольватация шығындарын азайту байланысқан жұптардың жақындығын (аффиниттігін) арттыратынын анықтады.

Белоктарды қайта өңдеу

Белокты қайта жаңарту – белоктың жалпы құрылымын, ядросын және шекаралық аймақтарын сақтай отырып, оның бетін жобалау процесі. Белокты қайта жаңарту, әсіресе, белоктың басқа белоктармен байланысын өзгертуге өте пайдалы. Белокты қайта жаңартудың маңызды қолданыстарының бірі – NIH вакцина зерттеу орталығында кең спектрлі бейтараптандыратын ВИЧ антиденелерін іріктеу үшін RSC3 зондын жобалау болды. Алдымен, gp120 ВИЧ қабықшасының белгісі мен бұрын анықталған b12 антиденесі арасындағы байланыс интерфейсінен тыс амин қышқылы қалдықтары жобалау үшін таңдалды. Содан кейін, реттілік аралығы эволюциялық ақпарат, ерігіштік, жабайы типке ұқсастық және басқа да факторлар негізінде таңдалды. Содан кейін, таңдалған реттілік кеңістігінде ең оңтайлы реттіліктерді табу үшін RosettaDesign бағдарламалық қамтамасы қолданылды. Кейіннен RSC3 ұзақ жылдар бойы ВИЧ инфекциясын жұқтырған, бірақ прогрессияға ұшырамаған адамның сарысуынан кең спектрлі бейтараптандыратын VRC01 антиденесін анықтау үшін пайдаланылды.

Көгершекті ақуыздарды жобалау

Глобулярлы ақуыздар – гидрофобтық ядросы және гидрофильді беті бар ақуыздар. Глобулярлы ақуыздар көбінесе тұрақты құрылымға ие болады, талшықты ақуыздардан өзгеше, олардың көптеген конформациялары болады. Глобулярлы ақуыздардың үш өлшемді құрылымын рентгендік кристаллография және ядролық магниттік резонанс арқылы талшықты және мембраналық ақуыздарға қарағанда анықтау әдетте оңайырақ, бұл глобулярлы ақуыздарды ақуызды жобалау үшін басқа түрлеріне қарағанда тартымдырақ етеді. Көптеген сәтті ақуыз жобаларында глобулярлы ақуыздар қолданылған. RSD 1 және Top7 – глобулярлы ақуыздардың де ново жобаланған үлгілері болды. Бейкер тобы 2012 жылы тағы бес ақуыз құрылымын жобалап, синтездеп, растады. Бұл жаңа ақуыздар тірі организмде белгілі бір функция атқармайды, бірақ олардың құрылымы функционалдық белсенді орталықтарды қосуға болатын құрылыс блоктары ретінде қолдануға арналған. Құрылымдар екіншілік құрылымдарды анықтайтын тізбек бөліктері арасындағы байланыс тізбектерін талдауға негізделген жаңа эвристикалық әдістерді пайдалану арқылы есептеу жолымен табылды.

Мембраналық ақуыздарды жобалау

Бірнеше трансмембраналық ақуыздар, сондай-ақ көптеген басқа мембранамен байланысты пептидтер мен ақуыздар сәтті жобаланды. Жақында Костас Маранас және оның әріптестері Э. coli бактериясының сыртқы мембраналық F түріндегі Порин (OmpF) тесігінің мөлшерін кез келген қажетті суб-нм өлшемге автоматтандырып өзгертуге арналған құралды жасады және оларды мембранаға жинап, ангстромдық дәлдікте бөлуді жүзеге асырды.

Басқа қолданбалар

Белоктарды жобалаудың ең қажетті қолданыстарының бірі – биосенсорлар, яғни нақты қосылыстардың болуын анықтайтын белоктар. Биосенсорларды жобалауға жасалған әрекеттердің арасында ТНТ сияқты жасанды емес молекулаларға арналған сенсорлар да бар. Соңғы кезде Кульман және оның әріптестері PAK1 биосенсорын жасады. Бір жағынан, белоктарды жобалау – батарея жобалаудың бір бөлігі.