应该如何完成同源模建,并有效应用它?

应该如何完成同源模建,并有效应用它?

 

从氨基酸序列预测蛋白质的3D结构仍然是一个基本的科学问题,可以使用不同的方法实现,而最准确的方法是“比较”或“同源”模建,因为通过实验方法测定蛋白质结构是耗时的,并不是所有蛋白的结构都能成功测定。
构建超过50%序列相似性的模型对于药物发现是足够准确的;25%至50%之间的相似性有助于设计诱变实验

同源模建步骤

同源模建一般包含多个步骤:

1.模板的确定;

2.单序列或多序列比对;

3.基于模板3D结构的靶标模型构建;

4.模型优化;

5.模型验证。

1.模板的识别与对比

从NCBI蛋白数据库获取氨基酸序列,使用BLAST进行数据库搜索以优化和查询局部比对,给出与序列匹配的已知蛋白质结构的列表。当序列一致性远低于30%时,BLAST找不到模板;BLAST的同源性命中不可靠。即使选择了正确的模板,对齐误差也是比较建模偏差的主要原因。

由于使用单个模板进行序列比对难以对齐,可使用多种类似序列,通过BLAST搜索多重序列进行更准确的比对,从而形成更好的模型。

2.模型构建

目标模板对齐之后,同源模建的下一步是模型构建,可以使用各种方法为靶标构建蛋白模型,通常使用刚体组装、段匹配、空间约束和人工进化来进行建模。

刚体组装模型建立依赖于将蛋白结构解剖为保守的核心区域、连接蛋白的可变环和装饰骨架的侧链。模型精度基于模板选择和对准精度。除此之外,基于对目标序列结构的约束或,利用其对相关蛋白结构的比对作为指导,满足空间约束的建模。约束的产生是基于模板中的对齐残基与目标结构之间对应距离相似的假设。

3.Loop建模

同源蛋白在序列中具有缺失或插入,称为环(Loop),其结构在进化过程中不保守。环被认为是发生插入和缺失的蛋白可变区域,通常决定蛋白质结构的功能特异性。环建模的准确性是研究蛋白-配体相互作用同源模型的主要因素,建模的环结构必须在几何学上与蛋白质结构的其余部分一致。

4.侧链建模

侧链建模是同源性预测蛋白质结构的重要一步。

侧链预测涉及将侧链放置在从母体结构获得的坐标上,或由从头建模模拟或两者的组合产生。蛋白质侧链倾向于以有限数量的旋转异构体的低能量构象存在。在侧链预测方法中,通过使用定义的能量函数和搜索策略,基于优选的蛋白质序列和给定的骨架坐标选择旋转异构体。可以通过所有原子的均方根偏差(RMSD)发现正确的旋转异构体来分析侧链质量。

5.模型优化

模型优化是一个非常重要的任务,需要对构象空间进行有效抽样,且是准确识别近自然结构的手段。

同源模型建立过程通过一系列氨基酸残基取代、插入和缺失进化。模型优化基于调整对齐、环建模和侧链建模,模型优化过程常使用分子力学力场进行能量最优化,且为了进一步改进,可以应用诸如分子动力学、蒙特卡罗和基于遗传算法的取样技术。

6.模型验证

同源建模的每个步骤都依赖之前的过程。因此,错误可能会被意外引入和传播,因此蛋白质的模型验证和评估是必要的。

蛋白质模型可以作为一个整体及个别区域进行评估。最初,模型的折叠可以通过与模板序列的相似性来评估,也可以使用拉氏图(Ramachandran)进行模型质量评估。

同源模建的应用

同源模建广泛应用于基于结构的药物设计,随着可用晶体结构的数量增加,同源模建的重要性也在增加。

同源模建的其他几个应用:(1)研究突变的影响;(2)鉴定蛋白质上的活性和结合位点;(3)寻找给定结合位点的配体;(4)设计给定结合位点的新配体;(5)预测抗原表位;(6)蛋白-蛋白对接模拟等。

多年来已经建成了大量的同源模型。靶标包括参与人类生物学和医学的抗体和许多蛋白质。

应用案例

人类葡萄糖转运蛋白1(hGLUT1或SLC2A1)是一种在肝脏、肠道、肾脏和大脑中发现的促进性膜转运蛋白,其转运D-葡萄糖和D-半乳糖。hGLUT1的遗传变异与许多疾病和代谢紊乱有关,因此,hGLUT1是一种新的治疗靶点。本研究基于大肠杆菌木糖转运蛋白XylE的X射线晶体结构,构建hGLUT1的同源模型。基于hGLUT1同源模型进行可购买化合物库的虚拟筛选,随后进行细胞实验测试发现了七种以前未知的hGLUT1配体,IC50值范围为0.45μM至59μM。

基于结构的药物设计技术过去由于缺乏靶蛋白的晶体结构而受到阻碍。在这种情况下,目前最好的选择是建立整个蛋白的同源模型。

同源模建的主要目的是从其序列中预测结构,其精度与实验结果相似,提供了一种可行的成本效益替代方法来生成模型。随着实验确定结构数量的增加,同源模型构建的作用和可靠性将继续增加。同源模建是研究配体-受体相互作用、酶-底物相互作用、诱变实验、引导优化、环结构预测和识别命中的强大工具。

参考

1.  Vyas V K, Ukawala R D, Ghate M, et al. Homology modeling a fast tool for drug discovery: current perspectives[J]. Indian journal of pharmaceutical sciences, 2012, 74(1): 1.

2.  Bohnuud T, Luo L, Wodak S J, et al. A benchmark testing ground for integrating homology modeling and protein docking[J]. Proteins: Structure, Function, and Bioinformatics, 2017, 85(1): 10-16.

3.  Ung P M U, Song W, Cheng L, et al. Inhibitor discovery for the human GLUT1 from homology modeling and virtual screening[J]. ACS chemical biology, 2016, 11(7): 1908-1916.

4.  部分图片来自网络。