Новый метод помогает решить сложные задачи в определении структуры белков
Международная коллаборация разработала высокопроизводительный метод, который быстро определил структуру белковых молекул в нескольких случаях, где предыдущие методы потерпели неудачу. Полезность метода описана 1 мая в онлайн-публикации журнала Nature.
Значение структуры белка
Молекулярная структура белка определяет его функции. В биомедицинских исследованиях знание структуры необходимо для:
- Дизайна лекарств, избирательно воздействующих на конкретные биохимические реакции.
- Понимания аномальных белков при болезнях (рак, нейродегенеративные расстройства).
- Изучения формы и функции вирусных частиц.
- Понимания того, как цепи аминокислот сворачиваются в трёхмерные молекулы.
- Создания новых белков, не существующих в природе (например, ферментов).
- Поиска способов замены неисправных молекулярных частей белков.
- Создания наноразмерных инструментов (молекулярные моторы).
Проблемы существующих методов
Метод преодолевает некоторые ограничения рентгеновской кристаллографии. Этот метод получает информацию о структуре, анализируя дифракцию рентгеновских лучей на кристаллах белка, но часть информации может быть утеряна из-за физических ограничений. Учёные пытаются обойти эту проблему с помощью молекулярного замещения, сравнивая данные с уже известными структурами. Однако автоматическое построение цепей часто слишком близко следует модели-образцу, а не реальной структуре изучаемого белка, что приводит к ошибкам.
Суть нового подхода
Исследователи существенно уменьшили это ограничение, объединив компьютерные алгоритмы моделирования структуры белка с методами определения структуры с помощью рентгеновской кристаллографии. Была использована программа Rosetta для предсказания структуры, которая ищет наиболее энергетически выгодную конформацию для цепи аминокислот. Учёные обнаружили, что даже очень плохие карты электронной плотности, полученные методом молекулярного замещения, могут быть полезны. Эти карты направляли поиск Rosetta, основанный на оптимизации энергии. Затем энергооптимизированные предсказанные модели проверялись на соответствие данным электронной плотности от кристаллографии. На их основе генерировались новые карты, которые подвергались автоматическому построению цепей для создания 3D-моделей. Успешность моделей проверялась с помощью сложной мониторинговой техники.
Результаты тестирования
Для проверки производительности метода исследователи взяли 13 наборов данных рентгеновской кристаллографии по молекулам, структуру которых не смогли определить эксперты-кристаллографы, даже применив широкий спектр других подходов. Новый интегрированный метод позволил получить высокоточные структуры для 8 из этих 13 крайне сложных моделей.
Выводы и перспективы
Результаты показывают, что методы предсказания структуры, такие как Rosetta, могут быть ещё более мощными в сочетании с данными рентгеновской кристаллографии. Интегрированный подход, вероятно, превосходит другие, потому что предоставляет информацию физической химии и о структуре белка, которая направляет масштабный поиск среди кандидатных конфигураций, устраняя большинство физически невозможных конформаций. Процедуры требуют значительных вычислений (генерируется до нескольких тысяч предсказаний моделей Rosetta для каждой структуры). Исследователи разрабатывают автоматизированные процедуры, которые потенциально могут сузить круг возможностей и сократить время вычислений. Через лабораторию Дэвида Бейкера многие люди могут внести свой вклад, предоставляя неиспользуемое время домашних компьютеров для помощи в получении структурных моделей биологически и медицински значимых белков, участвуя в научной игре Fold It (http://fold.it/portal/).