молекулярное моделирование

В данном исследовании ученые применили методы компьютерного моделирования (in-silico) для изучения молекулярного механизма взаимодействия эндогенного лиганда 20-HETE с Na⁺/K⁺-АТФазой (NKA), которая играет ключевую роль в регуляции ионного баланса в почках. Использование методов жесткого докинга и докинга с индуцированным соответствием (Induced Fit Docking) позволило оценить аффинность различных лигандов, включая кардиотонические стероиды и 20-HETE. С помощью расчетов свободной энергии связывания (Prime MM/GBSA) были выявлены критически важные аминокислотные остатки, участвующие в стабилизации комплекса. Результаты показали, что мутации Ala330Gly, Val329Ala и Thr804Ala существенно влияют на энергию связывания, что указывает на их ключевую роль в процессе взаимодействия. Полученные данные предоставляют теоретическую базу для понимания механизмов развития фиброза и воспаления при хронической болезни почек (ХБП) и определяют конкретные мишени для последующей экспериментальной валидации.

Исследование посвящено изучению программируемого рибосомального сдвига рамки считывания (PRF) — критически важного механизма, позволяющего РНК-вирусам расширять свой кодирующий потенциал. Авторы провели сравнительный структурный анализ элементов сдвига рамки (FSE) таких патогенов, как вирус японского энцефалита (JEV), вирус Западного Нила (WNV), вирус гепатита С (HCV) и ВИЧ, используя методы интегративного вычислительного моделирования и молекулярного симуляционного анализа. В работе применены передовые инструменты, включая AlphaFold3, trRosettaRNA и simRNA, что позволило выявить специфические для каждого вируса конформационные ансамбли. Установлено, что FSE обладают выраженной структурной пластичностью, зависящей от длины фланкирующих последовательностей, которые способны вызывать значительные перестройки топологии РНК. Особое внимание уделено возможности использования антисмысловых олигонуклеотидов (ASO) для направленного изменения архитектуры FSE, что позволяет дестабилизировать нативные мотивы и перепрограммировать вирусную экспрессию. Полученные результаты открывают новые перспективы в разработке терапевтических стратегий, направленных на модуляцию вирусной репликации через воздействие на динамические РНК-структуры.

Исследователи из МФТИ и ННГУ имени Лобачевского разработали уникальную многоуровневую компьютерную модель, имитирующую работу вкусовых рецепторов человека. В основе проекта лежит создание «цифрового двойника», который моделирует взаимодействие молекул веществ с рецепторными белками на различных биологических уровнях. Методология исследования включает интеграцию данных молекулярной динамики и нейросетевых алгоритмов для предсказания вкусового отклика. Ключевым результатом стала возможность виртуально тестировать тысячи химических соединений без проведения реальных лабораторных опытов на живых тканях. Это достижение открывает колоссальные перспективы для персонализированной нутрициологии и разработки новых пищевых продуктов с заданными свойствами. Технология может значительно ускорить процесс создания специализированного питания для пациентов с нарушениями метаболизма или специфическими диетическими потребностями.

Исследование представляет SELFormerMM — новую мультимодальную архитектуру глубокого обучения для вычислительного открытия лекарств. В отличие от существующих моделей, использующих только одномерные представления (последовательности или графы), SELFormerMM объединяет четыре источника данных: SELFIES-нотации молекул, структурные графы, текстовые описания и биологические взаимодействия из графов знаний. Авторы демонстрируют, что согласование этих гетерогенных представлений позволяет модели улавливать комплементарные сигналы, которые одномерные подходы упускают. Оценка производительности показала превосходство SELFormerMM над структура-, последовательность- и knowledge-based моделями на множестве задач предсказания свойств молекул. Аблиционные эксперименты подтвердили, что эффективная кросс-модальная выравнивание и покрытие модальностей критически важны для извлечения дополнительной информации из данных. Доступность инструмента через GitHub с датасетами, предобученными моделями и вычисленными эмбеддингами делает метод практически применимым для исследовательских групп. Разработанный подход обеспечивает более богатые представления молекул и открывает перспективы для гипотезно-ориентированного открытия новых лекарственных соединений.