AlphaFold

В исследовании представлена интегративная стратегия поиска новых терапевтических мишеней для борьбы с болезнью Шагаса (Trypanosoma cruzi) и лейшманиозом. Авторы использовали методы протеомного майнинга и структурного моделирования для идентификации фосфопируватгидратазы (PPH) как перспективной мишени, обладающей высокой специфичностью и отсутствием сходства с человеческими гомологами. С помощью AlphaFold были построены трехмерные модели PPH, которые прошли последующую оптимизацию методом молекулярной динамики. В ходе виртуального скрининга базы данных LANaPDB был выявлен наиболее перспективный кандидат — аптосимон. Экспериментальная проверка показала высокую антипаразитарную активность соединения (hinokinin, производное аптосимона) против внутриклеточных амастигот T. cruzi с показателем IC50 = 3,52 мкг/мл и против промастигот Leishmania donovani с IC50 = 13,06 мкг/мл. Результаты подтверждают потенциал PPH как универсальной мишени для разработки новых лекарственных средств против широкого спектра кинетопластидных паразитов.

Исследование посвящено проблеме предсказания структур «ложных» (spurious) белков — аномальных последовательностей, возникающих из-за ошибок в предсказании генов, которые теоретически не должны иметь стабильной структуры. Авторы провели сравнительный анализ трех передовых методов: AlphaFold2, AlphaFold3 и ESMFold, чтобы выяснить, способны ли они отличить реальные белки от ошибочных. Результаты показали, что все три модели неожиданно присваивают коротким ложным последовательностям из базы AntiFam высокие показатели достоверности (pLDDT), однако способность к дискриминации улучшается на последовательностях длиннее 100 аминокислот. В ходе работы ученые выявили два вероятных ложных открытых рамки считывания (ORF) в базе Swiss-Prot и один потенциально реальный белок. На основе анализа расхождений между показателями pTM и pLDDT была разработана модель на базе гауссовского процесса, которая позволяет масштабируемо идентифицировать ложные белки в базе AlphaFold DB. Данный подход значительно повышает точность верификации протеомных данных при использовании в сочетании с другими методами биоинформатики.

Исследование посвящено проверке гипотезы о том, что ферменты в метаболических путях организованы пространственно для эффективной передачи субстратов (метаболическое каналирование). Авторы протестировали современные методы предсказания белок-белковых взаимодействий, включая AlphaFold2, AlphaFold3, ESMFold и HDOCK, на наборе данных из 112 низкоаффинных димеров. Результаты показали, что подходы на базе AlphaFold наиболее эффективно восстанавливают геометрию взаимодействий, в то время как ESMFold демонстрирует ограниченную точность. С помощью разработанного вычислительного метода анализа 107 пар последовательных ферментов E. coli было установлено, что, хотя ферменты имеют тенденцию к физическому взаимодействию, их каталитические центры не расположены в пространственно оптимизированных конфигурациях. В предсказанных комплексах расстояние между активными центрами не оказывается меньше, чем можно было бы ожидать при случайном расположении. Данная работа предлагает новый вычислительный рабочий процесс для анализа структурной организации метаболизма с помощью ИИ-моделирования.

В данном исследовании ученые использовали методы компьютерного моделирования для изучения механизмов работы белка DCAF7, который играет ключевую роль в организации клеточных комплексов. С помощью инструментов AlphaFold2/3, SLiMAn2 и PSSMsearch был выявлен консервативный $\alpha$-спиральный короткий линейный мотив (SLiM), который связывается с верхней поверхностью $\beta$-пропеллера белка DCAF7. На основе этого мотива была разработана регулярная экспрессия, позволившая идентифицировать новые потенциальные прямые мишени в мета-интерактоме DCAF7 и протеоме человека. Исследование также включало предсказание домен-доменных взаимодействий и моделирование олигомерных комплексов. Результаты работы раскрывают структурную основу функции скаффолдинга DCAF7 и указывают на его важную роль в патогенезе нейроонтогенетических расстройств, включая аутизм. Полученные данные открывают новые возможности для разработки терапевтических стратегий, направленных на модуляцию клеточных процессов через управление белковыми взаимодействиями.

В данном исследовании ученые решили проблему отсутствия экспериментально определенных структур рецептора уротензина II человека (hUT), что ранее ограничивало понимание механизмов его активации. Используя передовые методы мультистадийного предсказания AlphaFold, длительные симуляции молекулярной динамики (MD) и метод картирования карманов SILCS, авторы детально изучили взаимодействие пептидных лигандов hUII и URP с рецептором. Результаты показали, что лиганд hUII накладывает более сильные конформационные ограничения на трансмембранные домены TM5 и TM6 по сравнению с URP, что стабилизирует различные активные конфигурации рецептора. Исследование выявило уникальные ароматические и полярные сети взаимодействий, которые эксплуатирует каждый лиганд для модуляции наклона доменов. Полученные данные объясняют, как даже незначительные различия в структуре пептидов могут приводить к существенным изменениям в селективности сигналов и клинических исходах. Работа предоставляет валидированные 3D-модели и открывает новые возможности для разработки селективных препаратов, воздействующих на уротензин-ергическую систему.

Исследование посвящено изучению молекулярных механизмов активации фактора Виллебранда (VWF) — ключевого регулятора гемостаза — под воздействием гидродинамических сил кровотока. Ученые применили инновационный метод молекулярной динамики потока (FMD), который имитирует воздействие жидкости на белковые структуры. С помощью интеграции кристаллографических данных и предсказаний AlphaFold была реконструирована полная структура механомодуля VWF (1109 остатков) с учетом естественного гликозилирования. Результаты симуляций показали переход белка из компактного, автоингибированного состояния («птичье гнездо») в растянутое, активированное состояние под действием силы. Было выявлено, что модули NAIM и CAIM в домене A1 обладают асимметричной силой автоингибирования, которая регулируется гликанами. Данная работа не только раскрывает фундаментальные принципы механочувствительности белков, но и предлагает платформу для рационального проектирования терапевтических средств, реагирующих на механические стимулы в организме.

Статья представляет собой обзор эволюции и влияния инициативы AlphaFold на структурную биологию и медицину, отмечая достижение AlphaFold 2024 года Нобелевской премии. Модели развивались от AF1 через AF2 (достигшую почти экспериментальной точности в сворачивании одиночных цепей белка) к AF3, которая расширяет предсказания на белок-лигандные, белок-нуклеиновые кислоты и белок-белковые комплексы. Архитектурные различия между версиями включают использование глубоких нейронных сетей в AF1, Evoformer для моделирования эволюционно связанных последовательностей в AF2 и Pairformer для парных аминокислотных взаимодействий в AF3. Ключевые результаты включают широкое внедрение инструментов AlphaFold, расширение структурного покрытия и повышение доступности через базу данных AlphaFold Database (AFDB). Основные приложения в медицине включают ускорение трансляционных исследований, особенно в разработке лекарств на основе структуры (SBDD) и изучении сложных макромолекулярных комплексов. Несмотря на достижения, остаются нерешённые задачи предсказания динамики белка и множественных конформационных состояний. Статья подчёркивает, что AlphaFold продолжает продвигать структурную биологию, особенно в биотехнологии и медицине, несмотря на существующие ограничения.

Исследование представляет метод CoMPLip (co-folding of membrane proteins and lipid molecules), который улучшает точность предсказания структуры мембранных белков с помощью глубокого обучения. Традиционные подходы к предсказанию структуры белков, включая AlphaFold 3, не учитывают явным образом молекулярное окружение, что особенно критично для мембранных белков, чья структура и взаимодействия сильно зависят от липидного окружения. CoMPLip решает эту проблему путём совместного фолдинга белков с липидными молекулами во время предсказания, заставляя липиды организовываться в бислои вокруг трансмембранных регионов, создавая реалистичную мембранную среду. Метод демонстрирует улучшения в предсказании позы лигандов, корректном разделении внеклеточных и внутриклеточных доменов, а также позволяет исследовать множественные конформационные состояния динамических транспортеров. Ключевое преимущество CoMPLip — обучение не требуется (training-free), что упрощает интеграцию в существующие рабочие процессы AlphaFold 3. Это имеет прямое значение для разработки лекарств, так как мембранные белки составляют около 60% всех мишеней для фармакологических препаратов, и точное понимание их структуры критично для дизайна эффективных терапевтических агентов.

Исследование представляет новый метод ABAG-Rank — глубокую нейронную сеть на основе архитектуры DeepSets, предназначенную для эффективного выбора лучших структурных моделей комплексов антитело-антиген из ансамблей, предсказанных AlphaFold. Проблема заключается в том, что AlphaFold3, несмотря на выдающуюся точность предсказания структур белков, часто не может надёжно отличить правильные модели от множества ошибочных предсказаний, особенно для комплексов без сильной коэволюционной информации. Авторы обучили модель на избыточность-редуцированном наборе всех известных комплексов антитело-антиген, используя простые геометрические дескрипторы вместе с оценками уверенности от AlphaFold, что обеспечивает богатую информацию о качестве интерфейса без необходимости интенсивных расчётов на основе физики. Экспериментальные результаты демонстрируют, что ABAG-Rank значительно превосходит внутреннюю систему оценки AF3 и существующие методы ранжирования на основе глубокого обучения. Метод способен обрабатывать ансамбли структурных декоев переменного размера, что делает его применимым к различным настройкам предсказания. Разработанный инструмент имеет открытый исходный код и доступен по адресу GitHub, что способствует его внедрению в научное сообщество. Данная работа имеет практическую значимость для разработки лекарств, понимания иммунных реакций и дизайна вакцин, где точное предсказание структуры комплексов антитело-антиген критически важно.