PEPstrMOD2: Прогнозирование третичной структуры химически модифицированных и неметаболических пептидов нового поколения

Роль структуры фибрилл тау в инициировании и распространении агрегирования остается центральным нерешенным вопросом в биологии тауопатий. Хотя нефибриллярные кофакторы все чаще наблюдаются в тау-нитях, полученных от пациентов, неясно, определяют ли они активно структуру и функции фибрилл. В данном исследовании мы показываем, что цинк, двувалентный катион, который нарушен при болезни Альцгеймера (БА), способен приводить к принципиально различным результатам агрегирования и инициирования в зависимости от контекста последовательности тау. Используя условия без гепарина, мы сравнили полную длину тау 2N4R (остатки 1-441) с фрагментом тау, связанным с БА (остатки 304-380), который соответствует упорядоченному фибриллярному ядру. Удивительно, что Zn2+ оказывал противоположные эффекты на эти конструкции: он ускорял агрегирование, увеличивал длину фибрилл и усиливал клеточное инициирование для тау с БА, в то время как замедлял агрегирование, укорачивал фибриллы и подавлял инициирование для полного тау. Эти результаты демонстрируют, что эффекты кофакторов не являются внутренними свойствами самого кофактора, а возникают из его взаимодействия с последовательностью тау и конформационными ограничениями. Более широко, наши результаты поддерживают модель, согласно которой кофакторы маломолекулярного типа действуют как активные архитекторы структуры и функции фибрилл, что предполагает, что химически различные среды могут генерировать структурно и биологически различные штаммы тау в болезни.

EGFR L858R — это активирующая мутация, связанная с аномальным сигналингом EGFR, и молекулы, способные распознавать этот мутант, продолжают быть предметом исследований. В данном исследовании была проведена скрининговая оценка виртуальной библиотеки пептидов, содержащей 59 319 гептапептидов, с использованием кристаллической структуры EGFR L858R, что привело к выявлению четырех пептидов с благоприятными прогнозируемыми способностями к связыванию. Среди них Пептид-1 показал наибольшую аффинность связывания в исследованиях MST (= 0,35 ± 0,02 μM), что превышает аффинность референтного пептида DTP-1. Интегрированные структурные и динамические анализы продемонстрировали, что Пептид-1 может формировать относительно стабильную конформацию связывания с EGFR L858R. Пептид-1 снижал жизнеспособность клеток SKOV3, OVCAR3 и CaOV3, показывал более слабые эффекты на клетках IOSE-80, а его активность была значительно ослаблена после трансдукции shRNA, нацеленному на EGFR. Кроме того, Пептид-1 уменьшал экспрессию мРНК Cyclin D1 и увеличивал экспрессию мРНК Caspase-3. Эти результаты указывают на то, что Пептид-1 может быть дополнительно исследован как пептид, нацеленный на EGFR L858R.

Риск заболеваний у человека возникает под воздействием совместных факторов, таких как генетика, окружающая среда, образ жизни и сопутствующие заболевания, которые действуют на протяжении времени, что приводит к повторяющимся паттернам восприимчивости к различным состояниям. Однако большинство моделей предсказания риска рассматривают заболевания как независимые исходы или полагаются на ограниченное количество входных переменных, что ограничивает их способность выявлять эти общие паттерны. Здесь мы представляем RisQ, платформу, которая изучает унифицированное представление здоровья человека в различных заболеваниях, модальностях и во времени. Это представление запрашивается на естественном языке для оценки риска заболевания для произвольных заболеваний и прогнозных горизонтов. Обобщение на невидимые группы заболеваний и прогнозные горизонты указывает на то, что информация передается между заболеваниями и со временем, выявляя общую структуру риска заболеваний, которую можно изучить. Обученный и проверенный на 488,170 участников из UK Biobank и оцененный без повторного обучения на 257,538 участников из независимой когорты All of Us, RisQ использует эту общую структуру, чтобы превзойти модели, специфичные для заболеваний, многозаболевные платформы и табличные фундаментальные модели в предсказании риска. Мы показываем, что совместное моделирование увеличивающегося числа заболеваний, входных модальностей и прогнозных горизонтов улучшает производительность, что указывает на то, что масштабирование этих осей увеличивает передачу информации и обогащает изученную структуру. Затем мы показываем, что эта структура многомасштабная: она захватывает демографические детерминанты восприимчивости к заболеваниям, одновременно организуя индивидуумов в воспроизводимые кластеры риска по заболеваниям внутри демографически ограниченных подгрупп. Генетические анализы дополнительно поддерживают биологическую обоснованность структуры, связывая потерю функции на уровне генов с профилями риска по заболеваниям. Это выявляет известные взаимосвязи HBB, SLC22A12, CASR и LDLR, в то время как также подчеркивает менее охарактеризованные ассоциации. В целом, эти результаты указывают на то, что риск заболеваний человека демонстрирует общую структуру, которую можно изучить на основе мультимодальных данных для улучшения предсказания риска, стратификации индивидуумов по восприимчивости к заболеваниям и поддержки открытия взаимосвязей между заболеваниями.

Крио-электронная томография (крио-ET) является мощным методом для визуализации макромолекулярных структур непосредственно внутри клеток, но ее более широкое применение ограничивается трудностями надежного нацеливания на определенные структуры во время подготовки образцов. В частности, захват мелких или редких объектов в крио-фокусно-ионно-лучевых (крио-FIB) обработанных ламеллах остается основным узким местом. Здесь мы представляем два рабочего процесса крио-FIB фрезеровки с направлением флуоресценции, которые преодолевают ключевые источники ошибок при нацеливании и позволяют регулярно захватывать структуры на широком диапазоне пространственных масштабов. Для более крупных объектов (>500 нм) мы предлагаем улучшенную стратегию, основанную на регистрации, объединяющую маркеры, обработанные FIB, с коррекцией глубины для несовпадения индексов преломления. Для более мелких объектов (150-500 нм) мы реализуем фрезеровку с направлением флуоресценции в режиме реального времени на коммерчески доступной платформе крио-FIB-SEM, что позволяет последовательно восстанавливать мелкие органеллы с низким копийным числом, такие как центросомы и первичные реснички. Оба рабочих процесса реализованы в новом пакете с открытым исходным кодом fibsemOS и вместе создают более широкий доступ к клеточным структурам, доступным для крио-ET, и устанавливают широко разворачиваемую платформу для целенаправленной структурной биологии in situ.

Искусственный интеллект оказал глубокое влияние на биологические науки и, в частности, значительно ускорил исследования в области формы и функции белков. Ферменты не являются исключением: в последнее время было разработано множество предсказательных моделей для решения различных задач, связанных с ферментами. Модели, рассматривающие совместимость фермент-субстрат (ES) или фермент-реакция (ER), могут быть особенно полезными для аннотирования ферментов, расшифровки биосинтетических путей и извлечения биокаталитиков, главной задачей которых является идентификация истинного катализатора (или действительно совместимой реакции) среди множества схожих кандидатов. В то время как существующие модели демонстрируют высокую эффективность на альтернативных эталонах, менее известны их возможности в данном контексте. В этом исследовании мы оцениваем четыре недавно выпущенные модели предсказания ES и ER, используя задачи и наборы данных, адаптированные для данного условия. Сначала мы показываем, что две представительные модели предсказания ES показывают результаты, близкие к случайным исходным данным, по двум семействам ферментов, когда речь идет о ферментах и субстратах, не встреченных во время обучения. Для оценки дополнительных моделей по последовательному набору данных мы далее собираем самый крупный на сегодняшний день набор данных реакций цитохрома P450 (CYP) — 2922 реакции по 768 ферментам, и строим эталон ранжирования CYP, в котором правильно выбранный фермент должен быть приоритезирован среди всех CYP в своем естественном организме. Мы снова обнаруживаем, что большинство моделей не превосходят базовые показатели на основе последовательностей (BLAST), даже после тонкой настройки. Наконец, мы адаптируем модель предсказания биомолекулярной структуры Boltz для предсказания ES, обучая контролируемые классификаторы на векторных вложениях остатков-лигандов, и показываем, что этот подход последовательно превосходит базовые показатели BLAST на нашем эталоне ранжирования CYP. В совокупности наши результаты свидетельствуют о необходимости более актуального бенчмаркинга и предполагают, что учитывающие взаимодействия представления из полных биомолекулярных комплексов могут служить многообещающей основой для приоритизации ферментов.

Недавние модели генерации и редактирования изображений могут создавать визуально привлекательные натуральные изображения, однако они остаются ненадежными, когда целевое изображение представляет собой знания-интенсивную диаграмму, корректность которой зависит от дисциплинарных концепций, символической структуры и точных пространственных отношений. Мы представляем DisciplineGen-1M, набор данных многодисциплинарного масштаба с миллионом образцов, который поддерживает генерацию изображений из текста и редактирование изображений. Он содержит 1,2 миллиона образцов из математики, физики, химии, биологии, географии, информатики, экономики, истории, музыки и спорта. Для создания набора данных мы разрабатываем масштабируемую структуру, которая объединяет рендеринг векторной графики, редактирование на основе OCR, программный синтез и крупномасштабную фильтрацию текстов в изображения. Эти рабочие процессы обеспечивают создание аннотаций, инструкций по редактированию, структурированных аннотаций и пар изображений с контролируемыми семантическими различиями. Основываясь на DisciplineGen-1M, мы дополнительно представляем модель генерации рассуждений, учитывающую дисциплину, для генерации изображений из текста и редактирования изображений. Эксперименты на связанных с дисциплиной моделях, GenExam и GRADE, показывают значительные улучшения по сравнению с открытыми эталонами, в то время как оценки на общих моделях, информированных рассуждениями, WISE и RISE, дополнительно указывают на более широкий перенос. Результаты свидетельствуют о том, что структурированные академические визуальные данные большого объема являются ключевым компонентом для перехода генерации изображений от эстетической правдоподобности к верифицируемому созданию визуального контента на основе знаний. Мы публично выпустим наш набор данных, модель и исходный код процесса кураторства данных, чтобы обеспечить воспроизводимость и содействовать будущим исследованиям.