蛋白质pKa预测的高通量方法的比较性能
Wanlei Wei1, Hervé Hogues1, Traian Sulea1
1Human Health Therapeutics Research Centre, National Research Council Canada, 6100 Royalmount Avenue, Montreal, Quebec H4P 2R2, Canada.
Journal of chemical information and modeling
|August 7, 2023
概括
精确预测蛋白质残留酸度 (pKa) 对工程疗法至关重要. 这项研究对七种计算方法进行了基准测试,发现DeepKa,PKAI+,PROPKA3和H++是有用的,共识模型提高了pH依赖蛋白质设计的准确性.
科学领域:
- 计算生物学 计算生物学
- 蛋白质工程是指蛋白质工程.
- 生物化学 生物化学
背景情况:
- 蛋白质工程需要准确的pKa预测来设计针对各种生物pH环境的治疗方法.
- 现有的高通量pKa预测方法缺乏全面的基准测试,阻碍了可靠的计算蛋白质设计.
- 准确的pKa预测对于优化蛋白质功能至关重要,特别是在pH敏感的应用中,如抗体-抗原结合.
研究的目的:
- 系统地评估和比较七种可访问的计算pKa预测方法.
- 为了确定最准确和最有效的算法来预测蛋白质残留的pKa转移.
- 为蛋白质工程工作流程选择合适的计算工具提供指导.
主要方法:
- 系统测试七种pKa预测方法 (PROPKA3,DeepKa,PKAI,PKAI+,DelPhiPKa,MCCE2,H++) 与来自PKAD数据库的408个实验pKa转移的非冗余数据集.
- 使用统计启动来评估每个方法的可靠性和实用性.
- 通过对表现最佳的经验方法的预测进行平均计算,开发共识模型.
主要成果:
- 虽然没有一个单一的方法始终优于零假设,但DeepKa,PKAI+,PROPKA3和H++证明了它们的实用性.
- 在不同类型的氨基酸中,DeepKa表现一致,错误较小,相关性较高.
- 结合顶级经验预测因素的共识模型实现了0.76 pKa单位的根-平方平均误差和0.45的R2,提高了准确性和可转移性.
结论:
- 在蛋白质工程中,DeepKa,PKAI+,PROPKA3和H++是pKa预测的宝贵工具.
- 共识方法显著提高了计算pKa预测的准确性和可靠性.
- 这一基准为方法开发提供了基础,并指导了用于诸如依赖pH的抗体优化等应用的计算价格低廉的pKa预测器的选择.
