将动态网络分析与人工智能集成在一起,以在PD-L1:Affibody交互中进行增强的皮层预测

科学领域:

• 生物化学和结构生物学
• 计算生物学和生物信息学
• 药物发现和开发 药物发现和开发

背景情况:

• 确定蛋白与蛋白相互作用 (PPI) 结合表位对药物开发至关重要,但实验方法缓慢且昂贵.
• 当前的人工智能 (AI) 方法难以预测缺乏自然同类的合成结合域的表征.
• 准确预测PPI接口对于设计有针对性的治疗方法至关重要.

研究的目的:

• 开发和验证一种集成的计算方法,用于准确预测蛋白质-蛋白质相互作用接口和结合表位.
• 通过使用动态网络分析来改进AlphaFold2 Multimer结构预测,以改进表位图的绘制.
• 为了研究治疗性PD-L1:Affibody复合物的结合模式.

主要方法:

• 在多个分子动力学 (MD) 轨迹上采用了基于通用关联的动态网络分析.
• 从AlphaFold2 Multimer启动的MD模拟预测了PD-L1:Affibody复合物的结构.
• 使用实验性表位图绘制技术验证的计算预测,包括交叉链接质谱和深度突变扫描.

主要成果:

• 综合动态网络分析方法成功地区分了PD-L1:Affibody复合体的并行和垂直结合模型.
• 垂直结合模式被认为比平行模式稳定得多.
• 基于人工智能的预测和传统的MD分析本身不足以区分绑定模型.

结论:

• 综合动态网络分析方法增强了基于人工智能的PPI接口结构预测.
• 这种方法提供了一种更有效,更准确的方法来解开结合性表位结构.
• 突出了动态网络分析在药物发现中的精细计算预测方面的潜力.