评估AlphaFold用于临床药理学和药物遗传学:与亨廷顿病相关的亨廷变种的案例研究
Ajith Kumar Ethirajulu1, Vineesh Sriramoju1, Amruta Gajanan Bhat1
1Department of Pharmaceutical Sciences, University at Buffalo, The State University of New York, 355 Pharmacy, Buffalo, New York, USA.
The AAPS journal
|September 17, 2024
概括
使用AlphaFold的人工智能 (AI) 准确预测了人类亨廷顿蛋白的结构和聚合,有助于理解亨廷顿病的机制和潜在的制药研究. 这个工具有助于药物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 结构生物学是结构生物学.
- 神经科学是一个神经科学.
背景情况:
- 亨廷顿病与亨廷丁蛋白的突变有关,特别是多重质胺通道 (PQT) 的扩张.
- 了解亨廷丁的结构变化和聚合对于开发治疗策略至关重要.
- 现有的研究蛋白质结构和相互作用的方法可能耗时且资源密集.
研究的目的:
- 评估人工智能引导的AlphaFold算法的实用性,用于分析人类狩猎蛋白质结构和聚合.
- 研究亨廷变体和亨廷相关蛋白-40 (HAP40) 之间的结合相互作用.
- 为了建模不同长度的多重胺的狩猎类的聚合.
主要方法:
- 利用AlphaFold来预测huntingtin变体及其复合物的3D结构,并使用HAP40.
- 通过使用代表不同亨廷丁域和PQT长度的合成来进行聚合和寡合化实验.
- 分析了聚合物的四级结构,专注于二级和三级结构元素.
主要成果:
- AlphaFold准确地预测了人类狩猎的三级结构变化,与实验数据一致.
- 聚聚胺通道 (PQT) 和N端序列形成了螺旋结构,有助于聚合核心.
- 与疾病相关的亨廷丁变体 (31Q,51Q,78Q) 显示终端距离减少,由HAP40相互作用调节.
结论:
- AlphaFold是关于亨廷顿病的制药研究中产生假设的宝贵工具.
- 这项研究提供了关于亨廷聚合和HAP40相互作用的结构基础的见解.
- 人工智能驱动的结构预测可以加速对神经退行性疾病中复杂蛋白质动态的理解.
