用基于AlphaFold2的模型和密度引导模拟在替代状态下建模冷EM结构

科学领域:

• 结构生物学 结构生物学
• 计算生物学 计算生物学
• 生物物理学的生物物理.

背景情况:

• 精确的原子建模成冷电子显微镜 (cryo-EM) 地图对于蛋白质结构的确定至关重要.
• 具有多个功能状态的蛋白质的建模,特别是膜蛋白,由于结构灵活性和有限的模板可用性而具有挑战性.
• 低冷EM图像分辨率阻碍了替代蛋白质构造的新模型构建.

研究的目的:

• 开发和验证一种新的计算方法,用于将原子模型精制成冷电磁图,特别是对于表现出构造转换的蛋白质.
• 为了提高多个功能状态的膜蛋白的结构建模的准确性,传统方法不足.

主要方法:

• 使用AlphaFold2的多个序列对齐 (MSA) 空间的随机子样本生成多个初始蛋白质模型.
• 使用基于结构的k-means对生成的模型进行集群,以识别不同的构造状态.
• 从代表性集群模型进行密度引导分子动力学 (MD) 模拟.
• 选择最终的原子模型基于冷EM地图的合适性和整体模型质量.

主要成果:

• 与单一起点方法相比,拟议的精细化方法显著提高了适配精度.
• 对于经过构造变化的三种药理学相关的膜蛋白 (素受体类似受体,L型氨基酸载体,氨酸-氨酸-氨酸载体) 证明了提高准确性.
• 成功促进了这些膜蛋白的替代功能状态的构建.

结论:

• 使用生成性人工智能 (AI) 结合基于模拟的精细化组合构建是建模替代蛋白质状态的强大策略.
• 这种方法对于了解膜蛋白和其他复杂生物系统的功能动态尤其有益.
• 该方法为冷EM研究中的形状异质性所带来的结构确定挑战提供了可靠的解决方案.