πDMD-симуляция как стратегия для улучшения структур комплексов неупорядоченных белков, смоделированных с помощью AlphaFold2

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Неупорядоченные белки или регионы белков характеризуются отсутствием четко выраженной трехмерной конформации. Их часто называют внутренне неупорядоченными белками или областями, но при этом они играют важную роль в различных клеточных процессах и связаны с развитием ряда патологий. В in silico исследовании мы изучили белковые комплексы, состоящие как из упорядоченного белка 14-3-3γ, так и белков с внутренне неупорядоченными областями: белка нуклеокапсида (N) SARS-CoV-2 и p53. Показано, что комплексы, смоделированные с помощью AlphaFold2 и прошедшие этап улучшения с использованием дискретного молекулярно-динамического моделирования, приобретают определенную структуру в неупорядоченных областях. Этот процесс помогает решить одну из ключевых проблем в исследовании неупорядоченных белков – их склонность избегать стабильных конформаций.

Полный текст

Доступ закрыт

Об авторах

Н. Г. Мурадян

Институт молекулярной биологии Национальной академии наук Республики Армения (НАН РА)

Email: g_arakelov@mb.sci.am

Лаборатория компьютерного моделирования биологических процессов

Армения, Ереван

А. А. Саргсян

Институт молекулярной биологии Национальной академии наук Республики Армения (НАН РА); Российско-Армянский университет

Email: g_arakelov@mb.sci.am

Лаборатория компьютерного моделирования биологических процессов

Армения, Ереван; Ереван

В. Г. Аракелов

Институт молекулярной биологии Национальной академии наук Республики Армения (НАН РА)

Email: g_arakelov@mb.sci.am

Лаборатория компьютерного моделирования биологических процессов

Армения, Ереван

А. К. Паронян

Институт молекулярной биологии Национальной академии наук Республики Армения (НАН РА); Российско-Армянский университет

Email: g_arakelov@mb.sci.am

Лаборатория компьютерного моделирования биологических процессов

Армения, Ереван; Ереван

Г. Г. Аракелов

Институт молекулярной биологии Национальной академии наук Республики Армения (НАН РА); Российско-Армянский университет

Автор, ответственный за переписку.
Email: g_arakelov@mb.sci.am

Лаборатория компьютерного моделирования биологических процессов

Армения, Ереван; Ереван

К. Б. Назарян

Институт молекулярной биологии Национальной академии наук Республики Армения (НАН РА); Российско-Армянский университет

Email: g_arakelov@mb.sci.am

Лаборатория компьютерного моделирования биологических процессов

Армения, Ереван; Ереван

Список литературы

  1. Lotthammer J.M., Ginell G.M., Griffith D., Emenecker R.J., Holehouse A.S. (2024) Direct prediction of intrinsically disordered protein conformational properties from sequences. Nat. Methods. 21(3), 465–476. doi: 10.1038/s41592-023-02159-5
  2. Shrestha U.R., Smith J.C., Petridis L. (2021) Full structural ensembles of intrinsically disordered proteins from unbiased molecular dynamics simulations. Commun. Biol. 4(1), 243.
  3. Gong X., Zhang Y., Chen J. (2021) Advanced sampling methods for multiscale simulation of disordered proteins and dynamic interactions. Biomolecules. 11, 1416.
  4. Hartman, A.M., Elgaher W.A.M., Hertrich N., Andrei S.A., Ottmann C., Hirsch A.K.H. (2020) Discovery of small-molecule stabilizers of 14-3-3γ protein–protein interactions via dynamic combinatorial chemistry. ACS Med. Chem. Lett. 11, 1041–1046.
  5. Somsen B.A., Cossar P.J., Arkin M.R., Brunsveld L., Ottmann C. (2024) 14‐3‐3 protein‐protein interactions: from mechanistic understanding to their small‐molecule stabilization. Chembiochem. 25(14), e202400214.
  6. Liu J., Cao S., Ding G., Wang B., Li Y., Zhao Y., Shao Q., Feng J., Liu S., Qin L., Xiao Y. (2021) The role of 14‐3‐3 proteins in cell signalling pathways and virus infection. J. Cell Mol. Med. 25, 4173–4182.
  7. Yang X., Lee W.H., Sobott F., Papagrigoriou E., Robinson C.V., Grossmann J.G., Sundström M., Doyle D.A., Elkins J.M. (2006) Structural basis for protein–protein interactions in the 14-3-3γ protein family. Proc. Natl. Acad. Sci. USA. 103, 17237–17242.
  8. Pitasse-Santos P., Hewitt-Richards I., Abeywickrama Wijewardana Sooriyaarachchi M.D., Doveston R.G. (2024) Harnessing the 14-3-3γ protein–protein interaction network. Curr. Opin. Struct. Biol. 86, 102822.
  9. Falcicchio M., Ward J.A., Macip S., Doveston R.G. (2020) Regulation of p53 by the 14-3-3γ protein interaction network: new opportunities for drug discovery in cancer. Cell Death Discov. 6(1), 126.
  10. Muradyan N., Arakelov V., Sargsyan A., Paronyan A., Arakelov G., Nazaryan K. (2024) Impact of mutations on the stability of SARS-CoV-2 nucleocapsid protein structure. Sci. Rep. 14(1), 5870.
  11. Cubuk J., Alston J.J., Incicco J.J., Singh S., Stuchell-Brereton M.D., Ward M.D., Zimmerman M.I., Vithani N., Griffith D., Wagoner J.A., Bowman G.R., Hall K.B., Soranno A., Holehouse A.S. (2021) The SARS-CoV-2 nucleocapsid protein is dynamic, disordered, and phase separates with RNA. Nat. Commun. 12(1), 1936.
  12. Ni X., Han Y., Zhou R., Zhou Y., Lei J. (2023) Structural insights into ribonucleoprotein dissociation by nucleocapsid protein interacting with non-structural protein 3 in SARS-CoV-2. Commun. Biol. 6(1), 193.
  13. Tugaeva K.V., Hawkins D.E.D.P., Smith J.L.R., Bayfield O.W., Ker D.S., Sysoev A.A., Klychnikov O.I., Antson A.A., Sluchanko N.N. (2021) The mechanism of SARS-CoV-2 nucleocapsid protein recognition by the human 14-3-3γ proteins. J. Mol. Biol. 433, 166875.
  14. Joerger A.C., Fersht A.R. (2008) Structural biology of the tumor suppressor p53. Annu. Rev. Biochem. 77, 557–582.
  15. Rajagopalan S., Sade R.S., Townsley F.M., Fersht A.R. (2009) Mechanistic differences in the transcriptional activation of p53 by 14-3-3γ isoforms. Nucleic Acids Res. 38, 893–906.
  16. Jumper J., Evans R., Pritzel A., Green T., Figurnov M., Ronneberger O., Tunyasuvunakool K., Bates R., Žídek A., Potapenko A., Bridgland A., Meyer C., Kohl S.A.A., Ballard A.J., Cowie A., Romera-Paredes B., Nikolov S., Jain R., Adler J., Back T., Petersen S., Reiman D., Clancy E., Zielinski M., Steinegger M., Pacholska M., Berghammer T., Bodenstein S., Silver D., Vinyals O., Senior A.W., Kavukcuoglu K., Kohli P., Hassabis D. (2021) Highly accurate protein structure prediction with AlphaFold. Nature. 596, 583–589.
  17. Evans R., O’Neill M., Pritzel A., Antropova N., Senior A., Green T., Žídek A., Bates R., Blackwell S., Yim J., Ronneberger O., Bodenstein S., Zielinski M., Bridgland A., Potapenko A., Cowie A., Tunyasuvunakool K., Jain R., Clancy E., Kohli P., Jumper J., Hassabis D. (2021) Protein complex prediction with AlphaFold-Multimer. bioRxiv. doi: 10.1101/2021.10.04.463034
  18. Dokholyan N.V., Buldyrev S.V., Stanley H.E., Shakhnovich E.I. (1998) Discrete molecular dynamics studies of the folding of a protein-like model. Fold. Des. 3, 577–587.
  19. Proctor E.A., Ding F., Dokholyan N.V. (2011) Discrete molecular dynamics. Wiley Interdiscip. Rev. Comput. Mol. Sci. 1, 80–92.
  20. Tubiana T., Carvaillo J.-C., Boulard Y., Bressanelli S. (2018) TTClust: a versatile molecular simulation trajectory clustering program with graphical summaries. J. Chem. Inf. Model. 58, 2178–2182.
  21. Pettersen E.F., Goddard T.D., Huang C.C., Meng E.C., Couch G.S., Croll T.I., Morris J.H., Ferrin T.E. (2020) UCSF ChimeraX: Structure visualization for researchers, educators, and developers. Protein Sci. 30, 70–82.
  22. Proctor E.A., Dokholyan N.V. (2016) Applications of discrete molecular dynamics in biology and medicine. Curr. Opin. Struct. Biol. 37, 9–13.
  23. Szöllősi D., Horváth T., Han K.H., Dokholyan N.V., Tompa P., Kalmár L., Hegedűs T. (2014) Discrete molecular dynamics can predict helical prestructured motifs in disordered proteins. PLoS One. 9, e95795
  24. Zamel J., Chen J., Zaer S., Harris P.D., Drori P., Lebendiker M., Kalisman N., Dokholyan N.V., Lerner E. (2023) Structural and dynamic insights into α-synuclein dimer conformations. Structure. 31, 411–423.e6.
  25. Ding F., Dokholyan N.V. (2006) Emergence of protein fold families through rational design. PLoS Comput. Biol. 2, e85.
  26. Kasahara K., Terazawa H., Takahashi T., Higo J. (2019) Studies on molecular dynamics of intrinsically disordered proteins and their fuzzy complexes: a mini-review. Comput. Struct. Biotechnol. J. 17, 712–720.
  27. Fatafta H., Samantray S., Sayyed-Ahmad A., Coskuner-Weber O., Strodel B. (2021) Molecular simulations of IDPs: from ensemble generation to IDP interactions leading to disorder-to-order transitions. Prog. Mol. Biol. Transl. Sci. 183, 135–185. doi: 10.1016/bs.pmbts.2021.06.003
  28. Tesei G., Trolle A.I., Jonsson N., Betz J., Knudsen F.E., Pesce F., Johansson K.E., Lindorff-Larsen K. (2024) Conformational ensembles of the human intrinsically disordered proteome. Nature. 626, 897–904.
  29. Shrestha U.R., Smith J.C., Petridis L. (2021) Full structural ensembles of intrinsically disordered proteins from unbiased molecular dynamics simulations. Commun. Biol. 4(1), 243.
  30. Kozeleková A., Náplavová A., Brom T., Gašparik N., Šimek J., Houser J., Hritz J. (2022) Phosphorylated and phosphomimicking variants may differ – a case study of 14-3-3γ protein. Front. Chem. 10, 835733.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Смоделированные AlphaFold2 комплексы 14-3-3γ/N и 14-3-3γ/p53. Сравнение с доступными для рентгеноструктурного анализа доменами для N-белка SARS-CoV-2 [PDB ID: 6WZQ (CTD) и 7N0R (NTD)] и белка p53 [PDB ID: 2XWR (DBD) и 1AIE (TD)]. RMSD (root mean square deviation) – среднеквадратичное отклонение; X-ray – рентгеноструктурный анализ.

Скачать (708KB)
Метаданные
3. Рис. 2. Смоделированные алгоритмом AF2 окончательные структуры, окрашенные по шкале plDDT.

Скачать (1MB)
Метаданные
4. Рис. 3. Результаты πDMD-симуляции. а – Комплекс-1 114-3-3γ/N: начальная структура и фрейм 800; б – Комплекс-2 14-3-3γ/N: начальная структура и фрейм 1500; в – Комплекс-1 14-3-3γ/p53: начальная структура и фрейм 500; г – Комплекс-2 14-3-3γ/p53: начальная структура и фрейм 1500. Все структуры представлены сбоку.

Скачать (1MB)
Метаданные
5. Рис. 4. Результаты кластерного анализа комплексов 14-3-3γ/N (программа TTClust). а – Кластеры комплекса-1 14-3-3γ/N с 4 репрезентативными центроидами; б – Кластеры комплекса-2 14-3-3γ/N с двумя репрезентативными центроидами.

Скачать (631KB)
Метаданные
6. Рис. 5. Расстояния сайтов связывания для комплексов 14-3-3γ/N. Во взаимодействии участвуют S197 и T205 N-белка N и K50, R57, K125 и R132 белка 14-3-3γ. Расстояния указаны в ангстремах (Å).

Скачать (1MB)
Метаданные
7. Рис. 6. Расстояния сайтов связывания для комплексов 14-3-3γ/p53. Во взаимодействии участвуют S366, S378 и T387 белка p53 и K50, R57, K125 и R132 белка 14-3-3γ. Расстояния указаны в ангстремах (Å).

Скачать (1MB)
Метаданные

© Российская академия наук, 2025