Пептидни библиотеки и проектиране: как функционират скринингът и прогнозирането?

Библиотеката от пептиди е колекция от различни пептидни последователности, подготвени или представени по такъв начин, че да могат да бъдат систематично сравнявани. Вместо да анализират единична последователност без по-широка отправна точка, изследователите могат да използват библиотеката, за да проверят кои пептиди се свързват с определена молекулярна мишена, служат като субстрати на ензими, предизвикват измерим отговор в даден тест, съдържат определен мотив, разпознаван от други молекули, или проявяват друго дефинирано свойство.

Не всички библиотеки от пептиди са еднакви. Те могат да се представят като физически колекции от синтезирани молекули, пептиди, фиксирани върху биологични носители, пептиди, свързани с микросфери или повърхности, както и изцяло виртуални колекции от последователности и молекулни структури, анализирани с помощта на компютър.

Всеки от тези формати дава отговор на малко по-различни научни въпроси.

Пептидът, за който компютърът е предвидил възможност за свързване с определен протеин, не е същият като пептида, който действително е бил подбран в скрининговия експеримент. По същия начин пептидът, който е бил изолиран по време на скрининга, не се превръща автоматично в потвърден биологичен кандидат.

Изследванията, използващи фагов дисплей, синтетични библиотеки върху микросфери, припокриващи се набори от пептиди, както и експерименти, подпомагани от изчислителни методи, разкриват един от основните принципи при откриването на пептиди:

Откриването на интересен сигнал поставя началото на изследователския процес, а не го приключва.

Силата на крайните изводи зависи, наред с другото, от:

• начина на проектиране и качеството на библиотеката;
• действително, а не само теоретично разнообразие;
• структурата на теста;
• съответните проверки;
• молекулярна идентификация;
• повторяемост;
• изключване на алтернативни обяснения;
• независима експериментална валидация. [1] [2] [3]

Ето защо при анализа на пептидните библиотеки е добре да се разграничат няколко последователни етапа:

структура на библиотеката → преглед → идентифициране на съвпаденията → потвърждение → характеристика → прогнозиране или оптимизация → независима валидация.

Всеки от тези етапи предоставя различно ниво на доказателства.

Какво представлява библиотеката от пептиди?

Систематизирана колекция от различни молекулни варианти

Библиотеката с пептиди съдържа взаимосвързани или разнообразни пептидни последователности, организирани около конкретен изследователски въпрос.

Някои библиотеки се използват за изследване на малки промени в рамките на известен пептид. Други обхващат значително по-голямо пространство от възможни последователности.

Отделните елементи на библиотеката могат да се различават по:

• дължината на пептида;
• видове аминокиселини;
• позициите на отделните остатъци;
• последователността на аминокиселините;
• крайните групи;
• циклизация;
• стереохимия;
• химични модификации;
• други целенасочено променени структурни характеристики.

Библиотеката трябва също така да запазва възможността за идентифициране на съответния елемент.

В случая с пептидната матрица идентичността на пептида може да бъде свързана с неговото физическо местоположение.

В библиотеката за фагов дисплей представената пептидна последователност е свързана с генетичната информация, съдържаща се в бактериофага.

В синтетичната библиотека, разположена върху топчетата, пептидът, намиращ се върху избраното топче, може да изисква химическа идентификация или използването на допълнителна система за кодиране.

Връзката между сигнала и идентичността на молекулата е от основно значение.

Силният експериментален сигнал, идващ от неизвестна смес, все още не дава информация коя частица го е предизвикала.

Следователно стойността на пептидната библиотека зависи не само от броя на включените в нея кандидати, но и от възможностите за свързване:

кандидат → самоличност → измерен отговор.

Случайни, целенасочени и систематични библиотеки

Различните структури на библиотеките служат за отговаряне на различни научни въпроси.

Случайната или комбинаторната библиотека включва комбинации от градивни елементи на избрани позиции.

Терминът „случаен” описва планирания начин на изграждане или вземане на проби. Това не означава, че всяка теоретично възможна последователност действително се среща с една и съща честота.

Ориентираната библиотека ограничава вариативността около:

• на познат мотив;
• на изходния пептид;
• определена конструктивна рамка;
• свързваща последователност;
• на активния регион;
• хипотеза, отнасяща се до конкретна молекулярна цел.

Библиотеката със систематични замествания променя избраните остатъци по подреден начин.

Например, една аминокиселина на дадена позиция може да бъде последователно заместена с няколко други аминокиселини, за да се провери дали тази позиция оказва влияние върху изследваното свойство.

Библиотеката от припокриващи се пептиди използва последователни фрагменти от по-дълга изходна последователност, като съседните фрагменти имат част от общите остатъци.

Този подход е особено полезен при локализирането на регионите на белтъка, които се разпознават в даден тест.

Всяка стратегия има своите предимства и ограничения.

Широката комбинаторна библиотека може да разкрие неочаквана последователност.

Целенасочената библиотека позволява по-подробно проучване на вече интересуващата ни последователност.

Систематичното заместване може да покаже кои елементи изглеждат особено важни.

Библиотеката с припокриващи се фрагменти помага за локализиране на активната или разпознаваема област на по-голям протеин.

Ето защо:

По-голямото пространство на последователността не означава автоматично по-добра експериментална информация.

Подходящият вид библиотека зависи преди всичко от изследователския въпрос.

Теоретичното разнообразие не означава реално представителство

Обхватът на възможните пептидни последователности нараства много бързо.

Ако библиотеката допуска всички 20 стандартни аминокиселини във всяка от шестте позиции, теоретичният брой възможни последователности е:

20⁶ = 64 000 000 възможни комбинации.

Това е теоретично разнообразие.

Това не означава, че във физическата библиотека действително се съдържат 64 милиона различни, правилно представени пептида.

Ефективното разнообразие може да бъде намалено или изкривено, наред с другото, от:

• неуспехи при синтеза;
• неравномерна ефективност на съединяването;
• синтетични, зависещи от последователността на трудностите;
• биологична селекция при създаването на библиотеката;
• ограничения на трансформацията;
• разлики в размножаването;
• повтарящи се последователности;
• натоварвания, свързани със секвенирането;
• ограничения при вземането на проби;
• неравномерно разпределение на броя на отделните елементи.

Важно е също така коя част от цялата библиотека е била действително използвана в конкретния експеримент.

Дори ако наборът теоретично съдържа огромен брой последователности, еднократният скрининг може да обхване само част от това разнообразие.

Дълбокото секвениране на търговска библиотека от фаги показа явни отклонения от равномерното представяне, включително разлики в броя на пептидите и натоварването, свързано със състава на последователностите. Изследователите идентифицираха също така фактори, които намаляват ефективния размер на библиотеката. [4]

Тези резултати се отнасят конкретно до анализираната библиотека и не трябва автоматично да се пренасят количествено към всяка библиотека от типа „фаг-дисплей“.

Те обаче илюстрират един важен принцип:

Теоретичното разнообразие не трябва да се разглежда като измерено експериментално разнообразие.

Какво представлява библиотеката от припокриващи се пептиди?

Библиотеката от припокриващи се пептиди представя по-дългата изходна последователност като поредица от по-къси фрагменти.

Съседните пептиди съдържат част от обща последователност.

Нека разгледаме хипотетични фрагменти с дължина 15 остатъка:

• останалите 1–15;
• останалите 6–20;
• останалите 11–25.

Всеки следващ пептид започва пет позиции по-нататък от предходния.

Това означава, че съседните фрагменти имат десет общи остатъка.

Такова разположение помага за локализиране на областите, свързани с разпознаването или друга измервана реакция.

Ако два съседни пептида дават сигнал, тяхната обща последователност може да помогне за стесняване на областта, която изисква по-нататъшни изследвания.

Това обаче не доказва, че:

• всяка част от общата област е необходима;
• самата обща последователност е достатъчна за постигане на ефекта;
• беше идентифицирана минималната активна последователност;
• фрагментът се държи точно по същия начин, както съответстващата му област в цялото протеин.

За да се разрешат тези въпроси, може да са необходими допълнителни експерименти.

В проучването, посветено на външния мембранен протеин на менингококите, бяха използвани 45 припокриващи се синтетични пептида за анализ на разпознаването им от Т-лимфоцитите в клетки, получени от човешки донори. [5]

Изследването показа както полезността на емпиричното пептидно картиране, така и ограниченията на наличните по това време алгоритми за прогнозиране.

Наблюдаваните реакции оставаха специфични за използвания набор от пептиди, условията на теста и пробите, получени от изследваните донори.

Физическите и виртуалните библиотеки отговарят на различни въпроси

Терминът „библиотека от пептиди” може да се отнася до много различни експериментални системи.

Това разграничение е много важно:

цифровият кандидат не е автоматично синтезирано молекула, а синтезираното молекула не е автоматично експериментално валидиран кандидат.

Фагов дисплей и синтетични библиотеки

Как фаговият дисплей свързва пептида с неговата последователност?

При технологията „фагов дисплей“ пептидът се представя като част от белтъка, намиращ се на повърхността на бактериофага.

Фагът съдържа едновременно генетична информация, кодираща представената последователност.

По този начин се създава полезна връзка между:

фенотип — представеният пептид

a

генотип — съответстващата му генетична последователност.

Изследователите могат да подложат специализираната библиотека на въздействието на определена цел или тестова система, да извлекат подбрани частици, да ги размножат или да ги анализират и да установят кои последователности са били обогатени.

Връзката с генетичната информация значително улеснява идентифицирането на кандидатите в сравнение с анализа на неидентифицирана молекулярна смес.

Ранните изследвания, използващи произволни пептиди, представени върху нишковидни фаги, показаха възможността за обогатяване на лиганди на антитела с висока афинитет и сравниха поведението на пептидите, представени върху фагите, с резултатите от свързването, получени за пептидите, синтезирани по химичен.[1]

Това сравнение беше особено важно, тъй като пептидът, намиращ се върху фагова частица, и съответстващият му изолиран синтетичен пептид не представляват идентична експериментална презентация.

Обогатяването е резултат от селекцията, а не изчерпателно обяснение на механизма

Последователността, чийто дял нараства в следващите етапи на селекцията, често се нарича „обогатена“.

Това е важна информация.

Това обаче не обяснява автоматично защо дадената последователност е станала по-многобройна.

Възможните причини включват:

• връзка с поставената цел;
• свързване с повърхността, използвана в теста;
• взаимодействие с друг елемент от експеримента;
• по-добро преживяване на селекционните условия;
• по-висока заразност;
• по-ефективно размножаване;
• предимство при разпространението;
• друга характеристика, зависеща от последователността или конкретния клон.

Това са научно различни обяснения.

В едно от проучванията бе идентифициран фагов клон, чието обогатяване беше свързано с превъзходство в размножаването, дължащо се на геномна делеция. [6]

В друго проучване беше анализиран разглежданият пептид, който се свързваше с полистирен, вместо с целевата молекула. [7]

Тези изследвания разкриват два различни механизма, чрез които може да се стигне до обогатяване, което не е свързано с действителната цел на изследването.

Това не означава, че всяка обогатена фагова последователност е артефакт.

Показва обаче защо:

това обогатяване посочва кандидат, който се нуждае от разяснение; само по себе си то не доказва конкретното идентифициране на молекулярната мишена.

Начинът на представяне може да повлияе на наблюдаваното свързване

Пептидът, представен в системата „фагов дисплей“, е физически свързан с носителя.

Поведението му може следователно да се различава от поведението на същото частице, намиращо се в свободно състояние в разтвора.

Важна концепция в този контекст е видимостта.

Свързаността обикновено се отнася до силата на единично взаимодействие в рамките на даден модел.

Завистта обаче може да произтича от множество взаимодействия, които протичат едновременно.

Ако няколко копия от представения пептид взаимодействат едновременно с няколко места на свързване, общото взаимодействие може да изглежда по-силно от единичното взаимодействие на свободен пептид.

Свързването с носителя може също така:

• да ограничава конформацията на пептида;
• да променя достъпността му;
• да се повиши локалната концентрация;
• да повлияе на ориентацията;
• да предизвикват стерични ефекти;
• да разполагат много копия на пептида близо едно до друго.

Ето защо пептидът, който е бил успешно селектиран в системата за представяне, може да проявява различно поведение след независима синтеза.

Именно затова изследването на изолираната молекула представлява важен етап на потвърждение.

Сравнението на лигандите, представени върху фаги, с техните химически синтезирани аналози в ранните изследвания на „фаговия дисплей“ ясно показва колко е важно да се свърже резултатът от селекцията с независимото поведение на молекулата. [1]

Синтетичните библиотеки могат да обхващат различно химично пространство

Синтетичните библиотеки от пептиди се създават чрез химични методи, а не само чрез биологична експресия.

В зависимост от използваната метода на синтез те потенциално могат да включват:

• нестандартни аминокиселини;
• избрани D-аминокиселини;
• модификации на краищата;
• циклизация;
• химични символи;
• модифицирани странични вериги;
• други синтетични строителни елементи.

Това позволява да се разшири химическото пространство, достъпно за изследвания.

Самото проектиране на последователност в таблица или компютърна програма обаче не доказва, че съответстващото й молекула може да бъде получено лесно и правилно.

Практическите проблеми могат да включват:

• непълно съчетаване;
• делеционни последователности;
• агрегация;
• трудности при почистването;
• слаба разтворимост;
• странични ефекти;
• нестабилност на модификациите;
• синтетични проблеми, зависещи от последователността.

Ето защо:

проектирано химическо разнообразие ≠ експериментално потвърдено химическо разнообразие.

Генетично кодираните системи за представяне и химичната синтеза обхващат следователно частично припокриващи се, но неидентични молекулни пространства.

Модифицираните технологии за представяне могат допълнително да разширят обхвата на химията, достъпна в биологичните системи, поради което не бива това разграничение да се опростява до твърдението, че биологичните библиотеки могат да съдържат единствено немодифицирани стандартни пептиди.

Библиотеки от типа „една перла – едно съединение“

В библиотеката „една перла – едно съединение“ (OBOC) всяка перла по принцип съдържа множество копия на едно конкретно съединение.

Една от често използваните стратегии е синтезът от типа „split-and-pool“.

Топчетата се разделят на групи, всяка група се подлага на реакция с различен градивен елемент, след което всички топчета се съединяват отново и се разделят отново преди следващия етап от синтеза.

Повтарянето на този процес може да доведе до създаването на голяма комбинаторна библиотека, като същевременно се запази планираната връзка между отделната топка и конкретната последователност.

Първите изследвания, свързани със системата „one-bead–one-peptide“, представиха метод за създаване и скрининг на големи синтетични библиотеки от пептиди с оглед свързването на лиганди. [2]

Изразът „one bead–one compound“ обаче описва принципа на организация на библиотеката.

Това не доказва, че:

• всяка капсула съдържа химически съвършен пептид;
• всяка топчица има еднакво количество пептид;
• всички реакции на съединяване протичаха с еднаква степен на изход;
• пептидът върху всяка топчица е еднакво достъпен.

В последващо изследване на отделни капсули бе използвана Раманова спектроскопия за определяне на количеството на пептида.

Изследователите са наблюдавали значителна вариативност между топчетата в библиотеката, особено при по-дългите последователности, въпреки по-равномерното разпределение на изходния материал. [8]

Това е от значение, тъй като интензивността на сигнала по време на скрининга може да зависи както от:

силите на взаимодействието,

както и от:

количеството на наличния пептид, представен върху сферичката.

Матрици, индивидуално синтезирани набори и пулвирани проучвания

Библиотеките от пептиди могат също така да бъдат организирани под формата на матрици или индивидуално синтезирани набори.

В пептидната матрица дефинираните пептиди се намират на известни физически позиции.

Това осигурява пряка връзка:

положение → идентичност на последователността → тестов сигнал.

Трябва обаче да се има предвид, че фиксирането върху повърхността може да повлияе на конформацията и достъпността на пептида.

Друго решение е пулсиращият скрининг.

Няколко пептида се комбинират в една проба и се изследват заедно.

Ако съвкупността дава положителен отговор, след това може да се извърши нейната деконволюция, като се тестват по-малки групи или отделни елементи.

Обединяването на данни може да намали броя на измерванията, необходими на началния етап.

Пула обаче не винаги се държи точно по същия начин като всеки един от отделните ѝ компоненти.

Влияние могат да окажат:

• разлики в концентрациите;
• конкуренция;
• разтворимост;
• агрегация;
• интерференции;
• антагонистични ефекти;
• насищане на теста.

Следователно положителната група сочи към група, която се нуждае от по-нататъшни изследвания.

Това не доказва, че всеки пептид, съдържащ се в нея, притежава изследваното свойство.

Преглед и подбор на кандидатите

Първо определи какво точно измерва тестът

Значението на резултата от скрининга зависи изцяло от измервания краен показател.

Скринингът на свързването дава отговор на въпроса дали пептидът взаимодейства с определена мишена при дадени условия.

Скринингът на ензимните субстрати проверява дали даден ензим преобразува определен пептид.

Тестът за инхибиране проверява дали пептидът намалява определена активност.

Клетъчният тест измерва определена реакция в клетките.

Тези резултати не са равностойни.

Пептидът може да се свърже с мишената, без да я активира или да я инхибира.

Може да бъде субстрат на ензим, но да не проявява очакваното поведение в клетъчната система.

Клетъчната реакция обаче може да бъде резултат от непреднамерен механизъм.

Ето защо терминът „активен пептид” често е твърде общ, ако не е посочено какъв вид активност всъщност е измерена.

В рамките на итеративно проучване, използващо машинно обучение, бяха оптимизирани пептидните субстрати за определен клас ензими чрез многократно експериментално тестване на избрани кандидати. [3]

Заключенията се отнасяха до биохимичните функции, измерени в тази конкретна система.

Те не доказват, че същите последователности биха се оказали ефективни и в други, несвързани с това биологични приложения.

Проверките помагат да се разграничи разпознаването на целта от самото протичане на теста

Подходящо подбраните проверки помагат да се разграничи целевото молекулярно явление от други възможни обяснения.

В зависимост от теста това могат да бъдат:

• повърхности без целева молекула;
• проверки, включващи само носителя;
• несвързани молекулни цели;
• положителни резултати от проверките;
• отрицателни проверки;
• измервания на фоновото ниво;
• конкурентни експерименти;
• други проверки, специфични за конкретната система.

Повърхност без целева молекула може да покаже неспецифично свързване с тествания материал.

Проверката на носителя помага да се открият отговорите, предизвикани от самата система за представяне.

Несвързана цел може да даде информация за селективността.

Положителният контрол показва дали тестът е в състояние да открие известен резултат.

Отрицателният контрол помага да се определи нивото на фона.

Проверките обаче трябва да се подбират в зависимост от реалните възможни източници на грешки в дадения експеримент.

Не съществува един универсален контролен пептид, който да е биологично неутрален във всяка възможна система.

Изследването, посветено на фагите, които се свързват с полистирол, показва защо контролът върху повърхността е важен. Изследователите анализираха поотделно свързването и размножаването и приписаха обогатяването на взаимодействието с тестовата повърхност, вместо да приемат, че възстановяването на фага доказва разпознаването на целта. [7]

Сродството, селективността и функцията са различни свойства

Три понятия, които често се бъркат едно с друго, са:

родственост, селективност и функция.

Афинитетът се отнася до силата на взаимодействието при определени условия и в рамките на съответния модел на взаимодействие.

Селективността описва до каква степен кандидатът взаимодейства по-скоро с една цел в сравнение със съответните алтернативи.

Тази функция се отнася до биологичните или биохимичните последствия от такова въздействие.

Следователно пептидът може да проявява:

• висока афинитет, но ниска селективност;
• висока селективност, но слабо свързване;
• силна връзка без очаквания функционален ефект;
• функционалната активност чрез неочакван механизъм.

Тези разграничения определят кои експерименти трябва да се проведат на следващия етап.

Например:

доказана връзка ≠ доказано спиране.

Пептидът, открит при скрининг за свързване, не трябва автоматично да се нарича инхибитор, ако неговото инхибиращо действие не е измерено пряко.

Кандидатите е добре да се оценяват въз основа на няколко вида данни

Подборът на кандидатите е по-надежден, ако не се основава единствено на един-единствен критерий за класиране.

Могат да се вземат предвид, наред с другото:

• амплитуда на сигнала;
• повторяемост;
• запазване на фона;
• идентичност на последователността;
• увеличение спрямо първоначалната стойност;
• селективност;
• семейство от последователности;
• възможност за самостоятелен синтез;
• разтворимост;
• възпроизводимост на теста;
• възможност за по-нататъшна валидация.

Полезна може да бъде и последователната разнообразност сред избраните резултати.

Изследването на представители от няколко различни семейства последователности намалява зависимостта от един потенциално подвеждащ мотив или клон.

При специализираните библиотеки е особено полезно да се сравни броят на книгите преди и след селекцията.

Последователност, която вече се срещаше много често в изходната библиотека, може да бъде широко представена след скрининга, без да е необходимо изключително силно обогатяване, зависещо от целта.

Анализът чрез дълбоко секвениране на наивна фагова библиотека показа неравномерно първоначално представяне. [4]

Изследването относно предимството при размножаването допълнително показва защо самата численост не трябва автоматично да се тълкува като мярка за сродство. [6]

Като цяло тези резултати подкрепят следния анализ:

по какъв начин дадената последователност е била обогатена,

а не само:

коя последователност зае първото място след приключването на селекцията.

Кандидатът, избран при предварителния подбор, все още не е одобрен

„Хитът“, т.е. съвпадението, е кандидат, който отговаря на критериите за първоначалния подбор.

Това е ценен резултат.

Това обаче не слага край на процеса на валидиране.

Потвърждението трябва да даде отговор, наред с другото, на въпросите дали поведението на кандидата:

• е повтаряемо;
• се запазва след прилагането на подходящи контролни мерки;
• се наблюдава по време на индивидуалния преглед;
• остава видимо след повторна синтеза;
• може да се приписва на целевото молекула;
• остава от значение при съответния вторичен тест.

По-нататъшният анализ може да включва свойства, които са от значение за конкретната цел на изследването.

Повторната синтеза е особено полезна, ако при първоначалния скрининг е бил използван носител, сферичка, система за представяне или смес.

Независимият анализ позволява да се разграничи кандидатът от първоначалния начин, по който е бил представен.

Потвърждаването на идентичността и другите съществени параметри на пробата допълнително укрепва връзката между наблюдавания резултат и целевото молекула. На този етап особено важно е правилното тълкуване чистота на пептидите и лабораторни изследвания, тъй като резултатът от HPLC, потвърждението на масата и действителното съдържание на пептида отговарят на различни аналитични въпроси.

Правилната последователност е следната:

резултат от скрининга → потвърден резултат → профилиран кандидат,

а не:

положителен резултат при скрининга → доказан функционален пептид.

Добрата класификация, визуално убедителният модел на скачване или многократното получаване на сходен резултат в един и същ тест, предразположен към грешки, не заместват автоматично независимата валидация.

Проектиране на последователности и инструменти за прогнозиране

Проектирането започва с определянето на молекулярната цел

Проектирането на пептид може да започне от:

• на познат мотив;
• на изходния пептид;
• повърхност на взаимодействие на протеините;
• експериментално получени резултати;
• структурен модел;
• еволюционна последователност;
• набор от данни за изследваните пептиди.

След това могат да се анализират промени като:

• заместване на аминокиселини;
• съкращаване на последователности;
• удължаване на последователността;
• циклизация;
• модификации на краищата;
• промяна в последователността на аминокиселините;
• други структурни промени.

Целта трябва да бъде ясно определена.

Например:

предвиждане на свързването

не е същата задача като:

предвиждане на разпознаването от ензима,

а това, от своя страна, не е същото като:

прогнозиране на разтворимостта.

Модификация, която подобрява едно свойство, може да не окаже влияние върху друго или дори да има отрицателен ефект върху него.

Следователно практическото проектиране на пептиди може да изисква намиране на баланс между няколко конкуриращи се цели.

Експериментално подкрепеното проучване на ензимните субстрати показа целенасочен подход, при който алгоритъмът предлагаше кандидати, биохимичните експерименти ги оценяваха, а получените резултати влияеха върху следващите решения относно избора на последователности. [3]

Изчисленията подпомагаха конкретна експериментална цел, а не заместваха измерванията.

Прогнозата, основана на последователността, зависи от тренировъчните данни

Компютърният модел, базиран на последователността, изучава взаимозависимостите между характеристиките на пептидите и етикетите или резултатите от измерванията, съдържащи се в обучителния набор.

В зависимост от модела резултатът може да бъде:

• класификация;
• резултат, наподобяващ вероятност;
• рейтинг;
• прогнозирано количествено свойство;
• друг вид компютърна оценка.

Тълкуването зависи от това какво всъщност са означавали етикетите, използвани по време на тренировката.

Например, терминът „активен” може да означава:

• свързване над определена граница;
• преобразуване чрез ензим;
• антимикробна активност;
• клетъчен отговор;
• друг критерий, специфичен за конкретния тест.

Това не са равностойни свойства.

Наборите от данни могат също така да съдържат резултати, получени при различни експериментални условия.

Неизследваният пептид не трябва автоматично да се приема като потвърден отрицателен резултат само защото за него няма положителен резултат.

Оценката на модела е също толкова важна.

Ако почти идентични последователности се срещат както в тренировъчния, така и в тестовия набор, задачата по прогнозиране може да се окаже значително по-лесна, отколкото предсказването на свойствата на наистина нови пептиди.

Ето защо:

Високата обща точност на модела сама по себе си не доказва способността му за генерализация към нови последователности.

Обобщението изисква съзнателна преценка

Генерализацията описва способността на модела да запази полезността си извън примерите, използвани по време на обучението.

Това има особено значение, когато предложеният пептид се различава значително от тренировъчните данни по отношение на:

• последователност;
• дължини;
• структурна класа;
• химични модификации;
• молекулярна цел;
• в експериментален контекст.

В проучването, посветено на прогнозирането на свързването с Т-лимфоцитния рецептор, беше анализирано влиянието на разликите между тренировъчните и тестовите пептиди върху оценката на моделите. [9]

Разделянето на множествата въз основа на сходството между последователностите и структурите не даваше еднакви резултати.

Това показва защо еднократното разделяне на тренировъчните и тестовите данни или една единствена стойност, описваща ефективността на модела, може да не отразява напълно неговото поведение спрямо нови пептиди.

Това не означава, че моделите за прогнозиране на пептидите са по своята същност ненадеждни.

Това означава обаче, че начинът на оценяването им трябва да наподобява реалното приложение, за което са предназначени.

Какво включва докирането на пептиди?

Докингът на пептиди е компютърен метод, който се използва за предлагане на начин, по който пептидът може да взаимодейства с рецептор или друга молекулярна мишена.

Изчисленията могат да анализират различни:

• конформации на пептида;
• насоки;
• позиции;
• връзки с рецептора;
• геометрии на взаимодействието.

След това предложените схеми се оценяват с помощта на подходяща точкова или енергийна функция.

Следователно резултатът от скачването може да предостави:

• потенциална позиция на свързване;
• предложените остатъци, участващи във взаимодействието;
• структурни хипотези;
• класацията на кандидатите;
• първоначални структури за последващи компютърни анализи.

Трябва обаче да се има предвид следното:

извън докингът е хипотеза, а не експериментално наблюдаван комплекс.

По същия начин:

Резултатът от докинг-моделирането не е автоматично експериментално измерена константа на дисоциация, клетъчна активност или вероятност за биологичен успех.

Тълкуването зависи от:

• точкова функция;
• начин на вземане на проби за определяне на конформацията;
• структурата на рецептора;
• гъвкавостта на рецептора;
• еластичността на пептида;
• първоначалните предпоставки;
• протониране и молекулно представяне;
• калибриране за конкретна задача.

Свързването на пептидите може да бъде особено трудно, тъй като те често са много гъвкави.

По време на свързването както тяхната конформация, така и положението им спрямо целта могат да се променят значително.

Rosetta FlexPepDock: прецизирането и глобалното докинг са различни процедури

Първоначалната публикация относно сървъра FlexPepDock описва усъвършенстване на модела с висока разделителна способност, започващо от пептид, разположен приблизително в областта на свързване с рецептора. [10]

Следователно не бива да се описва този инструмент просто като универсален метод, позволяващ откриването на всяко неизвестно място на свързване без структурна информация.

PIPER-FlexPepDock разширява тази концепция в посока на глобалното докинг чрез съчетаване на позиционирането на пептидни фрагменти с последващо гъвкаво усъвършенстване на модела. [11]

В публикацията този метод е оценен въз основа на ограничен, но представителен набор от експериментално определени пептидно-белкови комплекси.

Успехът в бенчмарка показва ефективността при тестваните условия.

Не гарантира правилна прогноза за всяка нова двойка „рецептор–пептид“.

Официалната документация на Rosetta прави следното разграничение:

• уточнение;
• аб initio моделиране в близост до приблизителното място на свързване;
• глобален работен процес PIPER-FlexPepDock. [12]

Ето защо компютърният доклад става значително по-информативен, ако в него се посочват:

кой протокол FlexPepDock е бил приложен + какви изходни данни са били използвани + как са били оценени получените структури.

Самото твърдение:

„Докирането на ”Розета“ беше извършено“

оставя много важни методологически въпроси неясни.

Модифицираните пептиди изискват подходящо представяне

Компютърният модел трябва да отразява правилно изследваната молекулярна структура.

Последователност, записана единствено с помощта на стандартни еднобуквени кодове на аминокиселините, може да пропусне важна химическа информация.

Това могат да бъдат, наред с другото:

• амидиране на С-края;
• ацетилиране на N-края;
• нестандартни аминокиселини;
• D-аминокиселини;
• циклизация;
• ковалентни напречни връзки;
• фосфорилиране;
• други модификации.

В проучването, в което е използван FlexPepDock, е анализирано моделирането на взаимодействието между пептид и MHC, включващо нестандартни остатъци и избрани модификации на пептидите. [13]

Авторите са получили полезни резултати от сравнителния анализ и са наблюдавали зависимост между изчислените резултати и относителната свързаност, измерена експериментално в изследваната извадка.

Това подкрепя конкретно приложение на моделирането, което е било тествано.

Това обаче не означава, че всяка възможна модификация автоматично ще бъде правилно представена, нито че докингът замества експерименталното измерване на свързването.

CHARMM-GUI, модели на пептиди и амидиране на C-края

CHARMM-GUI предоставя инструменти за подготовка на молекулни структури за симулации.

В официалната документация се подчертава, че модифицираните остатъци изискват съответни структурни дефиниции и параметри на силовото поле. [14]

Успешното генериране на входни данни за симулацията означава, че е създаден компютърен модел на системата.

Не се потвърждава експериментално:

• идентичността на пептида;
• решения;
• биологична функция;
• стабилност;
• дейности.

При пептид, амидиран в С-края, крайната химична група е амид, а не свободна карбоксилна група.

Тази разлика може да окаже влияние върху:

• формален товар;
• водородни връзки;
• електростатични въздействия;
• конформация;
• взаимодействия с околната молекулярна среда.

Следователно структурата, топологията и параметрите на силовото поле, използвани в симулацията, трябва да отразяват същата крайна форма, която се изследва експериментално.

В проучването относно максимин H5 бяха съчетани експериментални и симулационни методи, за да се оценят последствията от промяната във формата на С-края. [15]

За този конкретен пептид бяха наблюдавани разлики в структурата и взаимодействията с мембраните.

Това не означава, че амидирането подобрява свойствата на всеки пептид.

Това обаче показва защо химията на крайните групи не бива да се пренебрегва в молекулярното описание.

Ето защо търсенето на варианти за амидиране в програмата за синтезиране на пептиди трябва да започне с химически въпрос:

Каква точно молекулярна структура трябва да се моделира?

Едва след като се изясни този въпрос, изборът на настройките на софтуера придобива значение.

Експериментална валидация и възпроизводимост

Изследвай самостоятелно съответното молекула

Избраният кандидат трябва в крайна сметка да бъде изследван като дефиниран молекулярен материал.

Сред важните характеристики могат да бъдат:

• точната последователност;
• формата на краищата;
• определени промени;
• молекулярна идентичност;
• други свойства, които са от значение за експеримента.

Ако при първоначалния скрининг са използвани фагов дисплей или пептиди, прикрепени към микросфери, последващите експерименти могат да проверят дали изолираният пептид запазва измерваното свойство извън първоначалната система за представяне.

В едно ранно проучване, използващо метода „фагов дисплей“, пептидите, представени върху фаги, бяха сравнени с техните химически синтезирани аналози. [1]

Това показва как едно независимо проучване може да свърже резултата от селекцията в библиотеката с поведението на самата пептидна молекула.

Качеството и характеристиките на пробата също имат значение.

Разлики по отношение на:

• с определена концентрация;
• разтворимост;
• чистота;
• агрегиране;
• крайната форма;
• химични модификации

могат да повлияят на експерименталните сравнения.

Две проби, обозначени с едно и също име на пептид, не е задължително да са химически еквивалентни, ако съответните им молекулни форми не са дефинирани. Ето защо преди интерпретацията на експеримента е полезно да се разграничат понятията за идентичност, чистота и действително количество на материала, които са разгледани по-подробно в статията за чистотата на пептидите и лабораторните изследвания.

Допълнителният тест има най-голяма стойност, когато дава отговор на конкретно съмнение

Ортогоналният тест изследва определено свойство, като използва друг принцип на измерване или различен метод на експериментално представяне.

Най-голямата му ценност е възможността да се провери конкретно алтернативно обяснение.

Вторият тест може, например, да помогне да се установи дали първоначалният резултат се дължи на:

• привързване към повърхността;
• интерференция на маркера;
• поведение, зависещо от носителя;
• ефектите от обездвижването;
• друг артефакт, характерен за първия тест.

Самото използване на два различни модела устройства все още не означава, че измерванията са ортогонални.

Ако и двата теста използват същия метод за фиксиране или същата принципа на откриване, те могат да бъдат податливи на идентичен източник на грешка.

Най-важното въпрос е:

Какво алтернативно обяснение проверява вторият експеримент?

Съвместимостта между действително допълващи се методи обикновено представлява по-силно подпомагане от многократното повтаряне на същия деликатен за грешкия преглед.

Репликация и биологичен контекст

Различните видове репликации позволяват да се оценят различни източници на несигурност.

Техническите повторения помагат за оценка на повторяемостта в рамките на същия експериментален механизъм.

Независимите повторения на експеримента могат да включват допълнителна вариабилност между подготовките или сериите от изследвания.

Експериментите, използващи биологични проби, може също да изискват отчитане на разликите между:

• донори;
• с подготовка на клетъчни структури;
• организми;
• ткани;
• други източници на биологичен материал.

В проучване, използвайки наслоени пептиди, беше анализирано разпознаването от Т-лимфоцитите в пробите от донори и беше използвана библиотека за идентифициране на регионите, които се разпознават. [5]

Наблюдаваните реакции зависят от биологичния контекст.

Резултатът, получен за един дарител или един експериментален механизъм, не трябва автоматично да се прилага за всеки човек или всеки биологичен механизъм.

Повторяемостта означава следователно възможността за повторно възпроизвеждане на конкретно твърдение при подходящо описани условия.

Това не означава само получаването на следващ график с подобен вид.

Документацията трябва да позволява възпроизвеждане на анализа

Достоверното изследване на пептидната библиотека изисква достатъчно документиране, за да може друг изследовател да разбере как е получен резултатът.

Полезните експериментални данни включват:

• точната последователност на пептида;
• дължина на пептида;
• крайни групи;
• химични модификации;
• архитектурата на библиотеката;
• идентификационни номера на пробите;
• условия за скрининг;
• мерната крайна точка;
• проверки;
• структурата на повторенията;
• способността за определяне на фона;
• процентът на успеваемост;
• критериите за избор на кандидати;
• Приложени аналитични методи.

В компютърните изследвания може да са важни:

• името на софтуера;
• версия;
• протокол;
• входна структура;
• способността на молекулата да бъде представена;
• комплекс от параметри;
• обработване на данни;
• начинът на разделяне на тренировъчните и тестовите състави;
• методология за оценяване;
• процедура за класиране на кандидатите;
• критериите за подбор.

Спазването само на най-високо оценения модел, на най-добрата картина на завършване или на крайната последователност може да попречи на по-късното възпроизвеждане на начина, по който е получен резултатът.

Характеристиката на самата библиотека също представлява елемент на повторяемостта.

Проучванията на състава на фагоцитоидните библиотеки и на натоварването на клетките показват, че вариабилността може да съществува още преди началото на скрининга. [4] [8]

Документирането само на крайното попадение може да пропусне важни сведения относно първоначалния материал.

Положителните прогнози и негативните резултати са също толкова важни

Кандидатът, предвиден компютърно, който не потвърди това в опитното изпитване, все още може да предоставя полезна информация.

Може да разкрие:

• ограничения на модела;
• грешен механистичен подход;
• недостатъчно точно представяне на химичната характеристика;
• проблем с хипотезата относно теста;
• регион на пространствена последователност, в който моделът слабо се генерализира.

Тези резултати не трябва да бъдат отхвърлени от оценката само защото не потвърдиха първоначалната прогноза.

Интерактивният дизайн става по-ценен, когато експерименталните наблюдения — включително и неочаквани и негативни резултати — влияят върху следващите решения.

Проучването за проектирането на ензимно-подпорителните субстрати използваше общ цикъл:

прогнозиране → експериментално измерване → усъвършенстване на модела въз основа на данните. [3]

Нейната научна стойност произтичаше от съчетаването на изчисления с наблюдения, а не от приемането на първоначалния рейтинг като окончателен отговор.

Най-силното предложение следва да определя точно какво е било доказано:

• обзавеждане;
• вързване;
• съхранение като субстрат на ензим;
• инхибиране;
• мобилна реакция;
• компютърно предсказване;
• Ефективност в структурния бенчмарк.

Всеки от тези резултати може да бъде научно значим.

Въпреки това, не трябва да заместваме едното с другото.

Най-честите грешки при интерпретацията на пептидните библиотеки

Резултатите от изследванията на пептидните библиотеки могат да бъдат погрешни, ако заключенията надхвърлят онова, което действително е измерено.

Един от често срещаните грешки е да се третира теоретичното количество на библиотеката като експериментално потвърдена разнообразието. Физическите библиотеки могат да се характеризират с неравномерно представяне, липсващи елементи, дубликати или натоварвания, произтичащи от процеса на синтеза. [4]

Друг грешен подход е да се разглежда обогатяването като доказателство за привличането. Обогатяването може също да произтича от предимство при размножаването, свързаност с повърхността или други свойства, свързани с процеса на селекция. [6] [7]

Третата проблемна точка е припознаването на свързването с функцията. Пептидът може да взаимодейства с целта, без да предизвиква предложените биологични ефекти.

По същия начин резултатът от свързването не трябва да се приема като експериментален показател на свързаността. Точните резултати идват от компютърни модели и се нуждаят от валидация, преди да бъдат считани за количествено доказателство за свързването. [10] [11] [13]

Виртуалният пептид също не е автоматично пептид, който да може лесно да бъде получен в правилна химична форма. Синтезата, разтворимостта, молекулярната идентичност и характеристиките на пробата остават експериментални въпроси.

Накрая, резултатът, получен за пептида, представен върху фаг, фиксиран върху повърхността или свързан с топчето, може да не бъде възпроизведен от съответната свободна молекула, тъй като самият начин на представяне може да повлияе на конформацията, достъпността, локалната плътност и адсорбцията.

Тези ограничения не намаляват стойностите на пептидните библиотеки.

Те определят обаче начина, по който трябва да се тълкува информацията, която предоставят.

Често задавани въпроси

1. Какво представлява библиотеката от преплитащи се пептиди?

Библиотеката на наслоените пептиди представлява набор от фрагменти, обхващащи по-дългата майчина последователност, като съседните пептиди имат частна аминокиселинна последователност. Такова решение помага на изследователите да идентифицират области, свързани с разпознаването или друга измерена реакция. Проучване, използвайки наслоени фрагменти на менингококов протеин, показа приложението на тази методология за картографиране на отговора на Т-лимфоцитите в пробите от донори. [5] Въпреки това, положителният резултат за фрагмент не автоматично идентифицира минималния епитоп, не доказва, че всяка обща остатъчна част е необходима и не означава, че фрагментът точно възпроизвежда структурата и обработката на целия протеин.

2. Могат ли компютърните прогнози да заместят експериментите?

Не. Компютърните прогнози могат да помогнат при определянето на приоритетите на кандидатите, идентифицирането на модели, създаването на структурни хипотези и ограничаването на броя на последователностите, изискващи незабавно експериментално проучване. Недоверимостта им обаче зависи от модела, тренираните данни, начина на представяне на молекулите, приетите предположения и конкретната задача. В проучването за проектирането на ензимни субстрати многократно са тествани пептиди, избрани чрез алгоритъм, и резултатите от експериментите са използвани за следващи кръгове на селекция. [3] Това показва сътрудничеството между изчислителните методи и експеримента, а не замяната на експеримента с модел. Кандидатът остава компютърна прогноза, докато съответната му характеристика не бъде оценена експериментално.

3. Библиотеката на пептидите е физически обект или база данни?

Могат да бъдат и двете. Физическите библиотеки съдържат частици, които могат да бъдат изследвани директно чрез експериментални методи, докато виртуалните библиотеки съдържат цифрови последователности, молекулярни структури или други компютърни репрезентации. Първите изследвания на one-bead-one-peptide се отнасят до физически синтетични библиотеки, докато методите на компютърното проектиране анализират молекулярните репрезентации преди синтеза на избраните кандидати. [2] [3] Самото наличие на последователности в виртуалната библиотека не потвърждава, че съответстващият й пептид е синтезиран правилно, притежава желаната химична форма или показва предвидените свойства. Поради това при обсъждане на размера на библиотеката или резултатите от скрининга винаги трябва да се определи нейният формат.

4. Доставя ли по-голямата библиотека винаги до намирането на по-добри кандидати?

Не. Размерът на библиотеката има значение само ако съдържа значим, достъпен, идентифицируем и подходящо представен разнообразие. Проучването на дълбоко секвениране на фаговината показа неравномерно разпределение на секвенциите и фактори, които намаляват ефективното разнообразие, въпреки широко планирания проект. [4] Много големите библиотеки също могат да увеличат проблемите с избора и интерпретацията, тъй като не всеки теоретично възможен елемент действително трябва да бъде открит или подходящо изследван. Качеството на кандидатите зависи следователно от състава на библиотеката, от проекта за скрининг, от качеството на теста, контрола и валидирането, а не само от рекламирания брой възможни секвенции.

5. Азбучните библиотеки с пептиди наистина ли са без натоварване?

Невинаги. Рандомизираната конструкция все още може да доведе до неравномерно представяне на нуклеотиди, аминокиселини и цели секвенции. Биологичното производство, размножаването, химията на синтеза и пробиването могат да въведат нови източници на натоварвания. Дълбокото секвениране на търговската фагови библиотека показа неравномерно представяне още преди началото на селекцията спрямо целта. [4] Това не означава, че всяка произволна библиотека е неверна. Това обаче показва, че „случайният проект” и „експериментално потвърдената равномерност” са две различни твърдения. Като цяло характеристиката на първоначалната библиотека помага да се разграничи голямата изходна численост от реалното богатяване, зависимо от селекцията.

6. Как фейг дисплейът позволява идентифицирането на секвенцията на пептида?

Phage display съчетава пептида, представен на повърхността на бактериофага, с генетичната информация, съхранявана в същата част от молекулата. Избраните фаги могат следователно да бъдат възстановени, а съответстващите им пептидни последователности да бъдат определени въз основа на свързания генетичен материал. В ранните изследвания с произволно представени пептиди върху нитрофилните фагове тази зависимост между генотип и фенотип се използва за възстановяване и характеризиране на свързващите лигандни молекули. [1] Самото възстановяване на фага обаче не доказва принадлежност спрямо целта, тъй като броят може да бъде повлиян от взаимодействията с повърхността, разликите в размножаването и други селективни фактори. В резултат на генетичното свързване може да бъде установена идентичността на кандидата, а следващите експерименти помагат да се обясни причината за неговия избор.

7. Защо фагът може да бъде обогатен без да е свързан с предвидената цел?

Някои механизми могат да доведат до обогатяване, което не е свързано с целевата цел. Фагът може да взаимодейства с тестовата повърхност, да се адаптира особено добре към условията на селекция или да се размножава по-ефективно от конкуриращите се клони. В отделни изследвания е доказано възстановяване, свързано с полистиреновата структура, както и обогатяване, свързано с предимството при размножаването. [6] [7] Това са различни механизми и изискват други проверки. Затова обогатяването трябва да се тълкува като доказателство, че клона е оцелял и е увеличил своето представителство по време на процеса на селекция. Доказването на специфичното разпознаване на целта изисква допълнителни доказателства, които да позволят да се разграничи тази възможност от алтернативни обяснения.

8. Какво означава „one-bead–one-compound“?

One-bead–one-compound означава, че всяка топка по принцип трябва да представя множество копия на един конкретен съединител, така че избраната топка да може в крайна сметка да бъде свързана с отделен елемент от библиотеката. Тази концепция позволява създаването на големи комбинаторни синтетични библиотеки и беше представена в ранните изследвания на one-bead–one-peptide. [2] Терминът обаче описва планираната организация на библиотеката, а не гарантира идентичност на натоварването, отлична синтеза или химическа еднакост на всяка топка. По-късни измервания на отделните топки показаха значителни разлики в количеството представен пептид. [8] Качеството на материала и натоварването остават следователно характеристики, изискващи експериментално оценяване.

9. Може ли количеството на пептида на топчето да повлияе на резултата от скрининга?

Да. Кукла, която съдържа по-голямо количество налично пептид, може да генерира по-силен тестен сигнал дори когато самата молекулярна реакция не е по-силна. В изследване, използвайки спектроскопия на Раман за анализ на библиотеки от единични вещества, беше установена значителна вариабилност на количеството на пептида, особено при по-дълги последователности. [8] Изследването не определя влиянието на натоварването при всеки възможен селективен режим, но идентифицира източника на вариабилността, който може да повлияе върху интензивността на сигнала. Резултатите от скрининга с кукли трябва да се интерпретират както в контекста на самата молекулярна реакция, така и в контекста на плътността на представяния материал.

10. Ефективността на свързването е същото като биологичната активност?

Не. Връзването означава взаимодействието на молекулите при определени условия. Биологичната или биохимичната активност изисква отделно определена крайна точка. Пептидът може да се свързва с протеин, но да не го активира или не го инхибира, а клетъчната реакция може да възникне чрез механизъм, различен от предполагаемото взаимодействие с целта. Изследванията на phage display бяха фокусирани предимно върху свързването, докато изследването, използвайки машинно обучение, се занимаваше с поведението на пептидите като ензимни субстрати. [1] [3] Това са различни научни въпроси. Затова успехът при скрининга трябва да бъде описан според действително измерената характеристика, без да се приписва по-широк ефект към него.

11. Защо е необходимо повторно синтезиране и индивидуално проучване на попадението?

Независимата синтеза помага да се установи дали конкретен дефиниран пептид действително възпроизвежда наблюдаваното поведение извън първоначалната библиотечна система. Присъединяването към фага, количеството материал в топката, ефектите на смесването, взаимодействията с носителя или други елементи на скрининга могат да повлияят на първоначалния резултат. В ранните проучвания на phage display се сравняват представените лиганди с пептиди, получени чрез химична синтеза, което илюстрира този етап на потвърждаване. [1] Повторната синтеза е най-информативна, когато получения материал бъде подходящо характеризиран и проверен в тест, свързан с първоначалното твърдение. Самото синтезиране все още не потвърждава функцията или механизма.

12. Какво предвижда Rosetta FlexPepDock?

Розета FlexPepDock моделира структурите на пептид-белтъчен комплекси, но отделните процедури, свързани с FlexPepDock, изискват различен набор от начални данни. Първоначалната публикация за сървъра описва основно високодетайлно усъвършенстване на модела на пептид, който вече е приблизително близо до мястото на свързване на рецептора. [10] PIPER-FlexPepDock използва по-широка стратегия на глобално свързване, след което последва гъвкаво усъвършенстване на модела. [11] Резултатите от тестовете не гарантират правилност за всяка нова двойка пептид-белтък. Поради това полезният отчет трябва да посочва използвания протокол, начални данни и начинът на оценка на предвидените структури.

13. Доказва ли благоприятният резултат от свързването силното свързване?

Не. Резултатът от свързването е стойност, генерирана от компютърна точкална функция и не е автоматично еквивалентен на експериментално измерената свързаност, като например постоянна диссоциация. Неговата значимост зависи от протокола на свързването, молекулярната репрезентация, начина на вземане на проби за конформация, целта на изследването и калибрирането. В изследването FlexPepDock за комплекси пептид–MHC сравняваха изчислените резултати с относителните измервания на свързването в определен набор от данни, показвайки, че такива зависимости трябва да бъдат изследвани, а не да се приемат за дадени. [13] Положителният резултат от свързването може да помогне за определяне на приоритетите на кандидатите или да подкрепи структурната хипотеза, но силното свързване изисква подходящи експериментални доказателства.

14. Защо амидацията на C-концето е важна при моделирането на пептид?

Амидацията на C-концето променя химичната група, която се намира в края на пептида и може да повлияе на формалното натоварване, водородните връзки, електростатичните взаимодействия и конформацията на молекулата. Компютърният модел следователно трябва да представя същата химична структура на края, която има изследваният експериментално пептид. В изследванията с H5 maximin са наблюдавани разлики в структурата и взаимодействията с мембраните, свързани с промяната на крайното оформление. [15] Това не доказва, че амидацията винаги подобрява свойствата на пептидите. Вместо това показва защо химичната структура на крайното оформление трябва да бъде правилно определена и възпроизведена в модела.

15. Доколко генерирането на модел в CHARMM-GUI потвърждава свойствата на пептида?

Не. CHARMM-GUI помага за подготовката на молекулярните системи за симулации. Успешното създаване на структура или входни файлове означава, че е създадена компютърна репрезентация на изследваната система; то не потвърждава експериментално свързването, биологичната активност, стабилността или клиничната значимост. Официалната документация също така посочва, че модифицираните остатъци изискват подходящи структурни и параметрични определения. [14] Подготовката на компютърна система е следователно отправна точка за по-нататъшно моделиране. Въпросът дали действителната молекула се държи в съответствие с предвижданията остава отделен експериментален въпрос.

16. Защо прогнозната система може да се провали при използването на нов пептид?

Новият пептид може да се различава от примерите, използвани при тренировките по начин, който моделът не е усвоил правилно да представя. Разликите могат да се отнасят до последователност, структура, дължина, модификации, молекулярна цел или други характеристики. Проучване на модели, предсказващи свързването на Т-лимфоцитните рецептори, показа, че оценката на ефективността се променя в зависимост от начина на включване на сходството на последователността и структурата между трениращите и тестовите пептиди. [9] Това не означава, че всяко предсказване на новата последователност ще бъде погрешно. Вместо това показва, че общите статистически показатели на ефективността на модела трябва да бъдат интерпретирани в контекста на това колко много тестовите условия наподобяват планираното му приложение.

17. Какво прави резултатите от изследванията на пептидните библиотеки повторяеми?

Повторяемостта изисква достатъчно количество информация, позволяваща да се дефинира библиотеката, кандидатната молекула, експерименталните условия, контролите, начина на анализ и критериите за признаване на резултата като правилен. Изследванията на състава на фаговите библиотеки и количеството на пептида върху топчетата показват, че вариабилността може да съществува още преди началото на скрининга. [4] [8] Поради това предоставянето само на крайната последователност и резултата от теста отпада потенциално важни източници на разлики. Повторимите изследвания изискват ясен отчет за последователността, модификациите, архитектурата на библиотеката, идентификаторите на пробите, крайните точки на теста, контролите, аналитичните критерии, компютърните параметри и независимото потвърждаване на основния резултат.

18. Трябва ли най-богатият пептид да бъде и най-добрият лиганс?

Не. Голямото обогатяване може да се дължи на свързването с целта, но също така могат да влияят и началното количество на последователностите, ефективността на размножаването, необичайните взаимодействия с повърхността и други свойства, свързани със селекцията. Дълбокото секвениране показа неравномерно представяне на началните библиотеки на фагоцитите, а други изследвания документираха обогатяване, свързано с предимство при размножаването. [4] [6] Поради това най-разпространената крайна последователност не трябва автоматично да се идентифицира с лиганда с най-високо присъединяване. По-силни доказателства се осигуряват чрез сравняване на началното и крайното количество, подходящи контролни проверки и независим измерване на свързването.

19. Доказва ли предвидената последователност на пептида, че тя може ефективно да бъде синтезирана?

Не. Компютърният проект създава последователност или молекулярна хипотеза, но не потвърждава успеха на синтеза. Някои последователности могат да причинят проблеми, свързани с ефективността на свързването, агрегацията, пречистването, разтворимостта или химичните модификации. Следователно виртуалната библиотека може да съдържа кандидати с много различно практически изпълнимо синтетично действие. Само експерименталното получаване на материала и неговата аналитична характеристика позволяват да се определи дали желаната молекула всъщност е получена. Компютърното приоритетизиране и химичната изпълнимост са свързани, но отделни етапи на изследването.

20. Може ли пептидът, селектиран чрез фагодиспечиране, да действа по различен начин като свободна молекула?

Да. В фаге дисплей пептидът се намира в среда, свързана с носителя, която може да повлияе на неговата форма, ориентация, достъпност, локална плътност и адсорбция. Безжизненият пептид не притежава тези характеристики и поради това може да проявява други изглеждащи поведения по време на свързването. В ранните проучвания на фаге дисплей се сравняват лигандните вещества, представени върху фагите, с техните химически синтетични аналози, което показва важността на този експериментален разграничение. [1] Успешната фагеоселекция представлява значителен доказателствен материал за представяната последователност, докато независими изследвания са необходими за определяне на поведението на свободния пептид, отговарящ на тази последователност.

Ограниченията на доказателствата, получени от пептидната библиотека и прогнозите

При интерпретирането на изследванията за пептидни библиотеки трябва да се имат предвид няколко ограничения.

Първо, теоретичната разнообразие не е същото като реалното експериментално разнообразие. Неравномерното представяне, проблемите със синтезата, разликите в умножаването и начина на вземане на проби могат да променят реалното съдържание на библиотеката. [4]

На второ място, обогатяването по време на скрининга не потвърждава автоматично наличието на връзка с целта. Взаимодействието с повърхността и предимството при размножаването могат да доведат до обогатяване чрез различни механизми. [6] [7]

Второ, начинът на представяне е важен. Пептидите, свързани с фаговете, топчетата или повърхностите, могат да се държат по различен начин от същите частици в разтвора поради наличието, ориентацията, локалната плътност или адсорбцията. [1] [8]

Четвърто, свързването, селективността и функцията са различни свойства. Показването само на една от тях не означава автоматично наличието на останалите.

Пето, компютърното предсказване зависи от модела. Тренираните данни, начинът на оценяване, молекулярната репрезентация и приетите предположения определят какво значение може да се придаде на резултата. [3] [9]

Шесто, резултатите от свързването не са експериментални измервания на свързаността. Структурните модели и точките на свързване могат да помогнат при избора на хипотези, но реалното поведение по време на свързването изисква експериментални измервания. [10] [11] [13]

Седмично, химичната форма е важна. Крайните групи, нестандартните аминокиселини, стереохимията и други модификации трябва да бъдат правилно представени както в описанията на експериментите, така и в компютърните модели. [13] [14] [15]

Накрая, резултатите от скрининга са само началото на валидирането, а не краят му. Независимата подготовка на материала, молекулярната характеристика, проверките, допълващите тестове и репликацията постепенно укрепват наличните доказателства.

Резюме

Библиотеките на пептидите позволяват систематичното проучване на огромния обем възможни молекулярни последователности.

Те позволяват сравняването на множество кандидати и анализа на въпроси, свързани с:

• молекулярно разпознаване;
• субстрати на ензимите;
• секундни мотиви;
• вързаност;
• в зависимост от структурата – активността;
• с мобилни телефони;
• компютърни прогнози.

Терминът „библиотека на пептидите” обаче обхваща няколко фундаментално различни формата на изследванията.

Библиотеката на прилягащите пептиди помага за картографирането на регионите на по-голямата последователност.

Концентрираната библиотека от основни понятия позволява да се анализира значението на отделните позиции.

Библиотеката за показване на фаги свързва представяния пептид с генетична информация и позволява селекция.

Библиотеката one-bead–one-compound организира синтетични кандидати в отделни топчета.

Виртуалната библиотека съществува в цифрова форма и може да се използва за определяне на приоритетите на последователността преди започване на експериментални изследвания.

Тези формати не трябва да се считат за заместващи.

Разбирането с повишено внимание изисква и размера на библиотеката.

Теоретичната колекция, обхващаща милиони възможни последователности, не доказва, че всеки от нейните елементи е физически присъстващ, равномерно представен, химически правилен и действително обект на скрининг. Проучванията, използващи дълбоко секвентиране, показват защо реалният състав на библиотеката може да се различава от планираното разнообразие. [4]

По същия начин обогатяването не е синоним на специфичното привързване към целта.

Факторите на клониране могат да бъдат обогатени в резултат на механизми, които не са свързани с целевата цел, като например взаимодействие с повърхността или предимство при размножаването. [6] [7]

Затова подходящите проверки и независимите изследвания са толкова важни.

Същата предпазливост важи и за компютърното проектиране на пептиди.

Секундните модели и инструментите за построяване на модели могат да помогнат за идентифицирането на обещаващи кандидати и създаването на хипотетични механизми, но техните прогнози зависят от тренираните данни, структурните репрезентации, точките на действие и изходните предположения. [3] [9] [10] [11]

Положителният резултат от свързването не само потвърждава силната връзка в експерименталната част.

Създадената компютърно последователност не доказва, че може да бъде правилно синтезирана.

Очакваната взаимовръзка не потвърждава биологичната функция.

Най-информативният процес на откриване на пептиди следователно разглежда отделните видове доказателства като отделни, но взаимно допълващи се етапи:

проектиране → конструкция на библиотеката → скрининг → идентифициране на резултатите → независима проверка → характеристика → усъвършенстване на изчисленията → експериментална валидация.

Силата на крайния извод зависи от това колко внимателно са били съпроводени тези етапи един с друг.

Най-важната принципа може да се изрази по следния начин:

Библиотеката посочва възможностите, скринингът идентифицира сигналите, моделът генерира прогнози, а валидирането определя кои заключения действително се подкрепят с експериментални доказателства.

Забележка

Статията има само образователен и научно-информационен характер. Тя описва общите принципи относно библиотеките на пептиди, технологията на фагодизайн, скрининг на синтетични пептиди, проектиране на последователности, компютърна предсказване, свързване на пептиди, молекулярно моделиране, експериментална валидация и повторяемост на изследванията. Тя не представлява медицински съвет, препоръки за терапия, инструкции за употреба на пептиди, информация относно дозировката и указания за тяхното прилагане при хора. Прогнозите на компютъра, резултатите от скрининга, резултатите от свързването и предклиничните експериментални резултати не трябва да се тълкуват като доказателство, че даден пептид е безопасен, ефективен, клинично валидиран или подходящ за употреба при хора.

Препратки

1. Барът, Р. У., Цвира, С. Е., Акърман, М. С., Олсън, А. М., Питърс, Е. А. и Дауър, У. Дж. (1992). Селективно обогатяване и характеризиране на лиганди с висока афинитет от колекции от случайни пептиди върху филаментови фаги. Аналитична биохимия, 204(2), 357–364. https://doi.org/10.1016/0003-2697(92)90252-3
2. Lam, K. S., Salmon, S. E., Hersh, E. M., Hruby, V. J., Kazmierski, W. M., & Knapp, R. J. (1991). Нов тип синтетична пептидна библиотека за идентифициране на активността при свързване с лиганд. Природа, 354(6348), 82–84. https://doi.org/10.1038/354082a0
3. Tallorin, L., Wang, J., Kim, W. E., Sahu, S., Kosa, N. M., Yang, P., Thompson, M., Gilson, M. K., Frazier, P. I., Burkart, M. D., & Gianneschi, N. C. (2018). Откриване на нови пептидни субстрати за ензими чрез машинно обучение. Nature Communications, 9(1), Член 5253. https://doi.org/10.1038/s41467-018-07717-6
4. Sloth, A. B., Bakhshinejad, B., Jensen, M., Stavnsbjerg, C., Liisberg, M. B., Rossing, M., & Kjaer, A. (2022). Анализ на композиционната предразположеност в търговска библиотека с пептиди за фейго-дисплей чрез следващо поколение секвениране. Вируси, 14(11), Член 2402. https://doi.org/10.3390/v14112402
5. Wiertz, E. J., van Gaans-van den Brink, J. A., Gausepohl, H., Prochnicka-Chalufour, A., Hoogerhout, P., & Poolman, J. T. (1992). Идентификация на Т-клечните епитопи, срещащи се в външния мембранен протеин на менингококиен клас 1, чрез използване на припокриващи се пептиди, събрани чрез едновременно многократно синтезиране на пептиди. Журнал за експериментална медицина, 176(1), 79–88. https://doi.org/10.1084/jem.176.1.79
6. Kamstrup Sell, D., Sloth, A. B., Bakhshinejad, B., & Kjaer, A. (2022). Бяла плака, свързана с геномна делеция, получена от пептидна библиотека на базата на M13KE, е обогатена по начин, който не е свързан с целта по време на биопанинг при фейг-диспейсинг поради предимството на размножаването. Международно списание за молекулярни науки, 23(6), Член 3308. https://doi.org/10.3390/ijms23063308
7. Бахшинджад, Б. & Садегизаде, М. (2016). Пептид, свързващ полистирен и несвързан с целта, изолиран при скрининга на библиотеката с фагови дисплеи. Аналитична биохимия, 512, 120–128. https://doi.org/10.1016/j.ab.2016.08.013
8. Tang, Y., Thillier, Y., Liu, R., Li, X., Lam, K. S., & Gao, T. (2017). Единично количественене на разпределението на натоварването с пептиди при синтеза на библиотеки с един пирон и един състав, чрез конфокална раманска спектроскопия. Аналитична химия, 89(13), 7000–7008. https://doi.org/10.1021/acs.analchem.7b00516
9. Castorina, L. V., Grazioli, F., Machart, P., Mösch, A., & Errica, F. (2025). Оценка на възможностите за генерализиране на предсказващите показатели за свързване на TCR чрез анализ на пептидната дистанция. PLOS ONE, 20(5), Член e0324011. https://doi.org/10.1371/journal.pone.0324011
10. London, N., Raveh, B., Cohen, E., Fathi, G., & Schueler-Furman, O. (2011). Rosetta FlexPepDock уеб сървър – моделиране с висока резолюция на взаимодействията пептид-протеин. Nucleic Acids Research, 39(Уеб сървър), W249–W253. https://doi.org/10.1093/nar/gkr431
11. Алам, Н., Голдщайн, О., Шя, Б., Портър, К. А., Козаков, Д., & Шулер-Фурман, О. (2017). Глобално свързване на пептиди с протеини с висока резолюция чрез използване на фрагменти базирани на PIPER-FlexPepDock. PLOS Computational Biology, 13(12), Статия e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. РозетаКомънс. (n.d.). FlexPepDock. Извлечено на 20 септември 2026 г. от Официална документация
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock за прогнозиране на свързването на пептиди с MHC: Принцип за неканоничните аминокиселини. PLOS ONE, 17(12), Статия e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.d.). Често задавани въпроси. Извлечено на 20 септември 2026 г. от Официална документация
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). Ролята на C-терминалната амидация в мембранните взаимодействия на анионния антимикробен пептид максимин H5. Биохимия и биофизика Аката, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014