Peptidbibliotheken und Design: Wie funktionieren Screening und Vorhersage?

Eine Peptidbibliothek ist eine Sammlung verschiedener Peptidsequenzen, die so vorbereitet oder dargestellt werden, dass sie systematisch verglichen werden können. Anstatt eine einzelne Sequenz ohne einen breiteren Bezugspunkt zu analysieren, können Forscher die Bibliothek nutzen, um zu prüfen, welche Peptide an ein bestimmtes molekulares Ziel binden, Enzymsubstrate sind, eine messbare Reaktion in einem bestimmten Assay hervorrufen, ein bestimmtes, von anderen Molekülen erkanntes Motiv enthalten oder eine andere definierte Eigenschaft aufweisen.

Nicht alle Peptidbibliotheken sind gleich. Sie können als physische Sammlungen synthetisierter Moleküle, als auf biologischen Trägern präsentierte Peptide, als an Kügelchen oder Oberflächen gebundene Peptide sowie als rein virtuelle Sammlungen von Sequenzen und molekularen Strukturen vorliegen, die computergestützt analysiert werden.

Jedes dieser Formate beantwortet etwas andere wissenschaftliche Fragen.

Ein Peptid, für das ein Computer die Möglichkeit der Bindung an ein bestimmtes Protein vorhergesagt hat, ist nicht dasselbe wie ein Peptid, das tatsächlich in einem Screening-Experiment ausgewählt wurde. Ebenso wird ein während des Screenings angereichertes Peptid nicht automatisch zu einem bestätigten biologischen Kandidaten.

Untersuchungen unter Verwendung von Phage Display, synthetischen Bibliotheken auf Beads, überlappenden Peptidsätzen und computergestützten Experimenten zeigen eines der Grundprinzipien der Peptidentdeckung:

Das Finden eines interessanten Signals beginnt einen Forschungsprozess, statt ihn zu beenden.

Die Stärke der Schlussfolgerungen hängt unter anderem von folgenden Faktoren ab:

• Art des Designs und Qualität der Bibliothek;
• einer tatsächlichen und nicht nur theoretischen Vielfalt;
• Testkonstruktion;
• angemessener Kontrollen;
• molekulare Identifizierung;
• Wiederholbarkeit;
• Ausschluss alternativer Erklärungen;
• unabhängigen experimentellen Validierung. [1] [2] [3]

Deshalb lohnt es sich, bei der Analyse von Peptidbibliotheken zwischen mehreren aufeinanderfolgenden Schritten zu unterscheiden:

Bibliotheksdesign → Screening → Trefferidentifizierung → Bestätigung → Charakterisierung → Vorhersage oder Optimierung → unabhängige Validierung.

Jede dieser Phasen liefert ein anderes Evidenzniveau.

Was ist eine Peptidbibliothek?

Eine geordnete Menge verschiedener molekularer Varianten

Die Peptidbibliothek enthält miteinander verwandte oder unterschiedliche Peptidsequenzen, die rund um eine bestimmte Forschungsfrage organisiert sind.

Einige Bibliotheken dienen der Untersuchung kleinerer Veränderungen innerhalb eines bekannten Peptids. Andere umfassen einen deutlich größeren Raum möglicher Sequenzen.

Die einzelnen Elemente der Bibliothek können sich hinsichtlich folgender Aspekte unterscheiden:

• Peptidlamellen;
• Aminosäurenart;
• der Positionen der einzelnen Reste;
• Aminosäuresequenz;
• Endgruppen;
• Zyklisierung;
• Stereochemie;
• chemischer Modifikationen;
• andere bewusst veränderte strukturelle Merkmale.

Die Bibliothek muss außerdem die Möglichkeit bieten, das gewünschte Element zu identifizieren.

Im Falle eines Peptid-Arrays kann die Identität des Peptids mit seiner physischen Position verknüpft sein.

In einer Phage-Display-Bibliothek ist die präsentierte Peptidsequenz mit der im Bakteriophagen befindlichen genetischen Information verknüpft.

In einer auf Beads platzierten synthetischen Bibliothek muss das auf einem ausgewählten Bead vorhandene Peptid entweder chemisch identifiziert oder ein zusätzliches Codierungssystem verwendet werden.

Die Verbindung zwischen dem Signal und der Identität des Moleküls ist von grundlegender Bedeutung.

Ein starkes experimentelles Signal aus einer unbekannten Mischung verrät noch nicht, welches Molekül es verursacht hat.

Der Wert einer Peptidbibliothek hängt also nicht nur von der Anzahl der in ihr enthaltenen Kandidaten ab, sondern auch von der Möglichkeit der Verknüpfung:

Kandidat → Identität → gemessene Antwort.

Zufällige, gerichtete und systematische Bibliotheken

Verschiedene Bibliothekskonstrukte dienen der Beantwortung unterschiedlicher wissenschaftlicher Fragestellungen.

Eine Zufalls- oder Kombinatorikbibliothek umfasst Kombinationen von Bausteinen an ausgewählten Positionen.

Der Begriff „zufällig” beschreibt die geplante Art der Konstruktion oder Stichprobenentnahme. Er bedeutet nicht, dass jede theoretisch mögliche Abfolge tatsächlich mit derselben Häufigkeit auftritt.

Eine zielgerichtete Bibliothek schränkt die Variabilität ein um:

• bekannten Motivs;
• Mutternpeptid;
• eines bestimmten Strukturskeletts;
• Bindungssequenz;
• aktiven Region;
• Hypothese zu einem bestimmten molekularen Ziel.

Die Bibliothek systematischer Ersetzungen verändert ausgewählte Reste auf geordnete Weise.

Zum Beispiel kann eine Aminosäure an einer Position nacheinander durch mehrere andere Aminosäuren ersetzt werden, um zu prüfen, ob diese Position die untersuchte Eigenschaft beeinflusst.

Eine overlapping-Peptidbibliothek verwendet aufeinanderfolgende Fragmente einer längeren Ausgangssequenz, wobei benachbarte Fragmente einige Aminosäurereste gemeinsam haben.

Dieser Ansatz ist besonders nützlich bei der Lokalisierung von Proteinregionen, die in einem bestimmten Assay erkannt werden.

Jede Strategie hat ihre Vorteile und Grenzen.

Eine breite kombinatorische Bibliothek kann ein unerwartetes Sequenzmotiv aufdecken.

Eine zielgerichtete Bibliothek ermöglicht eine genauere Untersuchung einer bereits interessanten Sequenz.

Systematische Ersetzungen können darauf hinweisen, welche Positionen als besonders wichtig erscheinen.

Die Bibliothek überlappender Fragmente hilft dabei, eine aktive oder erkannte Region eines größeren Proteins zu lokalisieren.

Deshalb:

Ein größerer Sequenzraum bedeutet nicht automatisch bessere experimentelle Information.

Der geeignete Bibliothekstyp hängt in erster Linie von der Forschungsfrage ab.

Theoretische Vielfalt bedeutet keine reale Repräsentation

Der Raum möglicher Peptidsequenzen wächst sehr schnell.

Wenn die Bibliothek alle 20 Standard-Aminosäuren an jeder der sechs Positionen zulässt, beträgt die theoretische Anzahl möglicher Sequenzen:

20⁶ = 64 000 000 mögliche Kombinationen.

Das ist eine theoretische Vielfalt.

Sie bedeutet nicht, dass sich in der physischen Bibliothek tatsächlich 64 Millionen verschiedene, korrekt repräsentierte Peptide befinden.

Die effektive Diversität kann unter anderem verringert oder verzerrt werden durch:

• Synthesefehler;
• ungleiche Kopplungseffizienz;
• sequenzabhängige synthetische Schwierigkeiten;
• biologische Selektion während der Bibliotheksgenerierung;
• Transformationsbeschränkungen;
• Unterschiede bei der Vermehrung;
• wiederholende Sequenzen;
• Sequenzierungskosten;
• Stichprobenbeschränkungen;
• ungleiche Anzahl der einzelnen Elemente.

Es ist auch von Bedeutung, welcher Teil der gesamten Bibliothek tatsächlich in einem konkreten Experiment verwendet wurde.

Selbst wenn die Bibliothek theoretisch eine enorme Anzahl von Sequenzen enthält, kann ein einzelnes Screening nur einen Teil dieser Diversität abdecken.

Die Tiefensequenzierung einer kommerziellen Phagenbibliothek zeigte deutliche Abweichungen von einer gleichmäßigen Repräsentation, einschließlich Unterschieden in der Peptidanzahl und einer Belastung hinsichtlich der Sequenzzusammensetzung. Die Forscher identifizierten zudem Faktoren, die die effektive Bibliotheksgröße verringern. [4]

Diese Ergebnisse beziehen sich spezifisch auf die analysierte Bibliothek und sollten nicht automatisch quantitativ auf jede Phage-Display-Bibliothek übertragen werden.

Sie zeigen jedoch eine wichtige Regel:

Die theoretische Vielfalt sollte nicht als gemessene experimentelle Vielfalt betrachtet werden.

Was ist eine overlapping Peptide Library?

Eine Bibliothek überlappender Peptide stellt eine längere Ausgangssequenz als eine Reihe kürzerer Fragmente dar.

Benachbarte Peptide enthalten einen Teil einer gemeinsamen Sequenz.

Betrachten wir hypothetische Fragmente mit einer Länge von 15 Resten:

• Rest 1–15;
• Restbetrag 6–20;
• den Rest 11–25.

Jeder weitere Peptid beginnt fünf Positionen weiter als der vorherige.

Das bedeutet, dass benachbarte Fragmente zehn gemeinsame Reste haben.

Eine solche Anordnung hilft dabei, Regionen zu lokalisieren, die mit der Erkennung oder einer anderen gemessenen Reaktion zusammenhängen.

Wenn zwei benachbarte Peptide ein Signal liefern, kann ihre gemeinsame Sequenz helfen, den Bereich einzugrenzen, der weiterer Untersuchungen bedarf.

Dies beweist jedoch nicht, dass:

• Jeder Rest im gemeinsamen Bereich ist notwendig;
• Bereits die gemeinsame Sequenz reicht für die Wirkung aus;
• die minimale aktive Sequenz wurde identifiziert;
• Das Fragment verhält sich genau so wie die entsprechende Region im gesamten Protein.

Zur Klärung dieser Fragen sind möglicherweise weitere Experimente erforderlich.

In einer Studie zum äußeren Membranprotein von Meningokokken wurden 45 überlappende synthetische Peptide verwendet, um die T-Zell-Erkennung in Zellen menschlicher Spender zu analysieren. [5]

Die Studie zeigte sowohl die Nützlichkeit der empirischen Peptidkartierung als auch die Einschränkungen der damals verfügbaren Vorhersagealgorithmen.

Die beobachteten Reaktionen blieben spezifisch für den verwendeten Peptidsatz, die Testbedingungen und die Proben der untersuchten Spender.

Physische und virtuelle Bibliotheken beantworten unterschiedliche Fragen

Die Bezeichnung „Peptidbibliothek” kann sich auf sehr unterschiedliche experimentelle Systeme beziehen.

Diese Unterscheidung ist sehr wichtig:

Ein digitaler Kandidat ist nicht automatisch ein synthetisiertes Molekül, und ein synthetisiertes Molekül ist nicht automatisch ein experimentell validierter Kandidat.

Phage-Display und synthetische Bibliotheken

Wie verbindet das Phage-Display ein Peptid mit seiner Sequenz?

Bei der Phage-Display-Technologie wird ein Peptid als Teil eines Proteins auf der Oberfläche eines Bakteriophagen präsentiert.

Ein Phage enthält gleichzeitig die genetische Information, die die präsentierte Sequenz kodiert.

Dadurch entsteht eine nützliche Verbindung zwischen:

Phänotyp — präsentiertes Peptid

a

Genotyp – die ihm entsprechende genetische Sequenz.

Forscher können eine Phagenbibliothek einem bestimmten Ziel oder Testsystem aussetzen, die selektierten Partikel wiedergewinnen, sie vermehren oder analysieren und feststellen, welche Sequenzen angereichert wurden.

Die Verknüpfung mit genetischen Informationen erleichtert die Identifizierung von Kandidaten im Vergleich zur Analyse einer nicht identifizierten molekularen Mischung erheblich.

Frühe Studien mit zufälligen Peptiden, die auf filamentösen Phagen präsentiert wurden, zeigten die Möglichkeit der Anreicherung von Antikörperliganden mit hoher Affinität und verglichen das Verhalten der auf Phagen präsentierten Peptide mit den Bindungsergebnissen chemisch synthetisierter Peptide. [1]

Dieser Vergleich war besonders wichtig, da das auf dem Phagenpartikel befindliche Peptid und das entsprechende isolierte synthetische Peptid keine identische experimentelle Präsentation darstellen.

Die Anreicherung ist das Ergebnis einer Selektion und keine vollständige Erklärung des Mechanismus

Eine Sequenz, deren Anteil in aufeinanderfolgenden Selektionsschritten zunimmt, wird oft als angereichert bezeichnet.

Die Verfeinerung ist eine wichtige Information.

Es erklärt jedoch nicht automatisch, warum diese Sequenz größer geworden ist.

Mögliche Ursachen umfassen:

• Verknüpfung mit dem geplanten Ziel;
• Anbindung an die Oberfläche, die im Test verwendet wird;
• die Interaktion mit einem anderen Element des Experiments;
• eine bessere Überlebensfähigkeit unter den Bedingungen der Selektion;
• höhere Infektionsfähigkeit;
• Effizientere Vermehrung;
• Vorteil bei der Vermarktung;
• Eine andere Eigenschaft, die von der Sequenz oder einem bestimmten Klon abhängt.

Es handelt sich um wissenschaftlich unterschiedliche Erklärungen.

In einer Studie wurde ein phagen Klon identifiziert, dessen Befruchtung mit einer Verstärkung der Vermehrung einherging, die auf einer genomischen Deletion beruhte. [6]

In einer anderen Studie wurde ein geprägter Peptid untersucht, der sich anstelle des geplanten Ziels an Polystyrol bannte. [7]

Diese Studien zeigen zwei verschiedene Mechanismen, durch die es zu einer Verfälschung des unbezogenen mit dem eigentlichen Untersuchungsziel kommen kann.

Das bedeutet nicht, dass jede veredelte Fagensequenz ein Artefakt ist.

Es zeigt jedoch, warum:

Die Enrichment-Methode identifiziert einen Kandidaten, der eine Erklärung erfordert; in sich selbst beweist sie nicht die objektive Erkennung des molekularen Ziels.

Die Art und Weise der Präsentation kann die beobachtete Bindung beeinflussen.

Der in einem Phage-Display verwendete Peptid ist physisch mit dem Trägerstoff verbunden.

Seine Verhaltensweise kann daher von der Verhaltensweise derselben Teilchen unterscheiden, die frei in einem Lösungsmittel vorliegt.

Eine wichtige Bedeutung hat hierbei die Vorkehrung.

Die Eigenverantwortung bezieht sich in der Regel auf die Stärke einer einzelnen Interaktion innerhalb eines bestimmten Modells.

Avidität kann hingegen aus vielen gleichzeitig stattfindenden Interaktionen resultieren.

Wenn mehrere Kopien eines präsentierten Peptids gleichzeitig mit mehreren Bindungsstellen interagieren, kann die Gesamtwirkung stärker sein als die Wirkung einzelner freier Peptide.

Die Anbindung an ein Medium kann außerdem:

• die Konformität des Peptids zu begrenzen;
• die Verfügbarkeit zu ändern;
• die lokale Konzentration zu erhöhen;
• die Orientierung beeinflussen;
• Steroidartige Effekte hervorzurufen;
• mehrere Kopien des Peptids in der Nähe voneinander anzuordnen.

Daher kann ein Peptid, das in einem Präsentationssystem effektiv selektioniert wurde, nach einer unabhängigen Synthese anders verhalten.

Genau deshalb stellt die Untersuchung einer isolierten Substanz einen wichtigen Nachweisschritt dar.

Die Vergleiche der auf Phagen präsentierten Liganden mit ihren chemisch synthetisierten Gegenstücken in früheren Phagen-Display-Studien zeigen gut die Bedeutung der Verknüpfung des Selektionsergebnisses mit der unabhängigen Verhaltensweise der Teilchen an. [1]

Synthetische Bibliotheken können eine andere chemische Struktur umfassen

Synthetische Peptidbibliotheken werden mithilfe chemischer Methoden hergestellt und nicht ausschließlich durch biologische Expression.

Je nachdem, welche Synthesemethode angewendet wird, können diese potenziell Folgendes umfassen:

• nicht-standardisierte Aminosäuren;
• ausgewählte D-Aminosäuren;
• Endmodifikationen;
• Zyklisierung;
• chemische Markierungen;
• modifizierte Seitenketten;
• Andere synthetische Bauteile.

Dies ermöglicht die Erweiterung des chemischen Spektrums, das für Untersuchungen verfügbar ist.

Die Konstruktion einer Sequenz in einem Blattwerk oder einem Computerprogramm allein genügt jedoch nicht dafür, dass die entsprechende Moleküle einfach und richtig erhalten werden können.

Praktische Probleme können Folgendes umfassen:

• unvollständige Anpassung;
• Deletionssequenzen;
• Aggregierung;
• Probleme beim Abwaschen;
• schlechte Löslichkeit;
• Nebenwirkungen;
• Instabilität der Modifikationen;
• synthetische Probleme, die von der Sequenz abhängen.

Deshalb:

Entworfenes chemisches Repertoire ≠ experimentell bestätigtes chemisches Repertoire.

Genetisch kodierte Präsentationssysteme und chemische Synthese umfassen daher teilweise überlappende, aber nicht identische molekulare Bereiche.

Modifizierte Präsentationstechnologien können den Umfang der verfügbaren Chemie in biologischen Systemen zusätzlich erweitern, weshalb diese Unterscheidung nicht so vereinfacht werden sollte, dass biologische Bibliotheken ausschließlich nicht-modifizierte Standardpeptide enthalten könnten.

Bibliotheken mit einem Faden – einem Verbindungsmittel

In einer One-Bead-One-Compound-Bibliothek (OBOC) enthält jede Kugel grundsätzlich viele Kopien eines bestimmten Verbindungsmittels.

Eine häufig verwendete Strategie ist die Split-and-Pool-Methode.

Die Kugeln werden in Gruppen unterteilt, jede Gruppe wird mit einem anderen Baustein reagiert, anschließend werden alle Kugeln wieder zusammengefügt und erneut aufgeteilt, bevor der nächste Syntheseverlauf beginnt.

Die Wiederholung dieses Prozesses kann zu einer großen kombinatorischen Bibliothek führen, wobei gleichzeitig die geplante Verbindung zwischen einer einzelnen Kugel und einer bestimmten Sequenz beibehalten wird.

Die ersten Studien zum System one-bead–one-peptide stellten eine Methode zur Erstellung und Überprüfung großer synthetischer Peptidbibliotheken hinsichtlich der Bindung an Liganden vor. [2]

Der Begriff one bead–one compound beschreibt jedoch die Organisationsprinzipien der Bibliothek.

Es beweist nicht, dass:

• Jede Kugel enthält ein chemisch perfektes Peptid;
• Jede Kugel hat die gleiche Menge an Peptid;
• alle Bindungserreaktionen erfolgten mit der gleichen Effizienz;
• Der Peptidgehalt in jeder Kugel ist gleichmäßig verteilt.

In einer späteren Studie mit einzelnen Kugeln wurde Raman-Spektroskopie eingesetzt, um die Menge des Peptids zu bestimmen.

Die Forscher beobachteten eine erhebliche Variabilität zwischen den Kugeln der Bibliothek, insbesondere bei längeren Sequenzen, trotz einer stärker gleichmäßigen Belastung des Ausgangsmaterials. [8]

Das ist wichtig, da die Signalstärke beim Scannen sowohl von:

Interaktionskräfte,

wie auch von:

Die Menge des verfügbaren Peptids, das auf der Kugel dargestellt ist.

Mütter, individuell synthetisierte Komplexe und gefüllte Studien

Peptidbibliotheken können auch als Matrix oder als individuell synthetisierte Komplexe organisiert werden.

In der Peptidmatrix befinden sich die definierten Peptide in bekannten physikalischen Positionen.

Dies gewährleistet eine direkte Verbindung:

Ort → Identität der Sequenz → Testsignal.

Es ist jedoch zu beachten, dass die Immobilisierung auf der Oberfläche die Konformität und die Verfügbarkeit des Peptids beeinträchtigen kann.

Eine andere Lösung ist der gepulste Screening.

Einige Peptide werden in einer Probe zusammengeführt und gemeinsam untersucht.

Wenn die Probe eine positive Antwort gibt, kann sie anschließend in kleineren Gruppen oder einzelnen Elementen dekonvoluiert werden.

Pooling kann die Anzahl der Messungen im Anfangsstadium reduzieren.

Pula verhält sich jedoch nicht immer genau so wie jedes einzelne seiner Bestandteile.

Die Auswirkungen können Folgendes umfassen:

• Abweichungen der Konzentrationen;
• Konkurrenz;
• Löslichkeit;
• Aggregierung;
• Interferenzen;
• Antagonistische Wirkungen;
• Versatz im Test.

Eine positive Zahl deutet also auf eine Gruppe hin, die weitere Untersuchungen benötigt.

Es beweist nicht, dass jeder darin enthaltene Peptid diese Eigenschaft besitzt.

Screening und Auswahl der Kandidaten

Zunächst definieren Sie, was genau der Test misst.

Die Bedeutung des Ergebnisses des Screenings hängt vollständig vom gemessenen Endpunkt ab.

Das Bindungsscreening beantwortet die Frage, ob ein Peptid unter bestimmten Bedingungen mit einem bestimmten Ziel interagiert.

Die Screening-Analyse enzymatischer Substrate untersucht, ob das Enzym einen bestimmten Peptid umwandelt.

Der Inhibitionstest überprüft, ob ein Peptid eine bestimmte Aktivität reduziert.

Der Zelltest misst die definierte Reaktion in den Zellen.

Diese Ergebnisse sind nicht vergleichbar.

Der Peptid kann mit dem Ziel verbunden sein, ohne es zu aktivieren oder zu hemmen.

Es kann ein Substrat für ein Enzym sein, aber es zeigt keine entsprechende Aktivität im Zellsystem.

Die Antwort der Zelle kann jedoch aus einem unbeabsichtigten Weg resultieren.

Deshalb ist die Bezeichnung „aktiver Peptid” oft zu weit gefasst, wenn nicht angegeben, welche Art von Aktivität tatsächlich gemessen wurde.

In einer iterativen Studie, die maschinelles Lernen verwendete, wurden peptidbasierte Substrate für eine bestimmte Enzymklasse optimiert, indem mehrere Experimente mit ausgewählten Kandidaten durchgeführt wurden. [3]

Die Anfragen betrafen die biochemischen Funktionen, die in diesem bestimmten System gemessen wurden.

Sie beweisen nicht, dass dieselben Sequenzen auch in anderen, nicht biologischen Anwendungen funktionieren würden.

Kontrollen helfen dabei, das Erkennen des Ziels von der Durchführung des Tests selbst zu trennen.

Die entsprechend ausgewählten Kontrollen helfen dabei, ein beabsichtigtes molekulares Phänomen von anderen möglichen Erklärungen zu unterscheiden.

Je nachdem, welcher Test durchgeführt wird, können dies Folgendes sein:

• Oberflächen ohne Zielmolekül;
• Kontrollen, die den Datenträger selbst beinhalten;
• nicht-verknüpfte molekulare Ziele;
• Kontrollen positiv;
• Negative Kontrollen;
• Grundlinienmessungen;
• konkurrentische Experimente;
• andere Kontrollen, die für das jeweilige System relevant sind.

Eine Oberfläche ohne Zielmolekül kann unzureichende Bindung an das Testmaterial aufzeigen.

Die Medienkontrolle hilft dabei, Antworten zu erkennen, die durch das Präsentationssystem selbst verursacht werden.

Ein nicht verknüpfter Ziel kann Informationen über die Selektivität liefern.

Eine positive Kontrolle zeigt, ob der Test in der Lage ist, die bekannte Antwort zu erkennen.

Eine negative Kontrolle hilft dabei, den Hintergrundpegel zu bestimmen.

Die Kontrollen müssen jedoch so ausgewählt werden, dass sie auf die tatsächlichen möglichen Fehlerquellen des jeweiligen Experiments anwendbar sind.

Es gibt keinen universellen Kontrollpeptid, der in jedem möglichen System biologisch inert wäre.

Eine Studie zu den Haftverbindungen von Polystyrol zeigt, warum die Oberflächenkontrolle wichtig ist. Die Forscher untersuchten getrennt das Bindungsverhalten und die Vermehrung sowie gaben dem Anreicherungseffekt eine Rolle bei der Testoberfläche zu, anstatt anzunehmen, dass die Wiederherstellung des Faches eine Bestimmung des Zieles nachweist. [7]

Pflegefähigkeit, Selektivität und Funktion sind verschiedene Eigenschaften.

Drei Begriffe, die oft miteinander verwechselt werden, sind:

Verpflichtung, Selektivität und Funktion.

Die Wechselwirkung bezieht sich auf die Stärke der Wechselwirkung unter bestimmten Bedingungen und innerhalb eines entsprechenden Wirkungsmodells.

Die Selektivität beschreibt, inwieweit ein Kandidat im Vergleich zu entsprechenden Alternativen bevorzugt auf ein Ziel abzielt.

Die Funktion bezieht sich auf biologische oder biochemische Konsequenzen dieser Einwirkung.

Der Peptid kann daher Folgendes zeigen:

• hoher Reizwert, aber schlechte Selektivität;
• hohe Selektivität, aber schlechtes Bindungsverhalten;
• starkes Bindeglied ohne erwarteten funktionalen Effekt;
• Funktionale Aktivität durch einen unerwarteten Mechanismus.

Diese Unterscheidungen entscheiden darüber, welche Experimente in der nächsten Reihe durchgeführt werden sollen.

Beispielsweise:

Nachgewiesenes Bindungsverhalten ≠ nachgewiesenes Hemmungsverhalten.

Ein in der Bindungsscreening-Studie gefundenes Peptid darf nicht automatisch als Inhibitor bezeichnet werden, wenn seine hemmende Wirkung nicht direkt bestimmt wurde.

Die Kandidaten sollten anhand mehrerer Arten von Daten bewertet werden.

Die Auswahl der Kandidaten ist vertrauenswürdiger, wenn sie nicht ausschließlich auf einem einzigen Ranking-Parameter basiert.

Zu berücksichtigen sind unter anderem:

• Signalstärke;
• Repetibilität;
• Beibehaltung des Hintergrunds;
• Identität der Sequenz;
• Vergrößerung gegenüber dem Ausgangswert;
• Selektivität;
• die Familie von Sequenzen;
• Möglichkeit einer unabhängigen Synthese;
• Löslichkeit;
• Repetibilität des Tests;
• Möglichkeit einer weiteren Validierung.

Eine variierte Sequenz bei ausgewählten Treffern kann ebenfalls nützlich sein.

Die Untersuchung von Vertretern mehrerer verschiedener Sequenzfamilien verringert die Abhängigkeit von einem potenziell verwirrenden Motiv oder einem Klon.

In der Fall von Fagbibliotheken ist es besonders nützlich, die Anzahl der Exemplare vor der Auswahl und nach der Auswahl zu vergleichen.

Eine Sequenz, die bereits in der Ausgangsbibliothek sehr häufig vorkam, kann nach dem Screening in großer Zahl wiederholt werden, ohne dass ein zielabhängiges, besonders starkes Verstärkungseffekt auftritt.

Eine Studie zur tiefen Sequenzierung einer naiven phage-Bibliothek ergab eine ungleichmäßige Anfangsrepräsentation. [4]

Eine Untersuchung zur Überlegenheit bei der Vermehrung zeigt außerdem, warum die alleinige Zahl der Individuen nicht automatisch als Maß für die Affinität interpretiert werden sollte. [6]

Insgesamt sprechen diese Ergebnisse für die Analyse:

wie die Sequenz veredelt wurde,

und nicht nur:

die Sequenz belegte nach Abschluss der Auswahlphase den ersten Platz.

Der Einzug in die Screening-Phase ist noch kein bestätigt Kandidat

Ein Hit, also ein Treffer, ist ein Kandidat, der die Kriterien der ersten Screeningprüfung erfüllt.

Das ist ein wertvoller Erfolg.

Es beendet jedoch nicht den Validierungsprozess.

Die Bestätigung sollte unter anderem auf die Fragen antworten, ob das Verhalten des Kandidaten:

• es ist wiederholbar;
• erhältlich bleibt, sofern entsprechende Kontrollen durchgeführt werden;
• wird bei einer individuellen Untersuchung beobachtet;
• erhältlich nach erneuter Synthese;
• es kann einer bestimmten Teilchenart zugeschrieben werden;
• erhält im entsprechenden Nachuntersuchungstest weiterhin eine relevante Aussagekraft.

Eine weitere Charakterisierung kann dann Eigenschaften umfassen, die für den spezifischen Forschungszweck relevant sind.

Die Wiederverwertung ist besonders nützlich, wenn der ursprüngliche Screening-Test ein Träger, eine Kugel, ein Präsentationssystem oder eine Mischung verwendet hat.

Die unabhängige Synthese ermöglicht es, den Kandidaten von der ursprünglichen Art seiner Präsentation zu trennen.

Die Bestätigung der Identität und anderer wichtiger Parameter der Probe verstärkt zusätzlich den Zusammenhang zwischen dem beobachteten Ergebnis und der gewünschten Teilchenart. Hier kommt eine angemessene Interpretation besonders wichtig zur Anwendung. Reinheit von Peptiden und Laboruntersuchungen, Da die HPLC-Werte, die Massenbestätigung und die tatsächliche Peptidkonzentration verschiedene analytische Fragen beantworten, sind.

Die richtige Reihenfolge sieht also folgendermaßen aus:

Erfolg bei der Screening-Prüfung → bestätigter Erfolg → charakterisierte Kandidatin,

und nicht:

Erfolg bei der Screening-Analyse → nachgewiesener funktionaler Peptid.

Ein vorteilhaftes Ranking, ein visuell überzeugender Anlegermodell oder die Wiederholung eines ähnlichen Ergebnisses in demselben fehleranfälligen Test ersetzen nicht automatisch eine unabhängige Validierung.

Sequenzentwicklung und vorausschauende Werkzeuge

Das Design beginnt mit der Festlegung des molekularen Ziels.

Die Konstruktion eines Peptids kann wie folgt beginnen:

• bekannten Motivs;
• Mutternpeptid;
• Die Oberfläche der Wirkstoffe;
• Erfolg bei experimenteller Erzeugung;
• modellstrukturalistischer Ansicht;
• der evolutionären Sequenz;
• Eine Datensammlung über die untersuchten Peptide.

Anschließend können Veränderungen wie:

• Aminosäure-Grundstufen;
• Verkleinerung der Sequenz;
• Verlängerung der Sequenz;
• Cyklisierung;
• Endmodifikationen;
• Veränderung der Aminosäuresequenz;
• andere strukturelle Änderungen.

Der Zweck muss klar definiert sein.

Zum Beispiel:

Voraussage des Bindungspunkts

ist nicht dasselbe als:

Vorhersage der Erkennung durch ein Enzym,

und das wiederum ist nicht dasselbe wie:

Voraussage der Löslichkeit.

Eine Modifikation, die eine einzelne Eigenschaft verbessert, kann auf eine andere nicht wirksam sein oder sogar negativ auf sie wirken.

Die praktische Entwicklung von Peptiden kann daher die Ausgewogenheit mehrerer gegeneinander konkurrierender Ziele erfordern.

Eine experimentell unterstützte Untersuchung von Enzymsubstraten zeigte eine zielgerichtete Herangehensweise, bei der der Algorithmus Kandidaten vorschlug, biochemische Experimente zu bewerten, und die Ergebnisse beeinflussten die weiteren Entscheidungen zur Auswahl der Sequenz. [3]

Die Berechnungen stützten sich auf einen konkreten experimentellen Ziel, und sie ersetzten nicht die Messungen.

Die Prognose, die auf der Sequenz basiert, hängt von den Trainingsdaten ab.

Ein computerbasiertes Modell, das auf einer Sequenz basiert, lernt die Zusammenhänge zwischen den Eigenschaften von Peptiden und den Etiketten oder Ergebnissen von Messungen in einem Trainingsdatensatz.

Je nachdem, welches Modell verwendet wird, kann das Ergebnis folgendermaßen aussehen:

• Klassifizierung;
• ein Ergebnis, das das Wahrscheinlichkeitsrisiko widerspiegelt;
• Rangwert;
• vorhergesehene quantitative Eigenschaft;
• Eine andere Art von computergestützten Schätzungen.

Die Interpretation hängt davon ab, was die Etiketten tatsächlich beim Training bedeuteten.

Beispielsweise kann der Begriff „aktiv” Folgendes bedeuten:

• Verknüpfung über dem bestimmten Grenzwert;
• Verwertung durch Enzym;
• Antimikrobielle Aktivität;
• die Antwort des Zelle;
• Ein anderes Kriterium, spezifisch für den jeweiligen Test.

Es handelt sich nicht um gleichwertige Eigenschaften.

Die Datensammlungen können auch Ergebnisse enthalten, die unter verschiedenen experimentellen Bedingungen erzielt wurden.

Ein ununtersuchter Peptidstoff darf nicht automatisch als negatives Ergebnis anerkannt werden, nur weil es kein positives Ergebnis gibt.

Auch die Bewertung des Modells ist wichtig.

Wenn nahezu identische Sequenzen sowohl im Trainings- als auch im Testspektrum vorhanden sind, kann das Prädiktionsproblem erheblich einfacher zu lösen sein als die Vorhersage der Eigenschaften wirklich neuer Peptide.

Deshalb:

Die hohe allgemeine Genauigkeit des Modells allein beweist nicht die Fähigkeit zur Generalisierung auf neue Sequenzen.

Die Generalisierung erfordert eine bewusste Bewertung.

Die Generalisierung beschreibt die Fähigkeit eines Modells, auch außerhalb der bei dem Training angewandten Beispiele seine Zweckmäßigkeit beizubehalten.

Dies ist besonders wichtig, wenn der vorgeschlagene Peptid stark von den Trainingsdaten abweicht in Bezug auf:

• Sequenzen;
• Längen;
• strukturelle Klasse;
• chemischer Modifikationen;
• Molekularen Zweck;
• in einem experimentellen Kontext.

In einer Studie zur Vorhersage des Rezeptorbindungsverhaltens von T-Lymphozyten wurde der Einfluss der Unterschiede zwischen Trainings- und Testpeptiden auf die Beurteilung der Modelle analysiert. [9]

Die Klassifizierung der Sammlungen auf der Grundlage der Ähnlichkeit von Sequenzen und Strukturen führte nicht zu identischen Ergebnissen.

Dies zeigt, warum eine einzelne Klassifizierung der Trainings- und Testdaten oder ein einzelner Wert, der die Effektivität des Modells beschreibt, möglicherweise nicht vollständig die tatsächliche Verhaltensweise des Modells gegenüber neuen Peptiden wiedergibt.

Das bedeutet nicht, dass die präzisionsmodellen für Peptide von Natur aus unglaubwürdig sind.

Es bedeutet jedoch, dass die Art und Weise ihrer Bewertung an die tatsächliche Anwendung erinnern sollte, für die sie verwendet werden sollen.

Was erwartet uns beim Anlegen von Peptiden?

Peptid-Docking ist eine computerbasierte Methode zur Vorschlagung eines möglichen Wirkmechanismus eines Peptids auf einen Rezeptor oder ein anderes molekulares Ziel.

Die Berechnungen können verschiedene analysieren:

• Konformationen des Proteins;
• Orientierung;
• Positionen;
• Kontakte zum Empfänger;
• Geometrie der Einwirkung.

Anschließend werden die vorgeschlagenen Systeme mithilfe einer entsprechenden Punkt- oder Energiemessfunktion bewertet.

Das Verankerungsergebnis kann daher Folgendes liefern:

• potenziellen Bindungspositionschlüssel;
• die vorgeschlagenen Teilnehmer an der Interaktion;
• strukturelle Hypothesen;
• Ranglisten der Kandidaten;
• Die Strukturen der Anfangsphase bis hin zu weiteren computergestützten Analysen.

Es ist jedoch zu beachten:

Außer dem Dokumenieren handelt es sich um eine Hypothese und nicht um ein experimentell beobachtetes Phänomen.

Ähnlich:

Der Punktwert der Fixierung ist weder eine experimentell ermittelte konstante Dissoziationskonstante, noch eine zelluläre Aktivität, noch das Wahrscheinlichkeitsrisiko für biologischen Erfolg.

Die Interpretation hängt von:

• punktförmige Funktion;
• Art der Probenahme der Konformität;
• Rezeptorstrukturen;
• Flexibilität des Rezeptors;
• Flexibilität des Peptids;
• der ursprünglichen Annahmen;
• Protonierung und molekulare Repräsentation;
• Kalibrierung für eine bestimmte Aufgabe.

Die Kondensation von Peptiden kann besonders anspruchsvoll sein, da Peptide oft sehr elastisch sind.

Während des Bindens können sowohl ihre Form als auch ihre Position bezüglich des Ziels erheblich variieren.

Rosetta FlexPepDock: Raffinement und globales Docking sind verschiedene Verfahren

Die ursprüngliche Publikation über den FlexPepDock-Server beschreibt eine hochauflösende Weiterentwicklung des Modells, die mit dem Peptid beginnt, das in etwa im Rezeptorbindungsbereich liegt. [10]

Man sollte daher dieses Werkzeug nicht einfach als eine universelle Methode beschreiben, die es ermöglicht, beliebige unbekannte Bindungsorte zu entdecken, ohne strukturelle Informationen.

PIPPER-FlexPepDock erweitert diese Konzeption in Richtung globaler Fertigung durch die Kombination der Anbringung von Peptidfragmenten mit einer späteren flexiblen Modifikation des Modells. [11]

In der Publikation wurde diese Methode auf einer begrenzten, aber repräsentativen Gruppe experimentell definierten Peptid-Protein-Komplexen evaluiert.

Der Erfolg im Benchmark zeigt die Effektivität unter den getesteten Bedingungen.

Es garantiert keine korrekte Vorhersage für jede neue Rezeptor-Peptid-Paarung.

Die offizielle Dokumentation von Rosetta unterscheidet:

• Verfeinerung;
• Ab initio-Modellierung in der Nähe des ungefähren Bindungspunkts;
• der globale Workflow PIPER-FlexPepDock. [12]

Deshalb wird der Computerbericht wesentlich informativer, wenn er die folgenden Angaben enthält:

welches FlexPepDock-Protokoll angewendet wurde + welche Ausgangsdaten verwendet wurden + wie die erhaltenen Strukturen bewertet wurden.

Die bloße Feststellung:

„Die Anlandung von Rosetta wurde durchgeführt”

lässt viele wichtige methodologische Informationen unklar.

Modifizierte Peptide benötigen eine entsprechende Repräsentation

Das Computermodell muss die untersuchte molekulare Struktur korrekt darstellen.

Eine Sequenz, die ausschließlich mit standardmäßigen einliterigen Aminosäurecodes kodiert ist, kann wichtige chemische Informationen übersehen.

Dies können unter anderem Folgendes sein:

• Amidierung des C-Endes;
• Acetylierung des N-Endes;
• nichtstandardisierte Aminosäuren;
• D-Aminosäuren;
• Cyklisierung;
• konfokale Seitenverbindungen;
• Phosphorylierung;
• Andere Modifikationen.

In einer Studie, in der FlexPepDock eingesetzt wurde, wurde das Modellierungssystem für Peptide–MHC analysiert, das nicht standardisierte Restbestandteile und ausgewählte Peptidmodifikationen umfasst. [13]

Die Autoren lieferten nützliche Benchmark-Ergebnisse und beobachteten eine Beziehung zwischen den berechneten Ergebnissen und dem relativen Bindungsgrad, der experimentell im untersuchten Datensatz gemessen wurde.

Dies unterstützt die konkrete Anwendung des Modells, die bereits getestet wurde.

Das bedeutet jedoch nicht, dass jede mögliche Modifikation automatisch korrekt repräsentiert wird oder dass das Anlegen von Verbindungen den experimentellen Messwert des Bindungsparameters ersetzt.

CHARMM-GUI, Peptidemodelle und C-End-Amidierung

CHARMM-GUI bietet Werkzeuge zur Erstellung von Molekularmodellen für Simulationen.

Die offizielle Dokumentation betont, dass modifizierte Reststrukturen entsprechende strukturelle Definitionen und Parameter des Kraftfelds erfordern. [14]

Ein erfolgreiches Generieren der Eingabedaten für die Simulation bedeutet also, dass eine computergestützte Darstellung des Systems erstellt wurde.

Nicht experimentell bestätigt:

• Identität des Peptids;
• Verbindungen;
• biologische Funktion;
• Stabilität;
• Aktivitäten.

Bei einem amidierten Peptid ist die endgültige chemische Gruppe am C-Ende ein Amid, und nicht eine freie Carboxylgruppe.

Diese Differenz kann Folgendes beeinflussen:

• Formale Ladung;
• Wasserbindungen;
• elektrostatisches Vorkommen;
• Konformität;
• Interaktionen mit der umgebenden molekularen Umgebung.

Die Struktur, die Topologie und die Parameter des Kraftfelds, die in der Simulation verwendet werden, sollten daher dieselbe endgültige Form repräsentieren, die experimentell untersucht wird.

In einer Studie zu maximin H5 wurden experimentelle und simulative Methoden kombiniert, um die Folgen einer Änderung der Form des C-Endes zu bewerten. [15]

Es wurden Unterschiede in der Struktur und den Wechselwirkungen mit den Membranen für diesen speziellen Peptid beobachtet.

Das bedeutet nicht, dass die Amidierung die Eigenschaften jedes einzelnen Peptids verbessert.

Es zeigt jedoch, warum die Endgruppenchemie in der molekularen Beschreibung nicht vernachlässigt werden sollte.

Deshalb sollte das Suchen nach Amidierungsoptionen in einem Programm zur Konstruktion von Peptiden mit der chemischen Frage beginnen:

Welche genaue molekularen Form soll modelliert werden?

Erst nach der Definition dieser Frage nimmt die Auswahl der Softwareeinstellungen eine Bedeutung an.

Experimentelle Validierung und Reproduzierbarkeit

Unabhängig die richtige Teilchenart untersuchen

Der ausgewählte Kandidat sollte schließlich als definierter molekularer Stoff untersucht werden.

Wesentliche Merkmale können Folgendes umfassen:

• die genaue Sequenz;
• Form der Enden;
• bestimmte Modifikationen;
• Molekulare Identität;
• andere Eigenschaften, die für das Experiment wichtig sind.

Wenn der ursprüngliche Screening-Verfahren Phage-Display oder Peptide verwendete, die an Kugelproteinen angebracht wurden, können weitere Experimente prüfen, ob der isolierte Peptid eine gemessene Eigenschaft auch außerhalb des ursprünglichen Präsentationssystems aufweist.

In einer frühen Phage-Display-Studie wurden Peptide, die auf Phagen exprimiert wurden, mit ihren chemisch synthetisierten Gegenstücken verglichen. [1]

Dies zeigt, wie eine unabhängige Untersuchung den Ergebnissen der Bibliothekselektive mit dem Verhalten der einzelnen Peptidmoleküle kombinieren kann.

Auch die Qualität und die Charakteristik der Probe sind von Bedeutung.

Verschillende Ansichten bezüglich:

• gekennzeichneten Konzentration;
• Löslichkeiten;
• Reinheit;
• Aggregation;
• Endform;
• chemische Modifikationen

Sie können auf experimentelle Vergleiche Einfluss nehmen.

Zwei Proben, die denselben Peptidnamen tragen, müssen nicht chemisch gleichwertig sein, sofern ihre entsprechenden molekularen Formen nicht definiert sind. Daher ist es vor der Interpretation des Experiments sinnvoll, die Begriffe Identität, Reinheit und tatsächliche Menge des Materials zu definieren, wie in dem Artikel über Reinheit von Peptiden und Laboruntersuchungen.

Eine zusätzliche Prüfung hat den größten Wert, wenn sie auf eine konkrete Frage antwortet.

Ein orthogonales Test untersucht eine bestimmte Eigenschaft unter Verwendung einer anderen Messregel oder einer anderen Art der experimentellen Darstellung.

Sein größter Wert besteht darin, eine konkrete alternative Erklärung überprüfen zu können.

Ein zweiter Test kann beispielsweise helfen festzustellen, ob der Anfangswert auf Folgendes zurückzuführen ist:

• Verbindung mit der Oberfläche;
• Interferenz des Markierungssignals;
• trägerabhängiges Verhalten;
• Effekte der Immobilisierung;
• Ein anderes Artefakt, das für den ersten Test charakteristisch ist.

Die Verwendung von zwei unterschiedlichen Geräten reicht nicht aus, um die Messungen ortogonal zu machen.

Wenn beide Tests denselben Fixierungsmechanismus oder dieselbe Detektionsprinzipien verwenden, können sie auf denselben Fehlerursprung zurückzuführen sein.

Die wichtigste Frage lautet:

Welche alternativen Erklärung prüft das zweite Experiment?

Die Übereinstimmung zwischen tatsächlich komplementären Methoden bietet in der Regel eine stärkere Unterstützung als die wiederholte Anwendung desselben, fehleranfälligen Lesens.

Replikation und biologischer Kontext

Verschiedene Arten der Repräsentation ermöglichen es, verschiedene Quellen von Unsicherheit zu bewerten.

Technische Wiederholungen helfen, die Wiederholbarkeit innerhalb desselben experimentellen Systems zu bewerten.

Unabhängige Wiederholungen des Experiments können zusätzliche Variabilität zwischen den Studienproben oder Studienreihen berücksichtigen.

Experimente, die biologische Proben verwenden, müssen auch die Unterschiede zwischen Folgenden berücksichtigen:

• Spender;
• mit Zellproben;
• Organismen;
• Gewebematerialien;
• mit anderen Quellen biologischen Materials.

In einer Studie, die überlagende Peptide verwendete, wurde die Erkennung von T-Lymphozyten in Proben von Spendern analysiert und eine Bibliothek zur Identifizierung der erkennbaren Regionen verwendet. [5]

Die beobachteten Antworten hingen vom biologischen Kontext ab.

Die Ergebnisse, die für einen einzelnen Spender oder ein experimentelles System erzielt wurden, sollten nicht automatisch auf jede Person oder jedes biologische System angewendet werden.

Repetibilität bedeutet also die Möglichkeit, eine bestimmte Aussage unter entsprechend beschriebenen Bedingungen wiederzugeben.

Es bedeutet nicht nur, dass man ein weiteres Diagramm mit ähnlicher Optik erhält.

Die Dokumentation sollte es ermöglichen, die Analyse nachzuverfolgen.

Eine gute Untersuchung der peptidischen Bibliothek erfordert ausreichende Dokumentation, damit ein anderer Forscher verstehen kann, wie das Ergebnis erreicht wurde.

Nützliche experimentelle Daten umfassen:

• die genaue Sequenz des Proteins;
• Die Länge des Peptids;
• Endgruppen;
• chemische Modifikationen;
• Architektur des Bibliotheksgebäudes;
• Identifikationskennzeichen der Proben;
• Anforderungen an die Überprüfung;
• gekoppelter Endpunkt;
• Kontrollen;
• Struktur der Wiederholungen;
• Art der Bestimmung des Hintergrunds;
• Qualifikationsgrenze für den Treffer;
• Kriterien für die Auswahl der Kandidaten;
• Anwendbare analytische Methoden.

In Computer-Forschung können folgende Faktoren wichtig sein:

• Name des Programms;
• Version;
• protokoll;
• Eingangsschnittstelle;
• die Art und Weise, wie die Teilchenrepräsentation dargestellt wird;
• Satz von Parametern;
• Datenverarbeitung;
• die Art und Weise der Aufteilung der Trainings- und Testbestände;
• Punktierungsmethode;
• Verfahren zur Bewertung der Kandidaten;
• Kriterien der Auswahl.

Die Verwendung ausschließlich des höchst bewerteten Modells, des besten Dokuments oder der endgültigen Sequenz kann die spätere Wiederherstellung des Ergebnisses verhindern.

Die Beschreibungen der Bibliothek selbst sind ebenfalls ein Element der Wiederholung.

Studien zur Zusammensetzung der fagösen Bibliotheken und zur Belastung der Kugeln zeigen, dass eine Variabilität bereits vor Beginn des Screenings bestehen kann. [4] [8]

Das alleinige Dokumentieren des endgültigen Treffpunktes kann daher wichtige Informationen über das Ausgangsmaterial übersehen.

Positive Prognosen und negative Ergebnisse sind ebenso wichtig

Ein computergeneriertes Kandidat, das experimentell nicht bestätigt wurde, kann weiterhin nützliche Informationen liefern.

Es könnte offenbart werden:

• Begrenzungen des Modells;
• falsches mechanistisches Vorurteil;
• unzureichende Abbildung der chemischen Eigenschaft;
• Problem mit der Hypothese bezüglich des Tests;
• Region der sequentiellen Räume, in der das Modell nur schwach generalisiert.

Solche Ergebnisse sollten aus der Bewertung nicht herausgelassen werden, nur weil sie die ursprüngliche Vorhersage nicht bestätigt haben.

Iteratives Design wird wertvoller, wenn experimentelle Beobachtungen – auch unerwartete und negative Ergebnisse – auf weitere Entscheidungen Einfluss nehmen.

Die Studie zur Konstruktion von Enzymsubstraten umfasste einen allgemeinen Ablauf:

Vorhersage → experimenteller Messung → Verbesserung des Modells anhand der Daten. [3]

Sein wissenschaftlicher Wert entsprach der Kombination von Berechnungen mit Beobachtungen und nicht der Annahme, dass die erste Rangliste die endgültige Antwort darstellt.

Der stärkste Antrag sollte daher genau festlegen, was bereits nachgewiesen wurde:

• Verfeinerung;
• Verbindung;
• Das Verhalten als Substrat für ein Enzym;
• Inhibition;
• Celluläre Antwort;
• Computervorhersage;
• Effizienz im strukturellen Benchmark.

Jedes dieser Ergebnisse kann wissenschaftlich wertvoll sein.

Man sollte jedoch nicht das eine durch das andere ersetzen.

Die häufigsten Fehler bei der Interpretation von Peptidbibliotheken

Die Ergebnisse der Peptide-Bibliotheksstudien können irreführend sein, wenn die Schlussfolgerungen übertreffen, was tatsächlich gemessen wurde.

Ein häufiger Fehler besteht darin, die theoretische Größe einer Bibliothek als experimentell bestätigte Vielfalt zu betrachten. Physische Bibliotheken können eine ungleichmäßige Repräsentation, fehlende Elemente, Duplikate oder durch den Syntheseprozess entstehende Belastungen aufweisen. [4]

Ein weiterer Fehler besteht darin, den Reichtum als Beweis für eine Vererbungsbeziehung zu betrachten. Der Reichtum kann auch aus einer Vorteil gegenüber der Fortpflanzung, einer Bindung an die Oberfläche oder aus anderen Eigenschaften resultieren, die mit dem Selektionsprozess zusammenhängen. [6] [7]

Das dritte Problem besteht darin, das Bindeglied mit der Funktion zu verwechseln. Ein Peptid kann mit einem Ziel interagieren, ohne dass das angestrebte biologische Ergebnis entsteht.

Ebenso sollte das Ergebnis der Bindung nicht als experimenteller Maßstab für die Affinität interpretiert werden. Die Punktwerte stammen aus Computersimulationen und müssen noch validiert werden, bevor sie als quantitativer Beweis für die Bindung anerkannt werden. [10] [11] [13]

Der virtuelle Peptid ist auch nicht automatisch ein Peptid, das in der richtigen chemischen Form leicht erhältlich ist. Die Synthese, die Löslichkeit, die molekulare Identität und die Charakteristik der Probe bleiben experimentelle Fragen.

Schließlich kann der für das auf einem Fagusbaum präsentierte, auf der Oberfläche immobilisierte oder mit einer Kugel verbundenen Peptid erhaltene Wert nicht durch die entsprechende freie Teilchenkomponente wiedergegeben werden, da die Art der Darstellung selbst Einfluss auf die Konformität, Verfügbarkeit, lokale Dichte und Viskosität haben kann.

Diese Beschränkungen verringern nicht die Werte der peptidischen Bibliotheken.

Stattdessen legen sie fest, wie die ihnen vorgelegten Beweise interpretiert werden sollen.

Häufig gestellte Fragen

1. Was ist eine Bibliothek von overlappingen Peptiden?

Die Bibliothek von überlappenden Peptiden ist eine Sammlung von Fragmenten, die eine längere Stammsequenz umfassen, wobei die benachbarten Peptide eine gemeinsame Aminosäuresequenz teilen. Diese Lösung hilft den Forschern, Regionen zu identifizieren, die mit der Erkennung oder einer anderen gemessenen Reaktion verbunden sind. Eine Studie, die die überlappenden Fragmenten eines meningokokken-Proteins verwendete, zeigte die Anwendung dieser Methode zur Kartierung der Antwort der T-Lymphozyten in Proben von Spenders. [5] Ein positives Ergebnis für das Fragment identifiziert jedoch nicht automatisch das minimale Epitop; es deutet nicht an, dass jede gemeinsame Restsequenz notwendig ist und bedeutet nicht, dass das Fragment die Struktur und die Verarbeitung des gesamten Proteins genau wiedergibt.

2. Können Computerprognosen Experimente ersetzen?

Nein. Computerprognosen können dabei helfen, die Prioritäten der Kandidaten festzulegen, Muster zu identifizieren, strukturelle Hypothesen zu entwickeln und die Anzahl der Sequenzen zu reduzieren, die sofortige experimentelle Untersuchung erfordern. Ihre Gültigkeit hängt jedoch von dem Modell, den Trainingsdaten, der Art der Partikelrepräsentation, den zugrunde liegenden Annahmen und dem konkreten Problem ab. In der Untersuchung zur Konstruktion enzymatischer Substraten wurden Peptide, die durch den Algorithmus ausgewählt wurden, wiederholt getestet und die experimentellen Ergebnisse wurden für weitere Auswahlrunden verwendet. [3] Dies zeigt die Zusammenarbeit zwischen rechnerischen Methoden und Experimenten und nicht die Substitution von Experimenten durch Modelle. Der Kandidat bleibt eine Computerprognose, solange seine entsprechende Eigenschaft nicht experimentell bewertet wird.

3. Ist die Peptidbibliothek eine physische Sammlung oder eine Datenbank?

Es kann sowohl um die physikalischen Bibliotheken als auch um die virtuellen Bibliotheken gehen. Die physikalischen Bibliotheken enthalten Teilchen, die direkt experimentell untersucht werden können, während die virtuellen Bibliotheken digitale Sequenzen, molekulare Strukturen oder andere computergestützte Repräsentationen enthalten. Die ersten Studien zu one-bead-one-peptide bezogen sich auf synthetische physikalische Bibliotheken, während computergestützte Designmethoden molekulare Repräsentationen vor der Synthese der ausgewählten Kandidaten analysieren. [2] [3] Die Anwesenheit einer Sequenz in einer virtuellen Bibliothek selbst bestätigt nicht, dass der entsprechende Peptid richtig synthetisiert wurde, die angestrebte chemische Form besitzt oder die erwartete Eigenschaft aufweist. Daher ist es beim Abwägen der Größe der Bibliothek oder der Ergebnisse einer Screening-Analyse immer erforderlich, deren Format festzulegen.

4. Veranlasst eine größere Bibliothek immer zu besseren Kandidaten?

Nein. Die Größe der Bibliothek ist nur dann von Bedeutung, wenn sie eine relevante, zugängliche, identifizierbare und entsprechend repräsentierte Vielfalt enthält. Eine tiefgreifende Sequenzierung der fagösen Bibliothek zeigte ungleichmäßige Sequenzzahlen und Faktoren, die die effektive Vielfalt beeinträchtigen, trotz eines umfassenden geplanten Projekts. [4] Sehr große Bibliotheken können auch Probleme bei der Probennahme und Interpretation erhöhen, da nicht jeder theoretisch mögliche Bestandteil tatsächlich vorhanden sein muss oder entsprechend untersucht werden muss. Die Qualität der Kandidaten hängt daher von der Zusammensetzung der Bibliothek, dem Screening-Projekt, der Qualität des Tests, der Kontrolle und der Validierung ab und nicht nur von der angekündigten Anzahl möglicher Sequenzen.

5. Sind zufällige Peptidbibliotheken wirklich belastungsfrei?

Nicht immer. Konstruktionen mit Randomisierung können weiterhin zu ungleichen Repräsentationen von Nukleotiden, Aminosäuren und ganzen Sequenzen führen. Biologische Produktion, Vermehrung, Synthesechemie und Probenahme können weitere Quellen von Belastungen mit sich bringen. Die detaillierte Sequenzierung kommerzieller fagischer Bibliotheken zeigte bereits vor Beginn der Selektion eine ungleiche Repräsentation im Vergleich zum Ziel. [4] Das bedeutet nicht, dass jede zufällige Bibliothek unzutreffend ist. Sie zeigt jedoch, dass „zufälliger Entwurf” und „experimentell bestätigte Gleichmäßigkeit” zwei verschiedene Behauptungen sind. Die Charakteristik der Anfangsbibliothek hilft dabei, eine hohe Ausgangsanzahl von Zellen von der tatsächlichen Selektion abhängigen Verstärkung zu unterscheiden.

6. Wie ermöglicht das Phage-Display die Identifizierung einer Peptidsequenz?

Phage Display kombiniert den auf der Oberfläche des Phagemembranes präsentierten Peptid mit der genetischen Information, die in derselben Teilchenkapsel enthalten ist. Ausgewählte Phagen können daher zurückgewonnen werden und die entsprechenden Peptidsequenzen anhand des damit verbundenen Genoms bestimmt werden. Frühe Studien mit zufälligen Peptiden, die auf Filamentenphagen präsentiert wurden, nutzten diese Beziehung zwischen Genotyp und Phänotyp zur Rekonstruktion und Charakterisierung der Bindungspartner. [1] Die Rekonstruktion des Phagen selbst beweist jedoch keine Objektivität gegenüber dem Ziel, da Interaktionen mit der Oberfläche, Unterschiede in der Vermehrung und andere selektive Kräfte die Anzahl beeinflussen können. Das genetische Verknüpfungssystem ermöglicht es, die Identität des Kandidaten zu bestimmen, und weitere Experimente helfen, die Ursache seiner Selektion zu erklären.

7. Warum kann ein Fag ohne Verknüpfung mit dem geplanten Ziel veredelt werden?

Mehrere Mechanismen können dazu führen, dass ein Objekt, das nicht dem eigentlichen Ziel entspricht, veredelt wird. Fag kann mit der Testoberfläche interagieren, außerordentlich gut mit Selektionsbedingungen vertragen oder sich von konkurrierenden Klonen effektiver vermehren. In separaten Studien wurde die Veredelung im Zusammenhang mit Polystyrol nachgewiesen und die Vergrößerung im Zusammenhang mit einer Überlegenheit in der Vermehrung. [6] [7] Es handelt sich um verschiedene Mechanismen, die weitere Kontrolle erfordern. Die Veredelung muss daher als Beweis interpretiert werden, dass der Klon überlebt und seine Repräsentation während des Selektionsprozesses erhöht hat. Die Bestätigung der eigenen Zielerkennung erfordert zusätzliche Beweise, die eine solche Möglichkeit von alternativen Erklärungen unterscheiden.

8. Was bedeutet „one-bead–one-compound“?

One-bead–one-compound bedeutet, dass jede Kugel grundsätzlich viele Kopien eines bestimmten Verbindungsmoleküls enthalten soll, sodass die ausgewählte Kugel schließlich mit einem einzelnen Element aus der Bibliothek verknüpft werden kann. Diese Konzeption ermöglicht die Erstellung großer kombinatorischer synthetischer Bibliotheken und wurde in den frühen Studien zu one-bead–one-peptide vorgestellt.[2] Der Begriff beschreibt jedoch die beabsichtigte Organisation der Bibliothek und garantiert nicht eine identische Belastung, eine hervorragende Synthese oder eine chemische Homogenität jeder Kugel. Die späteren Messungen einzelner Kugeln zeigten jedoch erhebliche Unterschiede in der Menge des präsentierten Peptids.[8] Die Qualität des Materials und die Belastung bleiben daher Eigenschaften, die experimentelle Bewertung erfordern.

9. Kann die Menge des Peptids auf der Kugel die Ergebnisse der Untersuchung beeinflussen?

Ja. Eine Kugel, die eine größere Menge verfügbarer Peptiden enthält, kann sogar dann einen stärkeren Testsignal generieren, wenn die molekulare Interaktion selbst nicht stärker ist. In einer Studie, in der Raman-Spektroskopie zur Analyse von One-Bead-One-Compound-Bibliotheken eingesetzt wurde, wurde eine signifikante Variabilität der Peptidmenge festgestellt, insbesondere bei längeren Sequenzen. [8] Die Studie untersucht nicht den Einfluss der Belastung in jedem möglichen Screening-System, identifiziert jedoch die Quelle der Variabilität, die auf die Intensität des Signals wirken kann. Die Ergebnisse der Screening-Tests auf den Kugel müssen daher sowohl im Kontext der molekularen Interaktion selbst als auch in Bezug auf die Dichte des präsentierten Materials interpretiert werden.

10. Ist Bindung dasselbe wie biologische Aktivität?

Nein. Bindung bedeutet die Wirkung von Molekülen unter bestimmten Bedingungen. Die biologische oder biochemische Aktivität erfordert einen eindeutig definierten Endpunkt. Ein Peptid kann mit einem Protein interagieren, aber weder aktivieren noch hemmen, und die zelluläre Reaktion kann durch einen Mechanismus ablaufen, der anders als die implizite Interaktion mit dem Ziel zustande kommt. Die Phage-Display-Studien konzentrierten sich hauptsächlich auf die Bindung, während die Studie, die maschinelles Lernen verwendet, sich mit dem Verhalten von Peptiden als Enzymsubstrat befasste. [1] [3] Es handelt sich um verschiedene wissenschaftliche Fragestellungen. Die Erfolgsrate bei der Screening-Analyse sollte daher entsprechend der tatsächlich gemessenen Eigenschaft beschrieben werden, ohne sie mit einem umfassenderen Wirkungsmechanismus zu vergleichen.

11. Warum lohnt sich das Erreichen eines Treffpunkts erneut synthetisieren und individuell untersuchen?

Unabhängige Synthese hilft festzustellen, ob ein bestimmter definierter Peptid tatsächlich das beobachtete Verhalten außerhalb des ursprünglichen Bibliothekssystems reproduziert. Die Anbindung an das Phage, die Menge an Material auf der Kugel, die Effekte der Mischung, die Interaktionen mit dem Träger oder andere Screening-Elemente können das Ausgangsergebnis beeinflussen. In frühen Studien wurden die präsentierten Liganden mit Peptiden verglichen, die durch chemische Synthese hergestellt wurden, was diesen bestätigenden Schritt illustriert. [1] Eine erneute Synthese ist am informativsten, wenn das erhaltene Material entsprechend charakterisiert und in einem Test überprüft wird, der auf die ursprüngliche These Bezug nimmt. Die Synthese selbst bestätigt noch nicht die Funktion oder den Mechanismus.

12. Was bietet Rosetta FlexPepDock?

Das Rosetta FlexPepDock modelliert die Strukturen von Peptid-Protein-Komplexen, aber die einzelnen Verfahren, die mit FlexPepDock verbunden sind, erfordern einen unterschiedlichen Satz von Anfangsinformationen. Die ursprüngliche Veröffentlichung zum Server beschreibt vor allem die hochauflösende Weiterentwicklung eines bereits in etwa am Bindungsort des Rezeptors befindlichen Peptidmodells. [10] PIPER-FlexPepDock verwendet eine umfassendere Strategie des globalen Dokuments, nach der das Modell flexibel weiterentwickelt wird. [11] Benchmark-Ergebnisse garantieren keine Richtigkeit für jede neue Peptid-Protein-Paarung. Daher sollte der nützliche Bericht den angewendeten Protokoll, die Anfangsinformationen und die Art der Bewertung der erwarteten Strukturen angeben.

13. Bestätigt der positive Verankerungsergebnis eine starke Bindung?

Nein. Der Docking-Wert ist eine durch eine computerbasierte Punktzahlfunktion generierte Größe und ist nicht automatisch gleichwertig mit experimentell gemessenen Bindungskonstanten wie der Dissoziationskonstante. Seine Bedeutung hängt von dem Doking-Protokoll, der molekularen Repräsentation, der Probenahmemethode, dem Ziel der Untersuchung und der Kalibrierung ab. In der FlexPepDock-Studie zum Vergleich von Peptid–MHC-Komplexen wurden die Berechnungen mit relativen Messungen der Bindung in einem bestimmten Datensatz verglichen und zeigten, dass solche Abhängigkeiten untersucht werden müssen und nicht vorausgesetzt werden können. [13] Ein günstiger Docking-Ergebnis kann dabei helfen, die Prioritäten der Kandidaten zu bestimmen oder eine strukturelle Hypothese zu unterstützen, aber starkes Bindegesetz erfordert entsprechende experimentelle Belege.

14. Warum ist die Amidierung des C-Endes wichtig für die Modellierung von Peptiden?

Die C-End-Amidierung verändert die chemische Gruppe am Ende eines Peptids und kann die Formladung, die Wasserstoffbindungen, elektrostatische Wechselwirkungen und die Formkonformität der Moleküle beeinflussen. Daher sollte ein computerbasiertes Modell dieselbe Endchemie darstellen wie der experimentell untersuchte Peptid. In den Studien mit H5 beobachteten Maximin Unterschiede in der Struktur und den Wechselwirkungen mit den Membranen in Verbindung mit der Formänderung des Endsegments. [15] Dies beweist nicht, dass die C-End-Amidierung immer die Eigenschaften von Peptiden verbessert. Es zeigt jedoch, warum die chemische Struktur der Endgruppen richtig definiert und im Modell abgebildet werden muss.

15. Bestätigt die Generierung des Modells in CHARMM-GUI die Eigenschaften des Peptids?

Nein. CHARMM-GUI hilft dabei, Molekularsysteme für Simulationen vorzubereiten. Das erfolgreiche Erstellen einer Struktur oder der Eingabe-Dateien bedeutet, dass eine computergestützte Darstellung des untersuchten Systems entstanden ist; sie bestätigt nicht experimentell Bindungen, biologische Aktivität, Stabilität oder klinischen Nutzen. Die offizielle Dokumentation weist außerdem darauf hin, dass modifizierte Restringe entsprechende strukturelle Definitionen und Parameter erfordern. [14] Die Vorbereitung eines Computermodells ist daher der Ausgangspunkt für die weitere Modellierung. Ob die tatsächliche Teilchenstruktur den Erwartungen entspricht, bleibt eine separate experimentelle Frage.

16. Warum kann ein präziser Modell bei einem neuen Peptid falsch sein?

Ein neuer Peptid kann sich von den Beispielen unterscheiden, die beim Training verwendet wurden, auf eine Weise, die das Modell nicht richtig repräsentieren konnte. Diese Unterschiede können sich auf Sequenzen, Struktur, Länge, Modifikationen, molekularen Zweck oder andere Eigenschaften beziehen. Eine Untersuchung von Modellen, die die Bindung von T-Lymphozytenrezeptoren vorhersagen, ergab, dass die Bewertung der Wirksamkeit variierte, abhängig von der Art und Weise, wie die Ähnlichkeit der sequenziellen und strukturellen Merkmale zwischen Trainings- und Testpeptiden berücksichtigt wurde. [9] Das bedeutet nicht, dass jede Vorhersage einer neuen Sequenz falsch sein würde. Es zeigt jedoch, dass die allgemeinen Effektivitätsstatistiken des Modells im Kontext der Frage interpretiert werden sollten, wie sehr die Testbedingungen an dessen geplanten Einsatz erinnern.

17. Was macht die Ergebnisse der Peptide-Studien so reproduzierbar?

Repetibilität erfordert eine ausreichende Menge an Informationen, die es ermöglichen, eine Bibliothek, ein Kandidatenmolekül, die experimentellen Bedingungen, Kontrollen, die Analysemethode und die Kriterien zur Anerkennung eines Ergebnisses als korrekt zu definieren. Studien zur Zusammensetzung von fagocytischen Bibliotheken und zur Quantifizierung von Peptiden auf Kugelpartikeln zeigen, dass eine Variabilität bereits vor Beginn des Screenings bestehen kann. [4] [8] Die Angabe ausschließlich der endgültigen Sequenz und des Punktwertes verpasst daher potenziell wichtige Quellen von Unterschieden. Repetierbare Studien erfordern eine klare Dokumentation der Sequenz, der Modifikation, der Bibliothekarchitektur, der Probenidentifikatoren, der Endpunkt der Untersuchung, der Kontrollen, der analytischen Kriterien, der Computerparameter und der unabhängige Bestätigung des Hauptergebnisses.

18. Muss der am meisten veredelte Peptid der beste Ligand sein?

Nein. Eine starke Anreicherung kann auf das Ziel zurückzuführen sein, aber auch die Anfangszahl der Sequenzen, die Effizienz der Vermehrung, unabsichtliche Interaktionen mit der Oberfläche und andere Merkmale, die mit der Selektion zusammenhängen, können eine Rolle spielen. Tiefensequenzierung hat gezeigt, dass die Anfangsbibliotheken von fagocytischen Rezeptoren unterschiedlich repräsentiert sind, und andere Studien haben eine Anreicherung in Verbindung mit einer höheren Vermehrungsrate dokumentiert. [4] [6] Daher sollte die am stärksten repräsentierende endgültige Sequenz nicht automatisch mit dem Liganden mit höchster Affinität gleichgesetzt werden. Stärkeres Beweismaterial bietet die Verknüpfung der Anfangs- und Endsequenz, entsprechende Kontrollen sowie eine unabhängige Messung der Bindung.

19. Beweisen die vorgesehene Peptidsequenz, dass sie effektiv synthetisiert werden kann?

Nein. Das Computerprojekt erstellt eine Sequenz oder eine molekulare Hypothese, aber es bestätigt nicht die Erfolgschancen der Synthese. Einige Sequenzen können Probleme bei der Bindung, Aggregation, Reinigung, Löslichkeit oder chemischen Modifikationen verursachen. Die virtuelle Bibliothek kann daher Kandidaten mit sehr unterschiedlicher praktischer synthetischer Machbarkeit enthalten. Erst die experimentelle Erzeugung des Materials und seine analytische Charakterisierung ermöglichen die Feststellung, ob die beabsichtigte Substanz tatsächlich erhalten wurde. Computerpriorisierung und chemische Machbarkeit sind verknüpfte, aber separate Schritte der Forschung.

20. Kann ein Peptid, das in einem Phage-Display selektiert wurde, als freie Substanz anders verhalten?

Ja. In der Phage-Display-Technik befindet sich der Peptidmolekül in einem mit dem Träger verbundenen Medium, das seine Konformation, Orientierung, Verfügbarkeit, lokale Dichte und Abwehrmechanismen beeinflussen kann. Der freie Peptidmolekül besitzt keine dieser Eigenschaften und kann daher bei der Bindung andere scheinbare Verhaltensweisen zeigen. In frühen Phage-Display-Studien wurden Liganden verglichen, die auf Fagen präsentiert wurden, mit ihren chemisch synthetisierten Gegenstücken, was die Bedeutung dieser experimentellen Unterscheidung unterstreicht. [1] Eine erfolgreiche phage-based Selektion stellt daher einen wertvollen Beweis für die vorgestellte Sequenz dar, während eine unabhängige Untersuchung erforderlich ist, um das Verhalten des entsprechenden freien Peptids festzustellen.

Begrenzungen der Daten aus peptidischen Bibliotheken und der Vorhersage

Bei der Interpretation der Peptide-Bibliotheksstudien ist man sich jedoch über einige Einschränkungen bewusst.

Zum einen ist die theoretische Vielfalt nicht gleichbedeutend mit der tatsächlichen experimentellen Vielfalt. Uneinheitliche Repräsentation, synthetische Probleme, Unterschiede in der Vermehrung und die Art und Weise der Probenahme können die tatsächliche Zusammensetzung der Bibliothek verändern. [4]

Zweitens bestätigt die Verfeinerung während des Screenings nicht automatisch eine Art Verknüpfung mit dem Ziel. Interaktionen mit der Oberfläche und die Überlegenheit bei der Vermehrung können zu Verfeinerungen durch unterschiedliche Mechanismen führen. [6] [7]

Zweitens ist die Art der Präsentation wichtig. Peptide, die an Fagen, Kugeln oder Oberflächen angeordnet sind, können sich aufgrund der Verfügbarkeit, Orientierung, lokaler Dichte oder Abwesenheit von anderen als den gleichen Molekülen im Lösungsmittel verhalten. [1] [8]

Viertens sind Bindung, Selektivität und Funktion verschiedene Eigenschaften. Die Anwesenheit einer dieser Eigenschaften bestätigt nicht automatisch die anderen.

Fünfte, die computergestützte Vorhersage hängt vom Modell ab. Die Trainingsdaten, die Bewertungsmethode, die molekulare Modellierung und die zugrunde liegenden Annahmen bestimmen, welche Bedeutung man dem Ergebnis zuschreiben kann. [3] [9]

Zweitens: Die Verankerungsergebnisse sind keine experimentellen Kennwerte der Bindungsstärke. Strukturelle Modelle und punktuelle Funktionen können bei der Auswahl von Hypothesen helfen, aber die tatsächliche Verankerung erfordert experimentelle Messungen. [10] [11] [13]

Letztes, die chemische Form hat eine Bedeutung. Endgruppen, nicht-standardisierte Aminosäuren, Stereochemie und andere Modifikationen sollten sowohl in den experimentellen Beschreibungen als auch in den Computersimulationen korrekt dargestellt werden. [13] [14] [15]

Schließlich ist die Erfassung durch Screening nur der Anfang der Validierung, nicht ihr Ende. Die unabhängige Vorbereitung der Materialien, die molekulare Charakterisierung, Kontrollen, komplementäre Tests und die Replikation stärken die verfügbaren Beweise allmählich.

Zusammenfassung

Peptidbibliotheken ermöglichen die systematische Untersuchung eines riesigen Spektrums möglicher Molekularsequenzen.

Sie ermöglichen es, viele Kandidaten miteinander zu vergleichen und Themen zu analysieren, die sich auf:

• mit molekularem Erkennungssystem;
• Substrate für Enzyme;
• sequentiellen Motiven;
• Verbindung;
• abhängigkeiten – Struktur-Aktivität;
• mit zellulären Antworten;
• mit computergestützten Prognosen.

Der Begriff „Peptidbibliothek” umfasst jedoch mehrere grundsätzlich unterschiedliche Forschungsformate.

Die Bibliothek der überlappenden Peptide hilft, die Regionen einer größeren Sequenz zu kartieren.

Eine zielgerichtete Bibliothek von Grundbegriffen ermöglicht die Analyse der Bedeutung der einzelnen Positionen.

Die Phage-Display-Bibliothek kombiniert den präsentierten Peptid mit genetischer Information und ermöglicht die Selektion.

Die one-bead–one-compound Bibliothek organisiert synthetische Kandidaten in einzelnen Kugeln.

Die virtuelle Bibliothek existiert in digitaler Form und kann dazu dienen, die Prioritäten der Sequenz festzulegen, bevor die experimentellen Untersuchungen beginnen.

Diese Formate sollten nicht als Ersatzformate betrachtet werden.

Eine vorsichtige Interpretation erfordert auch die Größe der Bibliothek.

Eine theoretische Sammlung von Millionen möglicher Sequenzen beweist nicht, dass jeder ihrer Bestandteil physisch vorhanden, gleichmäßig repräsentiert, chemisch korrekt und tatsächlich unter Screening steht. Studien, die die Tiefensektion nutzen, zeigen, warum die tatsächliche Zusammensetzung der Bibliothek sich von der geplanten Vielfalt unterscheiden kann. [4]

Ebenso ist Verfeinerung nicht gleichbedeutend mit einer eigentlichen Verbundenheit mit dem Ziel.

Phagenklonen können durch Mechanismen ergänzt werden, die nicht dem eigentlichen Ziel angehören, wie etwa die Reaktion mit der Oberfläche oder die Überlegenheit bei der Vermehrung. [6] [7]

Deshalb sind entsprechende Kontrollen und unabhängige Untersuchungen so wichtig.

Die gleiche Vorsicht gilt für die computergestützte Konstruktion von Peptiden.

Sequenzmodelle und Modeller zur Dokumentschreibung können dabei helfen, aussichtsreiche Kandidaten zu identifizieren und mechanistische Hypothesen zu entwickeln, aber ihre Vorhersagen hängen von Trainingsdaten, strukturellen Repräsentationen, Punktfunktionen und Anfangsannahmen ab. [3] [9] [10] [11]

Der positive Ankerergebnis selbst ist nicht bezeichnend für eine starke Verbindung im Experiment.

Die computergenerierte Sequenz beweist nicht, dass sie richtig synthetisiert werden kann.

Die erwartete Interaktion bestätigt keine biologische Funktion.

Der informativste Prozess der Peptidentdeckung behandelt daher die einzelnen Arten von Beweismitteln als separate, aber sich gegenseitig ergänzende Schritte:

Entwurf → Konstruktion der Bibliothek → Screening → Identifizierung der Treffer → Unabhängige Bestätigung → Charakterisierung → Berechnungsoptimierung → Experimentelle Validierung.

Die Stärke des endgültigen Ergebnisses hängt davon ab, wie sorgfältig diese Schritte miteinander verknüpft wurden.

Die wichtigste Regel lässt sich ganz einfach zusammenfassen:

Die Bibliothek zeigt Möglichkeiten auf, das Screening identifiziert Signale, das Modell generiert Prognosen und die Validierung bestimmt, welche Schlussfolgerungen tatsächlich durch experimentelle Beweise unterstützt werden.

Haftungsausschluss

Der Artikel hat ausschließlich pädagogischen und wissenschaftlichen Informationscharakter. Er beschreibt allgemeine Grundsätze bezüglich Peptidbibliotheken, der Phage-Display-Technologie, der Screening von synthetischen Peptiden, der Sequenzplanung, der computergestützten Vorhersage, der Verbindung von Peptiden, der molekularen Modellierung, der experimentellen Validierung und der Reproduzierbarkeit der Studien. Er stellt keine medizinische Beratung, therapeutische Empfehlungen, Anweisungen zur Anwendung von Peptiden, Informationen zur Dosierung oder Hinweise zur Verabreichung an Menschen dar. Die Computerprognosen, die bei der Screening-Analyse erzielt werden, die Ergebnisse der Verbindung und die vorklinischen Ergebnisse der experimentellen Studien sollten nicht als Beweis dafür interpretiert werden, dass ein bestimmter Peptid sicher, wirksam, klinisch validiert oder für die Anwendung bei Menschen geeignet ist.

Referenzen

1. Barrett, R. W., Cwirla, S. E., Ackerman, M. S., Olson, A. M., Peters, E. A., & Dower, W. J. (1992). Selektive Anreicherung und Charakterisierung hochaffinitärer Liganden aus Sammlungen zufälliger Peptide auf filamentösen Phagen. Analytical Biochemistry, 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). Eine neue Art synthetischer Peptid-Bibliothek zur Identifizierung von Ligandenbindungsaktivitäten. Nature, 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). Entdecken von de novo-Peptidsubstraten für Enzyme mithilfe von maschinellem Lernen. Nature Communications, 9(1), Artikel 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). Analyse der Zusammensetzungsvoreingenommenheit in einer kommerziellen Phage-Display-Peptid-Bibliothek durch Next-Generation-Sequenzierung. Viren, 14(11), Artikel 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). Identifizierung von T-Zellepitopen, die in einem meningokokkenartigen Protein der Klasse 1 der äußeren Membran vorkommen, unter Verwendung von überlappenden Peptiden, die mit simultaner Mehrfachpeptidsynthese zusammengesetzt wurden. Journal of Experimental Medicine, 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). Eine weiße Plaque, die mit einer genomischen Deletion in Verbindung steht, die aus einer M13KE-basierten Peptidbibliothek stammt, wird während der Phage-Display-Bioanalyse auf eine artgenetische Weise angereichert, was auf eine Vergrößerung der Effizienz zurückzuführen ist. International Journal of Molecular Sciences, 23(6), Artikel 3308. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). Ein in der Screening-Phase eines Phage-Display-Bibliotheks isoliertes, nicht an ein Polystyrol gebundenes Peptid. Analytische Biochemie, 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). Quantifizierung der Peptid-Loading-Verteilung mit einem einzigen Faden für die Synthese von Bibliothekssynthesen mit einem Faden und einem Wirkstoff mittels konfokaler Raman-Spektroskopie. Analytische Chemie, 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). Bewertung der Generalisierungskompetenzen von TCR-Bindungsindikatoren mittels Peptiddistanzanalyse. PLOS ONE, 20(5), Artikel e0324011. https://doi.org/10.1371/journal.pone.0324011
10. London, N., Raveh, B., Cohen, E., Fathi, G., & Schueler-Furman, O. (2011). Rosetta FlexPepDock Webserver – Hochauflösende Modellierung von Peptid-Protein-Interaktionen. Nucleic Acids Research, 39(Webserver), W249–W253. https://doi.org/10.1093/nar/gkr431
11. Alam, N., Goldstein, O., Xia, B., Porter, K. A., Kozakov, D., & Schueler-Furman, O. (2017). Hochauflösende globale Peptid-Protein-Docking-Analyse mithilfe von fragmentbasierten PIPER-FlexPepDock. PLOS Computational Biology, 13(12), Artikel e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (n.d.). FlexPepDock. Abgerufen am 20. September 2026 aus Offizielle Dokumentation
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock zur Vorhersage der Bindung von Peptiden an MHC: Ein Ansatz für nicht-kanonische Aminosäuren. PLOS ONE, 17(12), Artikel e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.d.). Allgemeine Fragen. Abgerufen am 20. September 2026 aus Offizielle Dokumentation
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). Die Rolle der C-terminalen Amidierung bei den Membran-Interaktionen des anionischen antimikrobiellen Peptids maximin H5. Biochemica et Biophysica Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014