Peptidikirjastot ja suunnittelu: miten seulonta ja ennustaminen toimivat?

Peptidikirjasto on kokoelma erilaisia peptidisekvenssejä, jotka on valmistettu tai esitetty siten, että niitä voidaan vertailla järjestelmällisesti. Sen sijaan, että tutkijat analysoisivat yksittäistä sekvenssiä ilman laajempaa vertailukohtaa, he voivat käyttää kirjastoa selvittääkseen, mitkä peptidit sitoutuvat tiettyyn molekyylikohteeseen, toimivat entsyymien substraatteina, aiheuttavat mitattavissa olevan vasteen tietyssä testissä, sisältävät tietyn motiivin, jonka muut molekyylit tunnistavat, tai osoittavat jonkin muun määritellyn ominaisuuden.

Kaikki peptidikirjastot eivät ole samanlaisia. Ne voivat olla fyysisiä kokoelmia syntetisoituja molekyylejä, biologisille kantajille kiinnitettyjä peptidejä, pallojen tai pintojen pinnalle kiinnitettyjä peptidejä sekä täysin virtuaalisia kokoelmia sekvenssejä ja molekyylirakenteita, joita analysoidaan tietokoneella.

Jokainen näistä muodoista vastaa hieman erilaisiin tieteellisiin kysymyksiin.

Peptidi, jonka tietokone on ennustanut voivan sitoutua tiettyyn proteiiniin, ei ole sama kuin se peptidi, joka on tosiasiallisesti valittu seulontakokeessa. Vastaavasti seulonnan aikana rikastettu peptidi ei tule automaattisesti vahvistetuksi biologiseksi ehdokkaaksi.

Fagidisplay-menetelmää, synteettisiä pallokirjastoja, päällekkäisiä peptidijoukkoja sekä laskennallisten menetelmien avulla tuettuja kokeita hyödyntävät tutkimukset osoittavat yhden peptidien löytämisen perusperiaatteista:

Mielenkiintoisen signaalin löytäminen käynnistää tutkimusprosessin, eikä se sitä lopeta.

Lopullisten johtopäätösten painoarvo riippuu muun muassa seuraavista seikoista:

• kirjaston suunnittelutapa ja laatu;
• todellista, ei pelkästään teoreettista monimuotoisuutta;
• testin rakenne;
• asianmukaiset tarkastukset;
• molekyylitunnistusta;
• toistettavuus;
• vaihtoehtoisten selitysten poissulkeminen;
• riippumaton kokeellinen validointi. [1] [2] [3]

Siksi peptidikirjastoja analysoitaessa on syytä erottaa toisistaan muutama peräkkäinen vaihe:

kirjaston rakenne → seulonta → osumien tunnistaminen → vahvistus → luonnehdinta → ennustaminen tai optimointi → riippumaton validointi.

Jokainen näistä vaiheista tarjoaa eri tason todisteita.

Mikä on peptidikirjasto?

Järjestetty kokoelma erilaisia molekyylivariaatioita

Peptidikirjasto sisältää toisiinsa liittyviä tai erilaisia peptidisekvenssejä, jotka on järjestetty tietyn tutkimuskysymyksen ympärille.

Jotkut kirjastot on tarkoitettu tunnettujen peptidien pienien muutosten tutkimiseen. Toiset kattavat huomattavasti laajemman alueen mahdollisia sekvenssejä.

Kirjaston yksittäiset osat voivat erota toisistaan seuraavien seikkojen osalta:

• peptidin pituus;
• erilaisia aminohappoja;
• yksittäisten jäännösten sijainnit;
• aminohappojen järjestys;
• loppuryhmät;
• syklisaatio;
• stereokemia;
• kemialliset muutokset;
• muita tarkoituksellisesti muutettuja rakenteellisia ominaisuuksia.

Kirjaston on myös säilytettävä mahdollisuus tunnistaa kyseinen kohde.

Peptidimatriisin tapauksessa peptidin identiteetti voi olla sidoksissa sen fyysiseen sijaintiin.

Faagidisplay-kirjastossa esitetty peptidisekvenssi liittyy bakteriofaagissa olevaan geneettiseen informaatioon.

Synteettisessä kirjastossa, joka on sijoitettu palloihin, valitulla pallolla oleva peptidi saattaa vaatia kemiallista tunnistamista tai lisäkoodausjärjestelmän käyttöä.

Signaalin ja molekyylin identiteetin välinen yhteys on ratkaisevan tärkeä.

Tuntemattomasta seoksesta peräisin oleva voimakas kokeellinen signaali ei vielä kerro, mikä molekyyli sen aiheutti.

Peptidikirjaston arvo riippuu siis paitsi siinä olevien ehdokkaiden määrästä myös yhdistämismahdollisuuksista:

kandidaatti → identiteetti → mitattu vastaus.

Satunnaiset, kohdennetut ja systemaattiset kirjastot

Erilaiset kirjastorakenteet on tarkoitettu vastaamaan erilaisiin tieteellisiin kysymyksiin.

Satunnainen tai kombinatorinen kirjasto käsittää rakennuspalikoiden yhdistelmiä valituissa kohdissa.

Termi „satunnainen” kuvaa suunniteltua rakennetta tai otantamenetelmää. Se ei tarkoita, että jokainen teoreettisesti mahdollinen järjestys esiintyisi todellisuudessa yhtä usein.

Kohdennettu kirjasto rajoittaa vaihtelua seuraavien ympärillä:

• tunnetun teeman;
• emopeptidin;
• tietyn rakenteellisen kehyksen;
• sitoutumissekvenssi;
• aktiivisen alueen;
• hypoteesi, joka koskee tiettyä molekyylitason kohdetta.

Systemaattisten korvausten kirjasto muuttaa valitut jäännökset järjestelmällisesti.

Esimerkiksi tietyssä asemassa oleva aminohappo voidaan korvata peräkkäin useilla muilla aminohapoilla, jotta voidaan selvittää, vaikuttaako kyseinen asema tutkittavaan ominaisuuteen.

Päällekkäisten peptidien kirjasto hyödyntää peräkkäisiä fragmentteja pidemmästä emosekvenssistä, jolloin vierekkäisillä fragmenteilla on osa yhteisiä aminohappoja.

Tällainen lähestymistapa on erityisen hyödyllinen, kun paikannetaan tiettyyn testiin reagoivia proteiinin alueita.

Jokaisella strategialla on omat etunsa ja rajoituksensa.

Laaja kombinatorinen kirjasto voi paljastaa odottamattoman sekvenssimotiivin.

Kohdennettu kirjasto mahdollistaa jo kiinnostavan sekvenssin tarkemman tutkimisen.

Systemaattiset korvaukset voivat osoittaa, mitkä kohdat vaikuttavat erityisen merkittäviltä.

Päällekkäisten fragmenttien kirjasto auttaa paikantamaan suuremman proteiinin aktiivisen tai tunnistettavan alueen.

Siksi:

Sekvenssin suurempi laajuus ei tarkoita automaattisesti parempaa kokeellista tietoa.

Sopivan kirjastotyypin valinta riippuu ennen kaikkea tutkimuskysymyksestä.

Teoreettinen monimuotoisuus ei tarkoita todellista edustavuutta

Mahdollisten peptidijonojen määrä kasvaa erittäin nopeasti.

Jos kirjasto sallii kaikki 20 vakiominohappoa jokaisessa kuudesta paikasta, mahdollisten sekvenssien teoreettinen lukumäärä on:

20⁶ = 64 000 000 mahdollista yhdistelmää.

Kyseessä on teoreettinen monimuotoisuus.

Se ei tarkoita, että fyysisessä kirjastossa olisi todellisuudessa 64 miljoonaa erilaista, oikein esitettyä peptidiä.

Tehokasta monimuotoisuutta voivat vähentää tai vääristää muun muassa seuraavat tekijät:

• synteesin epäonnistumiset;
• epätasainen kytkentäteho;
• sekvenssistä riippuvat synteettiset vaikeudet;
• biologinen valinta kirjaston luomisen aikana;
• muutoksen rajoitukset;
• lisääntymisessä esiintyvät erot;
• toistuvat sekvenssit;
• sekvensoinnista aiheutuvat rasitukset;
• näytteenoton rajoitukset;
• yksittäisten elementtien lukumäärän epätasaisuus.

Merkitystä on myös sillä, kuinka suuri osa koko kirjastosta on tosiasiallisesti käytetty tietyssä kokeessa.

Vaikka joukko sisältäisikin teoriassa valtavan määrän sekvenssejä, yksittäinen seulonta voi kattaa vain osan tästä monimuotoisuudesta.

Kaupallisen faagikirjaston syväsekvensointi paljasti selkeitä poikkeamia tasaisesta edustavuudesta, mukaan lukien erot peptidien lukumäärässä ja sekvenssikoostumukseen liittyvissä painotuksissa. Tutkijat tunnistivat myös tekijöitä, jotka pienentävät kirjaston tehollista kokoa. [4]

Nämä tulokset koskevat nimenomaan tutkittua kirjastoa, eikä niitä pidä automaattisesti yleistää määrällisesti kaikkiin faagidisplay-kirjastoihin.

Ne osoittavat kuitenkin yhden tärkeän periaatteen:

Teoreettista monimuotoisuutta ei pidä pitää mitattuna kokeellisena monimuotoisuutena.

Mikä on päällekkäisten peptidien kirjasto?

Päällekkäisten peptidien kirjasto esittää pidemmän alkuperäisen sekvenssin sarjana lyhyempiä fragmentteja.

Vierekkäiset peptidit sisältävät osan yhteisestä sekvenssistä.

Tarkastellaan hypoteettisia 15 jäännöstä pitkiä osia:

• jäännökset 1–15;
• jäljellä olevat 6–20;
• loput 11–25.

Jokainen seuraava peptidi alkaa viisi asemaa edellistä myöhemmin.

Tämä tarkoittaa, että vierekkäisillä osuuksilla on kymmenen yhteistä jäännöstä.

Tällainen sijoittelu auttaa paikantamaan alueet, jotka liittyvät tunnistamiseen tai muuhun mitattuun vasteeseen.

Jos kaksi vierekkäistä peptidiä tuottavat signaalin, niiden yhteinen sekvenssi voi auttaa rajaamaan alueen, jota on tutkittava tarkemmin.

Tämä ei kuitenkaan osoita, että:

• jokainen osapuoli yhteisellä alueella on välttämätön;
• pelkkä yhteinen sekvenssi riittää vaikutuksen aikaansaamiseksi;
• minimaalinen aktiivinen sekvenssi on tunnistettu;
• tämä fragmentti käyttäytyy täsmälleen samalla tavalla kuin vastaava alue koko proteiinissa.

Näiden kysymysten ratkaisemiseksi saatetaan tarvita lisää kokeita.

Meningokokkien ulkokalvon proteiinia koskevassa tutkimuksessa käytettiin 45 päällekkäistä synteettistä peptidiä, jotta voitiin analysoida T-lymfosyyttien tunnistamista ihmisluovuttajilta peräisin olevissa soluissa. [5]

Tutkimus osoitti sekä empiirisen peptidikartoituksen hyödyllisyyden että tuolloin käytettävissä olleiden ennustusalgoritmien rajoitukset.

Havaittujen reaktioiden havaittiin olevan ominaisia käytetylle peptidisarjalle, testausolosuhteille sekä tutkittavilta luovuttajilta peräisin oleville näytteille.

Fyysiset ja virtuaaliset kirjastot vastaavat erilaisiin kysymyksiin

Termi „peptidikirjasto” voi viitata hyvin erilaisiin kokeellisiin järjestelmiin.

Tämä ero on erittäin tärkeä:

digitaalinen ehdokas ei ole automaattisesti syntetisoitu molekyyli, eikä syntetisoitu molekyyli ole automaattisesti kokeellisesti validoitu ehdokas.

Faagidisplay ja synteettiset kirjastot

Miten faagidisplay yhdistää peptidin sen sekvenssiin?

Faagidisplay-tekniikassa peptidi esitetään osana bakteerifagin pinnalla sijaitsevaa proteiinia.

Fag sisältää samalla geneettistä tietoa, joka koodaa esitettyä sekvenssiä.

Tämän ansiosta syntyy hyödyllinen yhteys seuraavien välillä:

fenotyyppi — esitetty peptidi

a

genotyyppi — sitä vastaava geneettinen sekvenssi.

Tutkijat voivat altistaa aihekohtaisen kirjaston tietyn tavoitteen tai testijärjestelmän vaikutuksille, eristää valitut molekyylit, monistaa niitä tai analysoida niitä ja selvittää, mitkä sekvenssit ovat rikastuneet.

Yhteys geneettiseen tietoon helpottaa huomattavasti ehdokkaiden tunnistamista verrattuna tunnistamattoman molekyyliseoksen analysointiin.

Varhaisissa tutkimuksissa, joissa käytettiin satunnaisia, säikeisillä faageilla esiteltyjä peptidejä, osoitettiin mahdollisuus rikastuttaa korkean affiniteetin omaavia vasta-aineiden ligandeja, ja niissä verrattiin faageilla esiteltyjen peptidien käyttäytymistä kemiallisesti syntetisoitujen peptidien sitoutumistuloksiin. [1]

Tämä vertailu oli erityisen tärkeä, koska faagipartikkelissa oleva peptidi ja sitä vastaava eristetty synteettinen peptidi eivät muodosta identtistä kokeellista esitystä.

Rikastuminen on valinnan tulos, ei mekanismin täydellinen selitys

Sekvenssiä, jonka osuus kasvaa valintaprosessin myöhemmissä vaiheissa, kutsutaan usein rikastetuksi.

Tämä on tärkeä lisätieto.

Se ei kuitenkaan selitä automaattisesti, miksi kyseinen sekvenssi on yleistynyt.

Mahdollisia syitä ovat muun muassa:

• yhteys aiottuun tavoitteeseen;
• kiinnittyminen testissä käytettyyn pintaan;
• vuorovaikutus kokeen toisen osan kanssa;
• parempi selviytyminen valintaolosuhteissa;
• suurempi tarttuvuus;
• tehokkaampi lisääntyminen;
• etu etenemisen aikana;
• muu ominaisuus, joka riippuu sekvenssistä tai tietystä kloonista.

Nämä ovat tieteellisesti erilaisia selityksiä.

Eräässä tutkimuksessa tunnistettiin faagiklooni, jonka rikastuminen liittyi lisääntymisvaltaisuuteen, joka johtui genomin deleetiosta. [6]

Toisessa tutkimuksessa analysoitiin kyseistä peptidiä, joka sitoutui polystyreeniin sen sijaan, että se olisi sitoutunut aiottuun kohteeseen. [7]

Nämä tutkimukset osoittavat kaksi erilaista mekanismia, joiden kautta voi tapahtua tutkimuksen varsinaiseen tarkoitukseen liittymätöntä rikastumista.

Tämä ei tarkoita, että jokainen rikastunut faagisekvenssi olisi artefakti.

Sen sijaan se osoittaa, miksi:

rikastuminen osoittaa, että kyseessä on selvennystä vaativa ehdokas; se ei sinänsä todista molekyylitason kohteen tunnistamista.

Esitystapa voi vaikuttaa havaittuun sitoutumiseen

Faagidisplay-järjestelmässä esitetty peptidi on fyysisesti sitoutunut kantajaan.

Sen käyttäytyminen voi siis poiketa saman molekyylin käyttäytymisestä, kun se on vapaana liuoksessa.

Tärkeä käsite tässä yhteydessä on avidiiteetti.

Affiniteetti viittaa yleensä yksittäisen vuorovaikutuksen voimakkuuteen tietyn mallin puitteissa.

Ahneus voi puolestaan johtua monista samanaikaisesti tapahtuvista vuorovaikutuksista.

Jos useita esitetyn peptidin kopioita on samanaikaisesti vuorovaikutuksessa useiden sitoutumiskohteiden kanssa, vuorovaikutuksen kokonaisvaikutus voi vaikuttaa voimakkaammalta kuin yksittäisen vapaan peptidin vuorovaikutus.

Liitäntä kantajaan voi myös:

• rajoittaa peptidin konformaatiota;
• muuttaa sen saatavuutta;
• lisätä paikallista pitoisuutta;
• vaikuttaa suuntautumiseen;
• aiheuttaa steriä vaikutuksia;
• sijoittaa useita peptidikopioita lähelle toisiaan.

Siksi peptidi, joka on valikoitunut tehokkaasti esitysjärjestelmässä, voi käyttäytyä eri tavalla itsenäisen synteesin jälkeen.

Juuri siksi eristetyn molekyylin tutkiminen on tärkeä vahvistava vaihe.

Fage-näyttelyssä esitettyjen ligandien vertailu niiden kemiallisesti syntetisoituihin vastineisiin phage display -menetelmän varhaisissa tutkimuksissa osoittaa hyvin, kuinka tärkeää on yhdistää valintatulos molekyylin itsenäiseen käyttäytymiseen. [1]

Synteettiset kirjastot voivat kattaa toisen kemiallisen avaruuden

Synteettiset peptidikirjastot luodaan kemiallisilla menetelmillä, eivätkä ne perustu pelkästään biologiseen ilmentymiseen.

Käytetystä synteesimenetelmästä riippuen ne voivat mahdollisesti sisältää:

• epätyypilliset aminohapot;
• tietyt D-aminohapot;
• päiden muokkaukset;
• syklisaatio;
• kemialliset merkit;
• modifioidut sivuketjut;
• muut synteettiset rakennusmateriaalit.

Tämä mahdollistaa tutkimuksiin käytettävissä olevan kemiallisen tilan laajentamisen.

Pelkkä sekvenssin suunnittelu taulukossa tai tietokoneohjelmassa ei kuitenkaan todista, että vastaavaa molekyyliä voidaan saada helposti ja oikein.

Käytännön ongelmia voivat olla esimerkiksi:

• epätäydellinen konjugaatio;
• deleetiosekvenssit;
• aggregaatio;
• puhdistamisvaikeudet;
• heikko liukoisuus;
• sivuvaikutukset;
• muutosten epävakaus;
• sekvenssistä riippuvat synteettiset ongelmat.

Siksi:

suunniteltu kemiallinen monimuotoisuus ≠ kokeellisesti vahvistettu kemiallinen monimuotoisuus.

Geneettisesti koodatut esitysjärjestelmät ja kemiallinen synteesi kattavat siis osittain päällekkäisiä, mutta eivät identtisiä molekyylitiloja.

Muokatut esitysteknologiat voivat laajentaa entisestään biologisissa järjestelmissä käytettävissä olevan kemian laajuutta, joten tätä erottelua ei pidä yksinkertaistaa väittämällä, että biologiset kirjastot voisivat sisältää ainoastaan muokkaamattomia vakiopeptidejä.

One-bead–one-compound -kirjastot

One-bead–one-compound (OBOC) -kirjastossa jokaisen helmen on tarkoitus sisältää useita kopioita yhdestä tietystä yhdisteestä.

Yksi yleisesti käytetyistä strategioista on split-and-pool-tyyppinen synteesi.

Pallot jaetaan ryhmiin, jokainen ryhmä saatetaan reagoimaan eri rakenneosan kanssa, minkä jälkeen kaikki pallot yhdistetään uudelleen ja jaetaan uudelleen ennen seuraavaa synteesivaihetta.

Tämän prosessin toistaminen voi johtaa laajan kombinatorisen kirjaston muodostumiseen, samalla kun säilytetään suunniteltu yhteys yksittäisen pallon ja tietyn sekvenssin välillä.

Ensimmäisissä tutkimuksissa, jotka koskivat ”one-bead–one-peptide”-järjestelmää, esiteltiin menetelmä suurten synteettisten peptidikirjastojen luomiseen ja seulontaan ligandien sitoutumisen kannalta. [2]

Ilmaisu ”one bead–one compound” kuvaa kuitenkin kirjaston järjestysperiaatetta.

Se ei osoita, että:

• jokainen pallo sisältää kemiallisesti täydellisen peptidin;
• jokaisessa pallossa on sama peptidipitoisuus;
• kaikki kytkentäreaktiot tapahtuivat samalla hyötysuhteella;
• peptidi on yhtä hyvin saatavilla jokaisessa pallossa.

Myöhemmässä yksittäisten pallojen tutkimuksessa käytettiin Raman-spektroskopiaa peptidin määrän määrittämiseen.

Tutkijat havaitsivat huomattavaa vaihtelua kirjaston pallojen välillä, erityisesti pidempien sekvenssien kohdalla, huolimatta lähtöaineiston tasaisemmasta jakautumisesta. [8]

Tällä on merkitystä, koska signaalin voimakkuus seulonnan aikana voi riippua sekä:

vuorovaikutusvoimat,

sekä:

palloon kiinnitetyn peptidin määrä.

Matriisit, yksilöllisesti kootut sarjat ja yhdistetyt tutkimukset

Peptidikirjastot voidaan järjestää myös matriisin muodossa tai yksittäin syntetisoituina sarjoina.

Peptidimatriisissa määritellyt peptidit sijaitsevat tunnetuissa fyysisissä paikoissa.

Tämä takaa suoran yhteyden:

sijainti → sekvenssin tunnistus → testisignaali.

On kuitenkin syytä muistaa, että peptidin kiinnittyminen pintaan voi vaikuttaa sen konformaatioon ja saatavuuteen.

Toinen vaihtoehto on pulsoiva seulonta.

Useita peptidejä yhdistetään yhteen näytteeseen ja tutkitaan yhdessä.

Jos joukko antaa myönteisen vastauksen, voidaan sen jälkeen suorittaa sen dekonvoluutio testaamalla pienempiä ryhmiä tai yksittäisiä elementtejä.

Pooling voi vähentää alkuvaiheessa tarvittavien mittausten määrää.

Pula ei kuitenkaan aina käyttäydy täsmälleen samalla tavalla kuin sen yksittäiset osat.

Vaikutuksia voivat aiheuttaa:

• pitoisuuserot;
• kilpailu;
• liukoisuus;
• aggregaatio;
• häiriöt;
• antagonistiset vaikutukset;
• testin kylläisyys.

Positiivinen joukko viittaa siis ryhmään, jota on tutkittava tarkemmin.

Se ei osoita, että jokaisella siinä olevalla peptidillä olisi kyseinen ominaisuus.

Hakijoiden seulonta ja valinta

Määritä ensin, mitä testi oikeastaan mittaa

Seulontatuloksen merkitys riippuu täysin mitattavasta päätepisteestä.

Sitoutumisen seulonta antaa vastauksen siihen, vuorovaikuttaako peptidi tietyn kohteen kanssa tietyissä olosuhteissa.

Entsyymisubstraattien seulonnalla tutkitaan, muuntaako entsyymi tietyn peptidin.

Inhibitiotesti selvittää, vähentääkö peptidi tiettyä aktiivisuutta.

Solutesti mittaa solujen määriteltyä reaktiota.

Nämä tulokset eivät ole keskenään vastaavia.

Peptidi voi sitoutua kohteeseen aktivoimatta tai estämättä sitä.

Se voi toimia entsyymin substraattina, mutta ei välttämättä käyttäydy odotetulla tavalla soluympäristössä.

Soluvaste voi sen sijaan johtua tahattomasta reitistä.

Siksi termi „aktiivinen peptidi” on usein liian laaja, ellei ole täsmennetty, minkälaista aktiivisuutta on tosiasiassa mitattu.

Koneoppimista hyödyntävässä iteratiivisessa tutkimuksessa optimoitiin peptidisubstraatteja tietylle entsyymiluokalle testaamalla valittuja ehdokkaita toistuvasti kokeellisesti. [3]

Tulokset koskivat kyseisessä järjestelmässä mitattuja biokemiallisia toimintoja.

Ne eivät osoita, että samat sekvenssit toimisivat muissa, tähän liittymättömissä biologisissa sovelluksissa.

Tarkastukset auttavat erottamaan kohteen tunnistamisen itse testin suorittamisesta

Oikein valitut kontrollit auttavat erottamaan tarkoitetun molekyylitason ilmiön muista mahdollisista selityksistä.

Testistä riippuen ne voivat olla:

• pinnat, joilla ei ole kohdemolekyyliä;
• tarkastukset, jotka koskevat pelkästään tallennusvälinettä;
• toisistaan riippumattomat molekyylitavoitteet;
• positiiviset tulokset;
• negatiiviset tarkastukset;
• taustamittaukset;
• kilpailevat kokeet;
• muut kyseiselle järjestelmälle ominaiset tarkastukset.

Pinta, jolla ei ole kohdemolekyyliä, voi paljastaa epäspesifisen sitoutumisen testiaineeseen.

Vastausvaihtoehtojen tarkastelu auttaa havaitsemaan vastaukset, jotka johtuvat itse esitysjärjestelmästä.

Riippumaton kohde voi antaa tietoa selektiivisyydestä.

Positiivinen kontrolli osoittaa, pystyykö testi havaitsemaan tunnetun tuloksen.

Negatiivinen kontrolli auttaa määrittämään taustatason.

Tarkastukset on kuitenkin valittava kunkin kokeen todellisten mahdollisten virhelähteiden mukaan.

Ei ole olemassa yhtä ainoaa yleispätevää vertailupeptidiä, joka olisi biologisesti neutraali kaikissa mahdollisissa järjestelmissä.

Polystyreeniin sitoutuvia faageja koskeva tutkimus osoittaa, miksi pinnan hallinta on tärkeää. Tutkijat analysoivat sitoutumista ja lisääntymistä erikseen ja katsoivat, että rikastuminen johtui vuorovaikutuksesta testipinnan kanssa, sen sijaan että olisivat olettaneet, että faagin talteenotto todistaisi sen tunnistaneen aiotun kohteen. [7]

Affiniteetti, selektiivisyys ja funktio ovat erilaisia ominaisuuksia

Kolme käsitettä, joita sekoitetaan usein toisiinsa, ovat:

sukulaisuus, selektiivisyys ja toiminta.

Affiniteetti viittaa vuorovaikutuksen voimakkuuteen tietyissä olosuhteissa ja asianmukaisen vuorovaikutusmallin puitteissa.

Selektiivisyys kuvaa, missä määrin ehdokas suhtautuu ensisijaisesti yhteen tavoitteeseen verrattuna vastaaviin vaihtoehtoihin.

Tämä toiminto koskee tällaisen vaikutuksen biologisia tai biokemiallisia seurauksia.

Peptidillä voi siis olla seuraavia ominaisuuksia:

• korkea affiniteetti, mutta heikko selektiivisyys;
• korkea selektiivisyys, mutta heikko sitoutuminen;
• vahva sidos ilman odotettua toiminnallista vaikutusta;
• toiminnallisen aktiivisuuden odottamattoman mekanismin kautta.

Nämä erot määräävät, mitkä kokeet on suoritettava seuraavaksi.

Esimerkiksi:

todettu sitoutuminen ≠ todettu estäminen.

Sitoutumistutkimuksessa löydettyä peptidiä ei pidä automaattisesti kutsua estäjäksi, ellei sen estävää vaikutusta ole mitattu suoraan.

Hakijoita kannattaa arvioida useiden eri tietolähteiden perusteella

Hakijoiden valinta on luotettavampaa, jos se ei perustu pelkästään yhteen arviointikriteeriin.

Voidaan ottaa huomioon muun muassa seuraavat seikat:

• signaalin voimakkuus;
• toistettavuus;
• taustan säilyttäminen;
• sekvenssin tunniste;
• kasvu alkuperäiseen arvoon verrattuna;
• selektiivisyys;
• sekvenssien perhe;
• mahdollisuus itsenäiseen synteesiin;
• liukoisuus;
• testin toistettavuus;
• mahdollisuus jatkokäsittelyyn.

Myös valittujen osumien sekvenssimäärä voi olla hyödyllinen.

Useiden eri sekvenssiperheiden edustajien tutkiminen vähentää riippuvuutta yhdestä mahdollisesti harhaanjohtavasta motiivista tai kloonista.

Erityisesti erikoiskirjastojen osalta on erityisen hyödyllistä verrata kokoelmien kokoa ennen valintaa ja sen jälkeen.

Sekvenssi, jota esiintyi jo lähtökirjastossa hyvin usein, voi olla edustettuna runsaasti seulonnan jälkeen ilman erityisen voimakasta, tavoitteeseen perustuvaa rikastamista.

Naivisen faagikirjaston syväsekvensointitutkimus osoitti, että alkuperäinen edustus oli epätasainen. [4]

Lisääntymiskyvyn etua koskeva tutkimus osoittaa lisäksi, miksi pelkkää yksilömäärää ei pidä automaattisesti tulkita sukulaisuuden mittarina. [6]

Kaiken kaikkiaan nämä tulokset puoltavat seuraavaa analyysia:

miten kyseistä sekvenssiä on rikastettu,

eikä vain:

mikä sekvenssi sijoittui ensimmäiseksi valinnan päätyttyä.

Seulonnassa löydetty tapaus ei ole vielä vahvistettu ehdokas

Osuma on ehdokas, joka täyttää alustavan seulonnan kriteerit.

Tämä on arvokas tulos.

Se ei kuitenkaan päätä validointiprosessia.

Vahvistuksessa tulisi vastata muun muassa seuraaviin kysymyksiin: onko ehdokkaan käyttäytyminen:

• on toistettavissa;
• säilyy asianmukaisten valvontatoimenpiteiden toteuttamisen jälkeen;
• havaitaan yksilöllisen tutkimuksen yhteydessä;
• pysyy näkyvissä uudelleensynteesin jälkeen;
• voidaan liittää tiettyyn molekyyliin;
• on edelleen merkittävää asianmukaisessa jatkotestissä.

Lisäluonnehdinta voi tämän jälkeen käsittää ominaisuudet, jotka ovat merkityksellisiä tietyn tutkimustavoitteen kannalta.

Uudelleensynteesi on erityisen hyödyllistä, jos alkuperäisessä seulonnassa käytettiin kantaja-ainetta, palloa, esitysjärjestelmää tai seosta.

Riippumaton yhteenveto mahdollistaa ehdokkaan erottamisen alkuperäisestä esittelytavasta.

Näytteen tunnistaminen ja muiden olennaisten parametrien vahvistaminen vahvistavat entisestään havaitun tuloksen ja kohdemolekyylin välistä yhteyttä. Tässä vaiheessa oikea tulkinta on erityisen tärkeää peptidien puhtaus ja laboratoriotutkimukset, koska HPLC-tulos, massan vahvistus ja peptidin todellinen pitoisuus vastaavat erilaisiin analyyttisiin kysymyksiin.

Oikea järjestys on siis seuraava:

löydös seulonnassa → vahvistettu löydös → profiloitu ehdokas,

eikä:

positiivinen tulos seulonnassa → todistettu toiminnallinen peptidi.

Hyvä sijoitus, visuaalisesti vakuuttava telakointimalli tai samanlaisen tuloksen toistuva saavuttaminen samassa virhealttiissa testissä eivät automaattisesti korvaa riippumatonta validointia.

Sekvenssien suunnittelu ja ennustustyökalut

Suunnittelu alkaa molekyylitason tavoitteen määrittämisestä

Peptidin suunnittelu voidaan aloittaa seuraavasti:

• tunnetun teeman;
• emopeptidin;
• proteiinien vaikutusalue;
• kokeellisesti saatu osuma;
• rakennemallin;
• evoluutioketju;
• tutkittujen peptidien tietokanta.

Seuraavaksi voidaan analysoida esimerkiksi seuraavia muutoksia:

• aminohappojen korvaaminen;
• sekvenssien lyhentäminen;
• sekvenssin pidentäminen;
• syklisointi;
• päiden muokkaukset;
• aminohappojen järjestyksen muutos;
• muut rakenteelliset muutokset.

Tavoite on määriteltävä selkeästi.

Esimerkiksi:

sidoksen ennustaminen

ei ole sama tehtävä kuin:

entsyymin tunnistamisen ennustaminen,

ja se puolestaan ei ole sama asia kuin:

liukoisuuden ennustaminen.

Yhden ominaisuuden parantava muutos ei välttämättä vaikuta toiseen ominaisuuteen tai voi jopa vaikuttaa siihen haitallisesti.

Peptidien käytännön suunnittelu voi siis edellyttää useiden keskenään kilpailevien tavoitteiden tasapainottamista.

Kokeellisesti tuettu entsyymisubstraattien tutkimus osoitti kohdennetun lähestymistavan, jossa algoritmi ehdotti ehdokkaita, biokemialliset kokeet arvioivat niitä ja saadut tulokset vaikuttivat seuraaviin sekvenssien valintaa koskeviin päätöksiin. [3]

Laskelmat tukivat tiettyä kokeellista tavoitetta, eivätkä ne korvanneet mittauksia.

Sekvenssiin perustuva ennuste riippuu harjoitusdatasta

Sekvenssiin perustuva tietokonemalli oppii tunnistamaan riippuvuussuhteita peptidien ominaisuuksien ja harjoitusjoukossa olevien tunnisteiden tai mittaustulosten välillä.

Mallista riippuen tulos voi olla:

• luokittelu;
• todennäköisyyttä muistuttava tulos;
• ranking-arvo;
• ennustettu määrällinen ominaisuus;
• erilainen tietokoneavusteinen arviointi.

Tulkinta riippuu siitä, mitä harjoituksessa käytetyillä merkinnöillä tosiasiassa tarkoitettiin.

Esimerkiksi termi „aktiivinen” voi tarkoittaa:

• sitoutuminen yli tietyn raja-arvon;
• entsyymikäsittely;
• mikrobienvastainen vaikutus;
• soluvaste;
• muu tiettyyn testiin liittyvä erityiskriteeri.

Nämä ominaisuudet eivät ole keskenään vastaavia.

Aineistot voivat sisältää myös tuloksia, jotka on saatu erilaisissa koeolosuhteissa.

Tutkimatonta peptidiä ei pidä automaattisesti katsoa vahvistetuksi negatiiviseksi tulokseksi pelkästään siksi, että sille ei ole olemassa positiivista tulosta.

Yhtä tärkeää on mallin arviointi.

Jos lähes identtisiä sekvenssejä esiintyy sekä harjoitus- että testijoukossa, ennustamisongelma voi olla huomattavasti helpompi kuin täysin uusien peptidien ominaisuuksien ennustaminen.

Siksi:

Mallin korkea yleinen tarkkuus ei sinänsä todista kykyä yleistää tuloksia uusiin sekvensseihin.

Yleistys edellyttää tietoista arviointia

Yleistettävyys kuvaa mallin kykyä säilyttää käyttökelpoisuutensa myös niiden esimerkkien ulkopuolella, joita on käytetty koulutuksessa.

Tällä on erityistä merkitystä, kun ehdotettu peptidi eroaa merkittävästi harjoitustiedoista seuraavien seikkojen osalta:

• sekvenssi;
• pituus;
• rakenteellinen luokka;
• kemialliset muutokset;
• molekyylitason;
• kokeellisessa yhteydessä.

Tutkimuksessa, joka koski T-lymfosyyttien reseptorisitoutumisen ennustamista, analysoitiin harjoitus- ja testipeptidien välisten erojen vaikutusta mallien arviointiin. [9]

Sekvenssien ja rakenteiden samankaltaisuuteen perustuvat joukkojen jaotukset eivät tuottaneet identtisiä tuloksia.

Tämä osoittaa, miksi harjoitus- ja testidatan yksittäinen jako tai yksi malliin tehokkuutta kuvaava arvo eivät välttämättä anna täyttä kuvaa mallin käyttäytymisestä uusien peptidien suhteen.

Tämä ei tarkoita, että peptidien ennustemallit olisivat luonnostaan epäluotettavia.

Se tarkoittaa sen sijaan, että niiden arviointitavan tulisi vastata niiden todellista käyttötarkoitusta.

Mitä peptidien dokkaaminen merkitsee?

Peptidien dokkaus on tietokoneavusteinen menetelmä, jolla pyritään ehdottamaan tapaa, jolla peptidi voi olla vuorovaikutuksessa reseptorin tai muun molekyylikohteen kanssa.

Laskelmissa voidaan analysoida erilaisia:

• peptidin konformaatiot;
• suuntaukset;
• kohdat;
• yhteydet reseptoriin;
• vaikutusgeometria.

Sen jälkeen ehdotetut järjestelyt arvioidaan sopivan piste- tai energiatoiminnon avulla.

Telakointituloksesta voi siis saada:

• mahdollisen sidontapaikan;
• vuorovaikutukseen osallistuvien ehdotettujen jäännösten;
• rakenteellisten hypoteesien;
• ehdokkaiden rankingissa;
• alkuperäisten rakenteiden jatkokäsittelyä tietokoneanalyyseissä varten.

On kuitenkin syytä muistaa:

telakoitumisen ulkopuolella se on hypoteesi, ei kokeellisesti havaittu kokonaisuus.

Samoin:

Dockauspistemäärä ei ole automaattisesti kokeellisesti mitattu dissosiaatiovakio, solun aktiivisuus tai biologisen onnistumisen todennäköisyys.

Tulkinta riippuu seuraavista seikoista:

• pistefunktio;
• konformaation näytteenottomenetelmä;
• reseptorin rakenne;
• reseptorin joustavuus;
• peptidin joustavuus;
• alkuperäiset oletukset;
• protonointi ja molekyylimallinnus;
• kalibrointi tiettyä tehtävää varten.

Peptidien telakointi voi olla erityisen haastavaa, koska peptidit ovat usein hyvin joustavia.

Sidonnan aikana sekä niiden konformaatio että sijainti suhteessa kohteeseen voivat muuttua merkittävästi.

Rosetta FlexPepDock: tarkennus ja globaali dokkaus ovat eri menettelyjä

FlexPepDock-palvelinta koskevassa alkuperäisessä julkaisussa kuvataan mallin korkean resoluution hienosäätöä, joka aloitetaan peptidistä, joka on sijoitettu suunnilleen reseptorin sitoutumisalueelle. [10]

Tätä työkalua ei siis pidä kuvata pelkästään yleispätevänä menetelmänä, jonka avulla voidaan löytää mikä tahansa tuntematon sitoutumiskohta ilman rakenteellista tietoa.

PIPER-FlexPepDock laajentaa tätä konseptia kohti globaalia telakoitumista yhdistämällä peptidifragmenttien sijoittamisen ja mallin myöhemmän joustavan hienosäätämisen. [11]

Julkaisussa tätä menetelmää arvioitiin rajoitetulla, mutta edustavalla joukolla kokeellisesti määritettyjä peptidi–proteiini-komplekseja.

Menestys vertailutestissä osoittaa tehokkuuden testatuissa olosuhteissa.

Se ei takaa oikeaa ennustetta jokaiselle uudelle reseptori–peptidiparille.

Rosettan virallisessa dokumentaatiossa erotetaan toisistaan:

• tarkennus;
• ab initio -mallinnus arvioidun sitoutumiskohdan läheisyydessä;
• PIPER-FlexPepDockin globaali työnkulku. [12]

Siksi tietokoneella laadittu raportti on huomattavasti informatiivisempi, jos siinä määritellään:

mikä FlexPepDock-protokolla käytettiin + mitä lähtötietoja käytettiin + miten saadut rakenteet arvioitiin.

Pelkkä toteamus:

„Rosetta on telakoitunut”

jättää monia tärkeitä metodologisia seikkoja määrittelemättä.

Modifioidut peptidit edellyttävät asianmukaista esittämistä

Tietokonemallin on kuvattava tutkittavaa molekyylirakennetta oikein.

Sekvenssi, joka on kirjoitettu yksinomaan tavallisten yksikirjaimisten aminohappokoodien avulla, voi jättää pois tärkeitä kemiallisia tietoja.

Niitä voivat olla muun muassa:

• C-pään amidointi;
• N-pään asetylointi;
• epätyypilliset aminohapot;
• D-aminohapot;
• syklisointi;
• kovalenttiset poikittaissidokset;
• fosforylaatio;
• muut muutokset.

FlexPepDock-ohjelmistoa hyödyntävässä tutkimuksessa analysoitiin peptidi–MHC-mallinnusta, joka kattoi epätyypillisiä aminohappotähteitä ja valikoituja peptidimodifikaatioita. [13]

Tutkijat saivat hyödyllisiä vertailutuloksia ja havaitsivat riippuvuuden laskettujen tulosten ja tutkittavassa joukossa kokeellisesti mitatun suhteellisen sitoutumisen välillä.

Tämä tukee mallinnuksen konkreettista käyttöä, joka on testattu.

Se ei kuitenkaan tarkoita, että jokainen mahdollinen modifikaatio esitetään automaattisesti oikein, eikä sitä, että dokkaus korvaisi kokeellisen sitoutumismittauksen.

CHARMM-GUI, peptidimallit ja C-pään amidointi

CHARMM-GUI tarjoaa työkaluja molekyylirakenteiden valmistelemiseen simulointeja varten.

Virallisissa asiakirjoissa korostetaan, että muokatut jäännökset edellyttävät asianmukaisia rakenteellisia määritelmiä ja voimakentän parametreja. [14]

Simuloinnin syöttötietojen onnistunut luominen tarkoittaa siis, että järjestelmästä on laadittu tietokonemalli.

Ei vahvistu kokeellisesti:

• peptidin identiteetti;
• ratkaisut;
• biologisen toiminnan;
• vakauden;
• toimintaa.

Kun peptidi on amidisoitu C-päässä, sen pääteryhmä on amidi eikä vapaa karboksyyliryhmä.

Tämä ero voi vaikuttaa seuraaviin seikkoihin:

• muodollinen kuorma;
• vetysidokset;
• sähköstaattiset vaikutukset;
• konformaatio;
• vuorovaikutukset ympäröivän molekyyliympäristön kanssa.

Simuloinnissa käytetyn voimakentän rakenne, topologia ja parametrit tulisi siis edustaa samaa lopullista muotoa, jota tutkitaan kokeellisesti.

Maximin H5:tä koskevassa tutkimuksessa yhdistettiin kokeelliset ja simulaatiomenetelmät C-pään rakenteen muutoksen seurausten arvioimiseksi. [15]

Tämän nimenomaisen peptidin rakenteessa ja vuorovaikutuksissa kalvojen kanssa havaittiin eroja.

Tämä ei tarkoita, että amidointi parantaisi jokaisen peptidin ominaisuuksia.

Se osoittaa sen sijaan, miksi pääteryhmien kemiaa ei pitäisi jättää huomiotta molekyylikuvauksessa.

Siksi amidointivaihtoehtojen etsiminen peptidien rakenteluohjelmistossa tulisi aloittaa seuraavalla kemiallisella kysymyksellä:

Mikä tarkalleen ottaen on se molekyylirakenne, jota on tarkoitus mallintaa?

Vasta kun tämä asia on määritelty, ohjelmiston asetusten valinnalla on merkitystä.

Kokeellinen validointi ja toistettavuus

Tutki itsenäisesti kyseistä molekyyliä

Valitun ehdokkaan tulisi lopulta tutkia määritellyn molekyylimateriaalin muodossa.

Merkittäviä piirteitä voivat olla esimerkiksi:

• tarkka järjestys;
• päiden muoto;
• tietyt muutokset;
• molekyylinen identiteetti;
• muut kokeen kannalta merkittävät ominaisuudet.

Jos alkuperäisessä seulonnassa käytettiin faagidisplay-menetelmää tai helmiin kiinnitettyjä peptidejä, seuraavissa kokeissa voidaan selvittää, säilyttääkö eristetty peptidi mitatun ominaisuuden alkuperäisen esittelyjärjestelmän ulkopuolella.

Varhaisessa faagidisplay-tutkimuksessa verrattiin faageilla esitettyjä peptidejä niiden kemiallisesti syntetisoituihin vastineisiin. [1]

Tämä osoittaa, kuinka riippumaton tutkimus voi yhdistää kirjaston valintatuloksen itse peptidimolekyylin käyttäytymiseen.

Myös näytteen laatu ja ominaisuudet ovat tärkeitä.

Eroja seuraavissa asioissa:

• määritelty pitoisuus;
• liukoisuus;
• puhtaus;
• aggregointi;
• lopullisessa muodossaan;
• kemialliset muutokset

voivat vaikuttaa kokeellisiin vertailuihin.

Kaksi näytettä, joita kutsutaan samalla peptidinimellä, eivät välttämättä ole kemiallisesti vastaavia, ellei niiden vastaavia molekyylimuotoja ole määritelty. Siksi ennen kokeen tulkitsemista on hyödyllistä erottaa toisistaan identiteetin, puhtauden ja aineen todellisen määrän käsitteet, joita käsitellään laajemmin artikkelissa, joka koskee peptidien puhtaus ja laboratoriotutkimukset.

Lisätestillä on suurin arvo, kun se antaa vastauksen tiettyyn epäilyyn

Ortogonaalinen testi tutkii tiettyä ominaisuutta käyttämällä toista mittausperiaatetta tai erilaista kokeellista esitystapaa.

Sen suurin etu on mahdollisuus tarkistaa tietty vaihtoehtoinen selitys.

Toinen testi voi esimerkiksi auttaa selvittämään, johtuiko alkuperäinen tulos:

• kiinnitys pintaan;
• merkin aiheuttama häiriö;
• tallennusvälineestä riippuva käyttäytyminen;
• liikkumattomuuden vaikutukset;
• toinen ensimmäiselle testille tyypillinen esine.

Se, että käytetään kahta erilaista laitemallia, ei vielä tarkoita, että mittaukset olisivat ortogonaalisia.

Jos molemmissa testeissä käytetään samaa kiinnitysmenetelmää tai samaa havaitsemisperiaatetta, ne voivat olla alttiita samalle virhelähteelle.

Tärkein kysymys on:

Mitä vaihtoehtoista selitystä toinen koe tarkistaa?

Todella toisiaan täydentävien menetelmien välinen yhdenmukaisuus tarjoaa yleensä vahvemman tuen kuin saman, virheille alttiin lukeman toistaminen useita kertoja.

Replikointi ja biologinen konteksti

Erilaiset replikaatiomenetelmät mahdollistavat erilaisten epävarmuustekijöiden arvioinnin.

Tekniset toistot auttavat arvioimaan toistettavuutta saman koejärjestelmän puitteissa.

Kokeen riippumattomissa toistokokeissa voidaan ottaa huomioon valmistusten tai koesarjojen välinen lisävaihtelu.

Biologisia näytteitä hyödyntävissä kokeissa voi myös olla tarpeen ottaa huomioon erot seuraavien välillä:

• luovuttajat;
• soluvalmisteluilla;
• eliöillä;
• kudoksilla;
• muista biologisen materiaalin lähteistä.

Tutkimuksessa, jossa hyödynnettiin päällekkäisiä peptidejä, analysoitiin T-lymfosyyttien tunnistustoimintaa luovuttajilta peräisin olevissa näytteissä ja käytettiin kirjastoa tunnistettujen alueiden tunnistamiseen. [5]

Havaittujen reaktioiden ilmeneminen riippui biologisesta kontekstista.

Yhdeltä luovuttajalta tai yhdestä kokeellisesta järjestelmästä saatua tulosta ei pidä automaattisesti yleistää koskemaan jokaista henkilöä tai jokaista biologista järjestelmää.

Toistettavuus tarkoittaa siis mahdollisuutta toistaa tietty väite asianmukaisesti kuvatuissa olosuhteissa.

Se ei tarkoita pelkästään sitä, että saadaan jälleen yksi samannäköinen kaavio.

Asiakirjojen tulisi mahdollistaa analyysin toistaminen

Hyvä peptidikirjaston tutkimus edellyttää riittävää dokumentaatiota, jotta toinen tutkija voi ymmärtää, miten tulos on saatu.

Hyödyllisiä kokeellisia tietoja ovat muun muassa:

• peptidin tarkka sekvenssi;
• peptidin pituus;
• loppuryhmät;
• kemialliset muutokset;
• kirjaston arkkitehtuuri;
• näytteiden tunnisteet;
• seulonnan ehdot;
• mitattava päätepiste;
• tarkastukset;
• toistojen rakenne;
• taustan määrittämistapa;
• osuman kelpoisuuskynnys;
• ehdokkaiden valintaperusteet;
• käytetyt analyysimenetelmät.

Tietokonepohjaisissa tutkimuksissa seuraavat seikat voivat olla tärkeitä:

• ohjelmiston nimi;
• versio;
• pöytäkirja;
• syöttörakenne;
• molekyylin esitystapa;
• parametrien joukko;
• tietojenkäsittely;
• harjoitus- ja testisarjojen jakotapa;
• pisteytysmenetelmä;
• hakijoiden arviointimenettely;
• valintaperusteet.

Jos säilytät ainoastaan parhaiten arvioidun mallin, parhaan telakointikuvan tai loppusekvenssin, tuloksen muodostumistapaa ei välttämättä voida myöhemmin jäljittää.

Myös kirjaston ominaispiirteet ovat osa toistuvuutta.

Erikoiskirjastojen koostumusta ja pallojen kuormitusta koskevat tutkimukset osoittavat, että vaihtelua voi esiintyä jo ennen seulonnan aloittamista. [4] [8]

Pelkästään lopputuloksen dokumentointi voi siis jättää huomiotta tärkeitä tietoja lähtöaineesta.

Myönteiset ennusteet ja kielteiset tulokset ovat yhtä tärkeitä

Tietokoneella ennustettu ehdokas, jota ei ole vahvistettu kokeellisesti, voi silti tarjota hyödyllistä tietoa.

Se voi paljastaa:

• mallin rajoitukset;
• virheellinen mekanistinen oletus;
• kemiallisen ominaisuuden riittämätön kuvaus;
• ongelma testia koskevassa hypoteesissa;
• sekvenssiavaruuden alue, jolla malli yleistyy heikosti.

Tällaisia tuloksia ei pidä jättää arvioinnin ulkopuolelle vain siksi, että ne eivät vahvistaneet alkuperäistä ennustetta.

Iteratiivinen suunnittelu on arvokkaampaa, kun kokeelliset havainnot – myös odottamattomat ja kielteiset tulokset – vaikuttavat seuraaviin päätöksiin.

Entsyymisubstraattien suunnittelua koskevassa tutkimuksessa noudatettiin seuraavaa yleistä menettelytapaa:

ennuste → kokeellinen mittaus → mallin parantaminen tietojen perusteella. [3]

Sen tieteellinen arvo johtui laskelmien ja havaintojen yhdistämisestä, eikä siitä, että ensimmäistä rankingia olisi pidetty lopullisena vastauksena.

Vahvimmassa päätelmässä tulisi siis määritellä tarkasti, mitä on osoitettu:

• rikastaminen;
• ratkaisu;
• toimiminen entsyymin substraattina;
• inhibitio;
• soluvaste;
• tietokoneennuste;
• tehokkuus rakenteellisessa vertailutestissä.

Jokainen näistä tuloksista voi olla tieteellisesti arvokas.

Toista ei kuitenkaan pidä korvata toisella.

Peptidikirjastojen tulkinnassa yleisimmin esiintyvät virheet

Peptidikirjastojen tutkimustulokset voivat olla harhaanjohtavia, jos johtopäätökset ulottuvat pidemmälle kuin mitä on tosiasiallisesti mitattu.

Yksi yleinen virhe on se, että kirjaston teoreettista kokoa pidetään kokeellisesti vahvistettuna monimuotoisuutena. Fyysisissä kirjastoissa voi esiintyä epätasaista edustusta, puuttuvia elementtejä, kaksoiskappaleita tai synteesiprosessista johtuvia rasitteita. [4]

Toinen virhe on pitää rikastumista todisteena sukulaisuudesta. Rikastuminen voi johtua myös lisääntymiskyvyn ylivoimasta, kiinnittymisestä pintaan tai muista valintaprosessiin liittyvistä ominaisuuksista. [6] [7]

Kolmas ongelma on sitoutumisen ja funktion sekoittaminen toisiinsa. Peptidi voi olla vuorovaikutuksessa kohteen kanssa aiheuttamatta kuitenkaan aiottua biologista vaikutusta.

Samoin telakointitulosta ei pidä pitää kokeellisena affiniteettimittauksena. Pistearvot ovat peräisin tietokonemalleista, ja ne on validoitava ennen kuin niitä voidaan pitää kvantitatiivisena todisteena sitoutumisesta. [10] [11] [13]

Virtuaalinen peptidi ei myöskään ole automaattisesti peptidi, jota olisi helppo tuottaa oikeassa kemiallisessa muodossa. Synteesi, liukoisuus, molekyylin identiteetti ja näytteen ominaisuudet ovat edelleen kokeellisia kysymyksiä.

Lopuksi fagiin esitellyn, pinnalle kiinnitetyn tai palloon sitoutuneen peptidin osalta saatu tulos ei välttämättä ole toistettavissa vastaavalla vapaalla molekyylillä, koska esitystapa itsessään voi vaikuttaa konformaatioon, saatavuuteen, paikallista tiheyttä ja avidiiteettia.

Nämä rajoitukset eivät vähennä peptidikirjastojen arvoa.

Niissä määritellään sen sijaan, miten niiden toimittamia todisteita on tulkittava.

Usein kysytyt kysymykset

1. Mikä on päällekkäisten peptidien kirjasto?

Päällekkäisten peptidien kirjasto on kokoelma fragmentteja, jotka kattavat pidemmän emosekvenssin, ja vierekkäisillä peptideillä on osa yhteistä aminohapposekvenssiä. Tämä menetelmä auttaa tutkijoita tunnistamaan alueita, jotka liittyvät tunnistamiseen tai muuhun mitattuun vasteeseen. Tutkimus, jossa käytettiin päällekkäisiä meningokokkiproteiinin fragmentteja, osoitti menetelmän soveltuvuuden T-lymfosyyttien vasteen kartoittamiseen luovuttajilta peräisin olevissa näytteissä. [5] Fragmentin positiivinen tulos ei kuitenkaan automaattisesti tunnista minimiepitopia, se ei todista, että jokainen yhteinen aminohappo olisi välttämätön, eikä se tarkoita, että fragmentti toistaisi tarkasti koko proteiinin rakennetta ja prosessointia.

2. Voivatko tietokoneella tehdyt ennusteet korvata kokeet?

Ei. Tietokonepohjaiset ennusteet voivat auttaa ehdokkaiden priorisoinnissa, mallien tunnistamisessa, rakenteellisten hypoteesien muodostamisessa sekä niiden sekvenssien määrän rajoittamisessa, jotka vaativat välitöntä kokeellista tutkimusta. Niiden luotettavuus riippuu kuitenkin mallista, harjoitusdatasta, molekyylien esitystavasta, oletuksista ja konkreettisesta tehtävästä. Entsyymisubstraattien suunnittelututkimuksessa algoritmin valitsemia peptidejä testattiin toistuvasti, ja kokeellisia tuloksia hyödynnettiin seuraavissa valintakierroksissa. [3] Tämä osoittaa laskennallisten menetelmien ja kokeiden välisen yhteistyön, ei sitä, että malli korvaisi kokeen. Ehdokas pysyy tietokonepohjaisena ennusteena, kunnes sen kyseinen ominaisuus on arvioitu kokeellisesti.

3. Onko peptidikirjasto fyysinen kokoelma vai tietokanta?

Se voi olla kumpaakin. Fyysiset kirjastot sisältävät molekyylejä, joita voidaan tutkia suoraan kokeellisesti, kun taas virtuaaliset kirjastot sisältävät digitaalisia sekvenssejä, molekyylirakenteita tai muita tietokonepohjaisia esityksiä. Ensimmäiset one-bead–one-peptide-tutkimukset koskivat fyysisiä synteettisiä kirjastoja, kun taas tietokoneavusteiset suunnittelumenetelmät analysoivat molekyyliesityksiä ennen valittujen ehdokkaiden synteesiä. [2] [3] Pelkästään sekvenssin esiintyminen virtuaalisessa kirjastossa ei takaa, että vastaava peptidi on syntetisoitu oikein, että sillä on aiottu kemiallinen rakenne tai että se osoittaa ennustettua ominaisuutta. Siksi kirjaston koosta tai seulontatuloksista puhuttaessa on aina määritettävä sen muoto.

4. Johtaako laajempi hakukanta aina parempien ehdokkaiden löytämiseen?

Ei. Kirjaston koko on merkityksellinen vain, jos se sisältää merkittävää, saatavilla olevaa, tunnistettavaa ja asianmukaisesti edustettua monimuotoisuutta. Fagikirjaston syvällinen sekvensointi paljasti sekvenssien epätasaisen lukumäärän sekä tekijöitä, jotka vähentävät tehokasta monimuotoisuutta huolimatta laajasta suunnitellusta projektista. [4] Erittäin suuret kirjastot voivat myös lisätä näytteenottoon ja tulkintaan liittyviä ongelmia, koska kaikkia teoreettisesti mahdollisia elementtejä ei välttämättä ole todellisuudessa läsnä tai ne eivät välttämättä ole asianmukaisesti tutkittuja. Kandidaattien laatu riippuu siis kirjaston koostumuksesta, seulontasuunnitelmasta, testin laadusta, valvonnasta ja validoinnista, eikä pelkästään mainostetusta mahdollisten sekvenssien määrästä.

5. Ovatko satunnaiset peptidikirjastot todella vapaita ennakkoasenteista?

Ei aina. Satunnaistettu rakenne voi silti johtaa nukleotidien, aminohappojen ja kokonaisen sekvenssien epätasaiseen edustukseen. Biologinen tuotanto, monistaminen, synteettinen kemia ja näytteenotto voivat tuoda mukanaan uusia virhelähteitä. Kaupallisen faagikirjaston syväsekvensointi paljasti epätasaisen edustuksen jo ennen kohteen valintaa. [4] Tämä ei tarkoita, että jokainen satunnainen kirjasto olisi epäluotettava. Se osoittaa kuitenkin, että „satunnainen projekti” ja „kokeellisesti vahvistettu tasaisuus” ovat kaksi eri väitettä. Alkuperäisen kirjaston ominaispiirteet auttavat erottamaan suuren lähtömäärän valinnasta riippuvasta todellisesta rikastumisesta.

6. Miten faaginäyttömenetelmän avulla voidaan tunnistaa peptidisekvenssi?

Faagidisplay yhdistää bakteerifaagin pinnalla esitetyn peptidin saman partikkelin sisällä olevaan geneettiseen informaatioon. Valitut faagit voidaan siten eristää, ja niitä vastaavat peptidisekvenssit määrittää niihin liittyvän geneettisen materiaalin perusteella. Varhaisissa tutkimuksissa, joissa käytettiin satunnaisia, säikeisillä faageilla esiteltyjä peptidejä, hyödynnettiin tätä genotyypin ja fenotyypin välistä riippuvuutta sitoutuvien ligandien erottamiseksi ja karakterisoimiseksi. [1] Pelkkä faagin talteenotto ei kuitenkaan todista spesifisyyttä kohdetta kohtaan, sillä määrään voivat vaikuttaa vuorovaikutukset pinnan kanssa, lisääntymiseroja ja muut valintapaineet. Geneettinen yhteys mahdollistaa ehdokkaan tunnistamisen, ja jatkokokeet auttavat selittämään sen valikoitumisen syyn.

7. Miksi faagi voidaan rikastaa ilman, että se sitoutuu aiottuun kohteeseen?

Tavoitteeseen liittymättömään rikastumiseen voi johtaa useita mekanismeja. Faagi voi olla vuorovaikutuksessa testipinnan kanssa, sietää valintaolosuhteita poikkeuksellisen hyvin tai lisääntyä tehokkaammin kuin kilpailevat kloonit. Erillisissä tutkimuksissa on osoitettu polystyreeniin liittyvää talteenottoa sekä lisääntymisvaltaisuuteen liittyvää rikastumista. [6] [7] Nämä ovat erilaisia mekanismeja, jotka vaativat erilaisia tarkastuksia. Rikastumista on siis tulkittava todisteena siitä, että klooni on selvinnyt ja lisännyt edustustaan valintaprosessin aikana. Kohteen spesifisen tunnistamisen osoittaminen vaatii lisätodisteita, joiden avulla tämä mahdollisuus voidaan erottaa vaihtoehtoisista selityksistä.

8. Mitä tarkoittaa ”one-bead–one-compound”?

”One-bead–one-compound” tarkoittaa, että jokaisen helmen on tarkoitus sisältää useita kopioita yhdestä tietystä yhdisteestä, minkä ansiosta valittu helmi voidaan lopulta yhdistää yhteen ainoaan kirjaston osaan. Tämä konsepti mahdollistaa suurten kombinatoristen synteettisten kirjastojen luomisen, ja se esiteltiin varhaisissa ”one-bead–one-peptide”-tutkimuksissa. [2] Termi kuvaa kuitenkin kirjaston suunniteltua rakennetta, mutta ei takaa identtistä kuormitusta, täydellistä synteesiä tai kunkin helmen kemiallista homogeenisuutta. Myöhemmät yksittäisten helmien mittaukset osoittivat merkittäviä eroja esitetyn peptidin määrässä. [8] Materiaalin laatu ja kuormitus ovat siis edelleen ominaisuuksia, jotka vaativat kokeellista arviointia.

9. Voiko pallossa olevan peptidin määrä vaikuttaa seulontatulokseen?

Kyllä. Pallo, jossa on enemmän saatavilla olevaa peptidiä, voi tuottaa voimakkaamman testisignaalin, vaikka itse molekyylivälisen vuorovaikutuksen voimakkuus ei olisikaan suurempi. Tutkimuksessa, jossa käytettiin Raman-spektroskopiaa one-bead–one-compound-kirjastojen analysointiin, havaittiin peptidimäärän huomattavaa vaihtelua, erityisesti pidempien sekvenssien kohdalla. [8] Tutkimuksessa ei määritetä kuormituksen vaikutusta jokaisessa mahdollisessa seulontajärjestelmässä, mutta siinä tunnistetaan vaihtelun lähde, joka voi vaikuttaa signaalin voimakkuuteen. Palloseulonnan tuloksia on siis tulkittava sekä molekyylivuorovaikutuksen että esitetyn materiaalin tiheyden kannalta.

10. Onko sitoutuminen sama asia kuin biologinen aktiivisuus?

Ei. Sitoutuminen tarkoittaa molekyylien välistä vuorovaikutusta tietyissä olosuhteissa. Biologinen tai biokemiallinen aktiivisuus edellyttää erikseen määriteltyä päätepistettä. Peptidi voi sitoutua proteiiniin, mutta se ei välttämättä aktivoi tai estä sitä, ja soluvaste voi syntyä muulla mekanismilla kuin oletetulla vuorovaikutuksella kohteen kanssa. Faagidisplay-tutkimukset ovat keskittyneet pääasiassa sitoutumiseen, kun taas koneoppimista hyödyntävä tutkimus koski peptidien käyttäytymistä entsyymisubstraatteina. [1] [3] Kyseessä ovat erilaiset tieteelliset kysymykset. Siksi seulonnan tuloksia tulisi kuvata sen ominaisuuden perusteella, joka tosiasiallisesti mitattiin, ilman että niille annetaan laajempaa vaikutusta.

11. Miksi osuma kannattaa syntetisoida uudelleen ja tutkia erikseen?

Itsenäinen synteesi auttaa selvittämään, toistako tietty määritelty peptidi todellakin havaittua käyttäytymistä alkuperäisen kirjastojärjestelmän ulkopuolella. Kiinnittyminen faagiin, pallon pinnalla olevan materiaalin määrä, sekoitusvaikutukset, vuorovaikutukset kantajan kanssa tai muut seulonnan tekijät voivat vaikuttaa alkuperäiseen tulokseen. Varhaisissa faagidisplay-tutkimuksissa esitettyjä ligandeja verrattiin kemiallisella synteesillä saatuihin peptideihin, mikä havainnollistaa tätä vahvistusvaihetta. [1] Uudelleensynteesi on informatiivisin silloin, kun saatu materiaali on asianmukaisesti karakterisoitu ja testattu alkuperäistä väitettä koskevassa kokeessa. Synteesi sinänsä ei vielä vahvista toimintaa tai mekanismia.

12. Mitä Rosetta FlexPepDock ennustaa?

Rosetta FlexPepDock mallintaa peptidi–proteiini-kompleksien rakenteita, mutta FlexPepDockiin liittyvät yksittäiset menettelyt edellyttävät erilaista määrää lähtötietoja. Palvelinta koskevassa alkuperäisessä julkaisussa kuvataan ensisijaisesti korkean resoluution mallinnusta peptidille, joka sijaitsee jo likimain reseptorin sitoutumiskohdan läheisyydessä. [10] PIPER-FlexPepDock käyttää laajempaa globaalin dokkauksen strategiaa, jota seuraa mallin joustava hienosäätö. [11] Vertailutulokset eivät takaa tulosten oikeellisuutta jokaisen uuden peptidi–proteiiniparin kohdalla. Siksi hyödyllisessä raportissa tulisi mainita käytetty protokolla, lähtötiedot sekä ennustettujen rakenteiden arviointitapa.

13. Vahvistaako myönteinen telakointituloksen tulos sitoutumisen vahvuuden?

Ei. Docking-tulos on tietokoneen pistefunktiolla tuotettu arvo, eikä se automaattisesti vastaa kokeellisesti mitattua affiniteettia, kuten dissosiaatiovakiota. Sen merkitys riippuu dokkausprotokollasta, molekyylimallista, konformaatioiden otantatavasta, tutkittavasta kohteesta ja kalibroinnista. FlexPepDock-tutkimuksessa, joka koski peptidi–MHC-komplekseja, verrattiin laskennallisia tuloksia suhteellisiin sitoutumismittauksiin tietyssä aineistossa, mikä osoitti, että tällaisia suhteita on tutkittava eikä niitä pidä olettaa. [13] Myönteinen dokkaus tulos voi auttaa ehdokkaiden priorisoinnissa tai tukea rakenteellista hypoteesia, mutta vahva sitoutuminen vaatii asianmukaista kokeellista näyttöä.

14. Miksi C-pään amidointi on merkityksellistä peptidin mallintamisessa?

C-pään amidointi muuttaa peptidin päässä sijaitsevaa kemiallista ryhmää ja voi vaikuttaa molekyylin formaaliseen varaukseen, vetysidoksiin, sähköstaattisiin vuorovaikutuksiin sekä konformaatioon. Tietokonemallin tulisi siis kuvata samaa pääteryhmän kemiaa kuin kokeellisesti tutkittavalla peptidillä. Maximin H5:n tutkimuksissa havaittiin eroja rakenteessa ja vuorovaikutuksissa kalvojen kanssa, jotka liittyivät pääteryhmän muutokseen. [15] Tämä ei todista, että amidointi aina parantaa peptidien ominaisuuksia. Se osoittaa kuitenkin, miksi pääteryhmien kemiallinen rakenne tulisi määrittää oikein ja kuvata mallissa.

15. Vahvistaako CHARMM-GUI:ssa luotu malli peptidin ominaisuudet?

Ei. CHARMM-GUI auttaa valmistelemaan molekyylijärjestelmiä simulointeja varten. Rakenteen tai syöttötiedostojen onnistunut luominen tarkoittaa, että tutkittavasta järjestelmästä on muodostettu tietokonepohjainen malli; se ei vahvista kokeellisesti sitoutumista, biologista aktiivisuutta, stabiilisuutta eikä kliinistä merkitystä. Virallisessa dokumentaatiossa todetaan myös, että modifioidut jäännökset vaativat asianmukaisia rakenteellisia määritelmiä ja parametreja. [14] Tietokonemallin valmistelu on siis lähtökohta jatkomallinnukselle. Se, käyttäytyykö todellinen molekyyli ennusteiden mukaisesti, on erillinen kokeellinen kysymys.

16. Miksi ennustemalli voi epäonnistua uuden peptidin tapauksessa?

Uusi peptidi voi poiketa koulutuksen aikana käytetyistä esimerkeistä tavalla, jota malli ei ole oppinut kuvaamaan oikein. Erot voivat koskea sekvenssiä, rakennetta, pituutta, modifikaatioita, molekyylitavoitetta tai muita ominaisuuksia. T-lymfosyyttien reseptorisidosta ennustavien mallien tutkimus osoitti, että tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptorisidosta ennustavien mallien tehokkuuden arviointi vaihteli sen mukaan, miten T-lymfosyyttien reseptoris [9] Tämä ei tarkoita, että jokainen uuden sekvenssin ennuste olisi virheellinen. Se osoittaa kuitenkin, että mallin yleistä tehokkuutta koskevia tilastotietoja tulisi tulkita sen perusteella, kuinka paljon testausolosuhteet muistuttavat mallin suunniteltua käyttöä.

17. Mikä takaa peptidikirjastojen tutkimustulosten toistettavuuden?

Toistettavuus edellyttää riittävää määrää tietoa, jonka avulla voidaan määritellä kirjasto, ehdokasmolekyyli, koeolosuhteet, verrokkikokeet, analyysimenetelmä sekä kriteerit, joiden perusteella tulos katsotaan osumaksi. Fagikirjastojen koostumusta ja pallojen peptidipitoisuutta koskevat tutkimukset osoittavat, että vaihtelua voi esiintyä jo ennen seulonnan aloittamista. [4] [8] Pelkän lopullisen sekvenssin ja pisteytystuloksen ilmoittaminen jättää siten huomiotta potentiaalisesti merkittävät erojen lähteet. Toistettavien tutkimusten edellytyksenä on selkeä raportointi sekvensseistä, modifikaatioista, kirjaston rakenteesta, näytetunnisteista, testin päätepisteistä, kontrolliryhmistä, analyysikriteereistä, tietokoneparametreista sekä päätuloksen riippumattomasta vahvistamisesta.

18. Onko rikastetuin peptidi välttämättä paras ligandi?

Ei. Suuri rikastuminen voi johtua sitoutumisesta kohteeseen, mutta siihen voivat vaikuttaa myös sekvenssien alkuperäinen lukumäärä, lisääntymistehokkuus, epäspesifiset vuorovaikutukset pinnan kanssa sekä muut valintaan liittyvät ominaisuudet. Syväsekvensointi on osoittanut faagikirjastojen epätasaisen alkuperäisen edustavuuden, ja muut tutkimukset ovat dokumentoineet monistumisen ylivoimaisuuteen liittyvää rikastumista. [4] [6] Siksi lopullisesti runsaslukuisinta sekvenssiä ei pidä automaattisesti samaistaa ligandin kanssa, jolla on suurin affiniteetti. Vahvempaa näyttöä saadaan vertaamalla alkuperäistä ja lopullista lukumäärää, käyttämällä asianmukaisia kontrolleja sekä suorittamalla riippumaton sitoutumisen mittaus.

19. Osoittaako esitetty peptidijärjestys, että se voidaan syntetisoida onnistuneesti?

Ei. Tietokonepohjainen malli luo sekvenssin tai molekyylihypoteesin, mutta se ei takaa synteesin onnistumista. Jotkin sekvenssit voivat aiheuttaa ongelmia, jotka liittyvät kopulointitehokkuuteen, aggregaatioon, puhdistukseen, liukoisuuteen tai kemiallisiin modifikaatioihin. Virtuaalikirjasto voi siis sisältää ehdokkaita, joiden käytännön syntetisoitavuus vaihtelee huomattavasti. Vasta materiaalin kokeellinen tuottaminen ja sen analyyttinen karakterisointi mahdollistavat sen selvittämisen, onko tavoiteltu molekyyli todella saatu aikaan. Tietokonepohjainen priorisointi ja kemiallinen toteutettavuus ovat toisiinsa liittyviä, mutta erillisiä tutkimusvaiheita.

20. Voiko faaginäyttelyssä valikoitu peptidi käyttäytyä eri tavalla vapaana molekyylinä?

Kyllä. Faagidisplay-menetelmässä peptidi sijaitsee kantajaan sitoutuneessa ympäristössä, joka voi vaikuttaa sen konformaatioon, orientaatioon, saatavuuteen, paikalliseen tiheyteen ja avidiin. Vapaalla peptidillä ei ole osaa näistä ominaisuuksista, minkä vuoksi se voi osoittaa erilaista näennäistä käyttäytymistä sitoutumisen aikana. Varhaisissa faagidisplay-tutkimuksissa verrattiin faageilla esiteltyjä ligandeja niiden kemiallisesti syntetisoituihin vastineisiin, mikä osoittaa tämän kokeellisen erottelun merkityksen. [1] Onnistunut faagivalinta on siis arvokas todiste esitetystä sekvenssistä, mutta sen vastaavan vapaan peptidin käyttäytymisen selvittämiseksi tarvitaan erillinen tutkimus.

Peptidikirjastoista saatujen todisteiden ja ennusteiden rajoitukset

Peptidikirjastojen tutkimustuloksia tulkittaessa on syytä muistaa muutamia rajoituksia.

Ensinnäkin teoreettinen monimuotoisuus ei ole sama asia kuin todellinen kokeellinen monimuotoisuus. Epätasainen edustus, synteettiset ongelmat, moninkertaistumiserot ja näytteenottotapa voivat muuttaa kirjaston todellista koostumusta. [4]

Toiseksi rikastuminen seulonnan aikana ei automaattisesti vahvista spesifistä sitoutumista kohdeproteiiniin. Vuorovaikutukset pinnan kanssa ja lisääntymisetu voivat johtaa rikastumiseen eri mekanismien kautta. [6] [7]

Kolmanneksi esitystavalla on merkitystä. Faageihin, palloihin tai pintoihin kiinnitetyt peptidit voivat käyttäytyä eri tavalla kuin samat molekyylit liuoksessa, mikä johtuu niiden saatavuudesta, suuntautumisesta, paikallisesta tiheydestä tai avidiudesta. [1] [8]

Neljänneksi: sitoutuminen, selektiivisyys ja toiminta ovat eri ominaisuuksia. Yhden ominaisuuden osoittaminen ei automaattisesti vahvista muita.

Viidenneksi tietokoneen tekemä ennuste riippuu mallista. Koulutustiedot, arviointitapa, molekyylimalli ja käytetyt oletukset määrittävät, kuinka merkittävänä tulosta voidaan pitää. [3] [9]

Kuudenneksi, dokkaustulokset eivät ole kokeellisia affiniteettimittauksia. Rakenne- ja pistefunktiomallit voivat auttaa hypoteesien valinnassa, mutta todellinen käyttäytyminen sitoutumisen aikana edellyttää kokeellisia mittauksia. [10] [11] [13]

Seitsemänneksi, kemiallisella rakenteella on merkitystä. Pääteryhmät, epätyypilliset aminohapot, stereokemia ja muut modifikaatiot tulisi esittää oikein sekä kokeellisissa kuvauksissa että tietokonemalleissa. [13] [14] [15]

Lopuksi voidaan todeta, että seulonnassa havaittu positiivinen tulos on validoinnin alku, ei sen loppu. Aineiston riippumaton valmistelu, molekyylitunnistaminen, kontrollit, täydentävät testit ja toistettavuus vahvistavat saatavilla olevaa näyttöä vaiheittain.

Yhteenveto

Peptidikirjastot mahdollistavat valtavan määrän mahdollisten molekyylisekvenssien järjestelmällisen tutkimisen.

Niiden avulla voi vertailla useita ehdokkaita ja analysoida seuraaviin aiheisiin liittyviä kysymyksiä:

• molekyylitunnistuksella;
• entsyymien substraatteina;
• peräkkäisillä motiiveilla;
• ratkaisuna;
• rakenne–aktiivisuus-suhteet;
• soluvasteilla;
• tietokoneennusteilla.

Termi „peptidikirjasto” kattaa kuitenkin useita keskenään olennaisesti erilaisia tutkimusmuotoja.

Päällekkäisten peptidien kirjasto auttaa kartoittamaan pidemmän sekvenssin alueita.

Kohdennettu korvauskirjasto mahdollistaa yksittäisten kohtien merkityksen analysoinnin.

Faagidisplay-kirjasto yhdistää esitetyn peptidin geneettiseen informaatioon ja mahdollistaa valinnan.

Biblioteka one-bead–one-compound organizuje syntetycznych kandydatów na pojedynczych kulkach.

Biblioteka wirtualna istnieje w postaci cyfrowej i może służyć do ustalania priorytetów sekwencji przed rozpoczęciem badań eksperymentalnych.

Formatów tych nie należy traktować jako zamiennych.

Ostrożnej interpretacji wymaga również wielkość biblioteki.

Teoretyczna kolekcja obejmująca miliony możliwych sekwencji nie dowodzi, że każdy jej element jest fizycznie obecny, równomiernie reprezentowany, chemicznie prawidłowy i rzeczywiście objęty screeningiem. Badania wykorzystujące głębokie sekwencjonowanie pokazują, dlaczego rzeczywisty skład biblioteki może różnić się od planowanej różnorodności. [4]

Podobnie wzbogacenie nie jest synonimem swoistego powinowactwa do celu.

Klony fagowe mogą ulegać wzbogaceniu na skutek mechanizmów niezwiązanych z właściwym celem, takich jak oddziaływanie z powierzchnią lub przewaga w namnażaniu. [6] [7]

Dlatego odpowiednie kontrole i niezależne badania są tak ważne.

Ta sama ostrożność dotyczy komputerowego projektowania peptydów.

Modele sekwencyjne i narzędzia do dokowania mogą pomagać w identyfikowaniu obiecujących kandydatów i tworzeniu hipotez mechanistycznych, ale ich predykcje zależą od danych treningowych, reprezentacji strukturalnych, funkcji punktowych oraz założeń początkowych. [3] [9] [10] [11]

Korzystny wynik dokowania nie potwierdza sam w sobie silnego wiązania eksperymentalnego.

Wygenerowana komputerowo sekwencja nie dowodzi, że można ją prawidłowo zsyntetyzować.

Przewidywana interakcja nie potwierdza funkcji biologicznej.

Najbardziej informacyjny proces odkrywania peptydów traktuje więc poszczególne rodzaje dowodów jako oddzielne, ale wzajemnie uzupełniające się etapy:

projektowanie → konstrukcja biblioteki → screening → identyfikacja trafień → niezależne potwierdzenie → charakterystyka → udoskonalanie obliczeniowe → walidacja eksperymentalna.

Siła końcowego wniosku zależy od tego, jak starannie etapy te zostały ze sobą połączone.

Najważniejszą zasadę można ująć prosto:

biblioteka wskazuje możliwości, screening identyfikuje sygnały, model generuje predykcje, a walidacja określa, które wnioski są rzeczywiście poparte dowodami eksperymentalnymi.

Vastuuvapauslauseke

Artykuł ma wyłącznie charakter edukacyjny i naukowo-informacyjny. Opisuje ogólne zasady dotyczące bibliotek peptydów, technologii phage display, screeningu syntetycznych peptydów, projektowania sekwencji, predykcji komputerowej, dokowania peptydów, modelowania molekularnego, walidacji eksperymentalnej i powtarzalności badań. Nie stanowi porady medycznej, rekomendacji terapeutycznej, instrukcji stosowania peptydów, informacji dotyczących dawkowania ani wskazówek dotyczących podawania ich ludziom. Predykcji komputerowych, trafień uzyskanych podczas screeningu, wyników dokowania oraz przedklinicznych wyników eksperymentalnych nie należy interpretować jako dowodu, że dany peptyd jest bezpieczny, skuteczny, zwalidowany klinicznie lub odpowiedni do stosowania u ludzi.

Viitteet

1. Barrett, R. W., Cwirla, S. E., Ackerman, M. S., Olson, A. M., Peters, E. A., & Dower, W. J. (1992). Selective enrichment and characterization of high affinity ligands from collections of random peptides on filamentous phage. 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). A new type of synthetic peptide library for identifying ligand-binding activity. 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). Discovering de novo peptide substrates for enzymes using machine learning. Nature Communications, 9(1), Article 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). Analysis of compositional bias in a commercial phage display peptide library by next-generation sequencing. Viruses, 14(11), Article 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). Identification of T cell epitopes occurring in a meningococcal class 1 outer membrane protein using overlapping peptides assembled with simultaneous multiple peptide synthesis. 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). A white plaque, associated with genomic deletion, derived from M13KE-based peptide library is enriched in a target-unrelated manner during phage display biopanning due to propagation advantage. International Journal of Molecular Sciences, 23(6), Article 3308. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). A polystyrene binding target-unrelated peptide isolated in the screening of phage display library. Analytical Biochemistry, 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). Single-bead quantification of peptide loading distribution for one-bead one-compound library synthesis using confocal Raman spectroscopy. Analytical Chemistry, 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). Assessing the generalization capabilities of TCR binding predictors via peptide distance analysis. PLOS ONE, 20(5), Article e0324011. https://doi.org/10.1371/journal.pone.0324011
10. London, N., Raveh, B., Cohen, E., Fathi, G., & Schueler-Furman, O. (2011). Rosetta FlexPepDock web server–high resolution modeling of peptide-protein interactions. Nucleic Acids Research, 39(Web Server), 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). High-resolution global peptide-protein docking using fragments-based PIPER-FlexPepDock. PLOS Computational Biology, 13(12), Article e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (n.d.). FlexPepDock. Haettu 20. syyskuuta 2026 osoitteesta Official documentation
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock to predict peptide-MHC binding: An approach for non-canonical amino acids. PLOS ONE, 17(12), Article e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.d.). Frequently asked questions. Haettu 20. syyskuuta 2026 osoitteesta Official documentation
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). The role of C-terminal amidation in the membrane interactions of the anionic antimicrobial peptide, maximin H5. Biochimica et Biophysica Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014