Peptidkönyvtárak és tervezés: hogyan működik a screening és a predikció?

A peptidkönyvtár különböző peptid szekvenciák gyűjteménye, amelyeket úgy készítenek elő vagy jelenítenek meg, hogy szisztematikusan összehasonlíthatóak legyenek. Ahelyett, hogy egyetlen szekvenciát elemeznének szélesebb referenciaszint nélkül, a kutatók a könyvtár segítségével megvizsgálhatják, hogy mely peptidek kötődnek egy adott molekuláris célponthoz, melyek enzimszubsztrátok, váltanak ki mérhető választ egy adott tesztben, tartalmaznak más molekulák általfelismert specifikus motívumot, vagy mutatnak más meghatározott tulajdonságot.

Nem minden peptidtár egyforma. Létezhetnek szintetizált molekulák fizikai gyűjteményeként, biológiai hordozókon bemutatott peptidekként, gyöngyökhöz vagy felületekhez kötött peptidekként, valamint számítógépes elemzésnek alávetett szekvenciák és molekuláris struktúrák teljesen virtuális gyűjteményeként is.

Ezek a formátumok mindegyike kissé eltérő tudományos kérdésekre válaszol.

Az a peptid, amelynek esetében a számítógép előre jelezte egy adott fehérjéhez való kötődés lehetőségét, nem ugyanaz, mint a kísérletes szűrés során ténylegesen kiválasztott peptid. Hasonlóképpen, a szűrés során feldúsult peptid sem válik automatikusan igazolt biológiai jelöltté.

A fágmegjelenítéses vizsgálatok, a gyöngyökön lévő szintetikus könyvtárak, az átfedő peptdkészletek és a számítógépes módszerekkel támogatott kísérletek a peptidkutatás egyik alapvető elvét mutatják be:

Egy érdekes jel megtalálása nem befejezi, hanem elindítja a kutatási folyamatot.

A végső következtetések ereje többek között a következőktől függ:

• a tervezés módja és a könyvtár minősége;
• tényleges, és nem csupán elméleti sokszínűségnek;
• tesztkonstrukció;
• megfelelő ellenőrzéseknek;
• molekuláris azonosítás;
• ismétlődések;
• alternatív magyarázatok kizárása;
• független kísérleti validálásnak. [1] [2] [3]

Ezért a peptidtárak elemzésekor érdemes különbséget tenni néhány egymást követő szakasz között:

könyvtár-építés → screening → találatok azonosítása → megerősítés → jellemzés → predikció vagy optimalizálás → független validáció.

Mindegyik szakasz más szintű bizonyítékot szolgáltat.

Mi az a peptidtár?

A különböző molekulari variánsok rendezett halmaza

A peptidkönyvtár kapcsolódó vagy változatos peptidszekvenciákat tartalmaz, amelyek egy adott kutatási kérdés köré szerveződnek.

Egyes könyvtárak az ismert peptiden belüli kis változások vizsgálatára szolgálnak. Mások a lehetséges szekvenciák sokkal nagyobb térségét fedik le.

A könyvtár egyes elemei az alábbiakban különbözhetnek:

• peptid hosszúságok;
• aminosavak fajtái;
• az egyes maradékok pozícióinak;
• aminosavsorrend;
• végpontok csoportja;
• ciklizálás;
• sztereokémiája;
• kémiai módosítások;
• más szándékosan megváltoztatott szerkezeti jellemzők.

A könyvtárnak meg kell őriznie az érdekes elem azonosításának lehetőségét is.

Peptidcsalád esetén a peptid azonossága összefügghet a fizikai elhelyezkedésével.

A fágdisplay-könyvtárban a prezentált peptidszekvencia hozzá van kapcsolva a bakteriofágban található genetikai információhoz.

Egy szintetikus, gyöngyökön elhelyezett könyvtárban a kiválasztott gyöngyön lévő peptid igényelhet kémiai azonosítást vagy egy további kódolási rendszer használatát.

A jel és a részecske azonossága közötti kapcsolat alapvető jelentőségű.

Egy ismeretlen keverékből származó erős kísérleti jel még nem árulja el, hogy melyik molekula idézte elő.

Egy peptidtár könyvtár értéke tehát nemcsak az benne foglalt jelöltek számától függ, hanem a kapcsolódás lehetőségétől is:

jelölt → identitás → mért válasz.

Véletlenszerű, irányított és szisztematikus könyvtárak

A könyvtárak különböző konstrukciói különböző tudományos kérdések megválaszolására szolgálnak.

A véletlenszerű vagy kombinatorikus könyvtár építőelemek kombinációit tartalmazza a kiválasztott pozíciókban.

A „véletlenszerű” kifejezés a tervezett konstrukciós vagy mintavételi eljárásra utal. Ez nem jelenti azt, hogy minden elméletileg lehetséges szekvencia ténylegesen azonos gyakorisággal fordul elő.

A célorientált könyvtár korlátozza a változékonyságot a következő körül:

• ismert motívum;
• őssejt-peptid;
• egy meghatározott szerkezeti váz;
• kötő szekvencia;
• aktív régió;
• egy adott molekuláris célpontra vonatkozó hipotézis.

A szisztematikus helyettesítések könyvtára rendezett módon változtatja meg a kiválasztott maradékokat.

Például egy aminosav egy adott pozícióban egymás után helyettesíthető több más aminosavval annak ellenőrzésére, hogy ez a pozíció befolyásolja-e a vizsgált tulajdonságot.

Az átfedő peptinsorozat a hosszabb anyasorozat egymást követő fragmentumait használja fel úgy, hogy a szomszédos fragmentumoknak vannak közös aminosavmaradékai.

Ez a megközelítés különösen hasznos egy adott teszt által felismert fehérjerégiók lokalizálásakor.

Minden stratégiának megvannak a maga előnyei és korlátai.

A széles kombinatorikus könyvtár váratlan szekvenciamotívumot tárhat fel.

A célzott könyvtár lehetővé teszi a már érdekes szekvencia pontosabb vizsgálatát.

A szisztematikus helyettesítések jelezhetik, hogy mely pozíciók tűnnek különösen fontosnak.

Az átfedő töredékek könyvtára segít meghatározni egy nagyobb fehérje aktív vagy felismert régióját.

Ezért:

A nagyobb szekvencia-tér nem jelenti automatikusan a jobb kísérleti információt.

A megfelelő könyvtártípus elsősorban a kutatási kérdéstől függ.

Az elméleti sokszínűség nem jelenti a tényleges képviseletet

A lehetséges peptidszekvenciák tere nagyon gyorsan növekszik.

Ha a könyvtár mind a 20 standard aminosavat megengedi mind a hat pozícióban, a lehetséges szekvenciák elméleti száma:

20⁶ = 64 000 000 lehetséges kombináció.

Ez egy elméleti sokféleség.

Ez nem jelenti azt, hogy a fizikai könyvtárban valóban 64 millió különböző, helyesen reprezentált peptid található.

Az effektív diverzitást többek között csökkenthetik vagy torzíthatják:

• szintézis-hibák;
• egyenlőtlen kapcsolási teljesítmény;
• szekvenciafüggő szintetikus nehézségek;
• biológiai szelekció a könyvtár-összeállítás során;
• átalakítási korlátok;
• a szaporodás különbségei;
• ismétlődő szekvenciák;
• szekvenálási költségek;
• mintavételezési korlátok;
• az egyes elemek egyenetlen száma.

Az is számít, hogy a teljes könyvtár mekkora részét használták fel ténylegesen egy adott kísérletben.

Még ha a halmaz elméletileg hatalmas számú szekvenciát tartalmaz is, egyetlen szűrés csak ennek a diverzitásnak egy részét fedheti le.

Egy kereskedelmi fágkönyvtár mélyszekvenálása egyértelmű eltéréseket mutatott a egyenletes reprezentációtól, beleértve a peptidgekészletek számossági különbségeit és a szekvenciaösszetétellel kapcsolatos torzításokat. A kutatók azonosították azokat a tényezőket is, amelyek csökkentik a könyvtár effektív méretét. [4]

Ezek az eredmények a konkrét elemzett könyvtárra vonatkoznak, és nem ültethetők át automatikusan mennyiségileg minden fágmegjelenítési könyvtárra.

Azért mutatnak egy fontos szabályt:

Az elméleti sokféleséget nem szabad a mért kísérleti sokféleségként kezelni.

Mi az átfedő peptinsor?

Az átfedő peptidek könyvtára egy hosszabb szülői szekvenciát mutat be rövidebb fragmentumok sorozataként.

A szomszédos peptidek közös szekvenciárészt tartalmaznak.

Tekintsünk el 15 reziduum hosszúságú hipotetikus fragmentumot:

• 1–15. részek;
• maradék 6–20;
• 11–25. részek.

Minden egyes következő peptid öt pozícióval előrébb kezdődik, mint az előző.

Ez azt jelenti, hogy a szomszédos szakaszoknak tíz közös maradéka van.

Az ilyen elrendezés segít lokalizálni a felismeréssel vagy más mért válasszal kapcsolatos régiókat.

Ha két szomszédos peptid jelet ad, a közös szekvenciájuk segíthet beszűkíteni a további vizsgálatot igénylő területet.

Ez azonban nem bizonyítja, hogy:

• minden egyes maradék a közös régióban szükséges;
• maga a közös szekvencia elegendő a hatás eléréséhez;
• azonosították a minimális aktív szekvenciát;
• A fragment pontosan ugyan úgy viselkedik, mint a teljes fehérjének a neki megfelelő régiója.

Ezen kérdések eldöntéséhez további kísérletekre lehet szükség.

A meningokokkuszok külső membránfehérjéjével kapcsolatos vizsgálatban 45 átfedő szintetikus peptidet alkalmaztak a T-limfociták általi felismerés elemzésére humán donorokból származó sejtekben. [5]

A vizsgálat kimutatta mind az empirikus peptidtérképezés hasznosságát, mind az akkor elérhető prediktív algoritmusok korlátait.

A megfigyelt válaszok az alkalmazott peptdkészletre, a tesztkörülményekre, valamint a vizsgált donoroktól származó mintákra specifikusak maradtak.

A fizikai és a virtuális könyvtárak más kérdésekre válaszolnak

A „peptidkönyvtár” kifejezés nagyon eltérő kísérleti rendszerekre utalhat.

Ez a megkülönböztetés nagyon fontos:

A digitális jelölt nem feltétlenül egy szintetizált molekula, és a szintetizált molekula nem feltétlenül egy kísérletileg validált jelölt.

Fágmegjelenítés és szintetikus könyvtárak

Hogyan kapcsolja össze a fágmegjelenítés (phage display) a peptidet a saját szekvenciájával?

A fágdisplay technológiában a peptidet a bakteriofág felületén található fehérje részeként mutatják be.

A fág egyben tartalmazza a bemutatott szekvenciát kódoló genetikai információt is.

Ezáltal hasznos kapcsolat jön létre a következő között:

fenotípussal – a bemutatott peptiddel

a

genotípus – az ahhoz tartozó genetikai szekvencia.

A kutatók a fágkönyvtárat egy adott célpontnak vagy tesztrendszernek tehetik ki, visszanyerhetik a kiválasztott részecskéket, felszaporíthatják vagy elemezhetik azokat, és meghatározhatják, mely szekvenciák dúsultak fel.

A genetikai információval való összefüggés jelentősen megkönnyíti a jelöltek azonosítását az azonosítatlan molekuláris keverék elemzéséhez képest.

A fázon megjelenített random peptideket alkalmazó korai vizsgálatok kimutatták a nagy affinitású antitest-ligandok dúsításának lehetőségét, valamint összehasonlították a fázon megjelenített peptidek viselkedését a kémiailag szintetizált peptidekkel elért kötési eredményekkel. [1]

Ez az összehasonlítás különösen fontos volt, mivel a fágon található peptid és a neki megfelelő izolált szintetikus peptid nem jelent azonos kísérleti megjelenítést.

A gazdagodás a szelekció eredménye, és nem a mechanizmus teljes magyarázata

Az olyan szekvenciát, amelynek aránya növekedett a szelekció egymást követő lépései során, gyakran dúsítottként határozzák meg.

A dúsítás fontos információ.

Ez azonban nem magyarázza meg automatikusan, hogy egy adott szekvencia miért vált gyakoribbá.

A lehetséges okok a következők:

• szándékolt célú kötés;
• kötés a tesztben használt felülettel;
• kölcsönhatás a kísérlet egy másik elemével;
• jobb túlélés a szelekciós feltételek mellett;
• nagyobb fertőzőképességet;
• hatékonyabb szaporítás;
• előnyt a terjedés során;
• egy másik, a szekvenciától vagy egy adott klóntól függő tulajdonságot.

Ezek tudományosan eltérő magyarázatok.

Az egyik tanulmányban azonosítottak egy fágklónt, amelynek feldúsulása genomi delécióból eredő replikációs előnnyel járt együtt. [6]

Egy másik tanulmány egy olyan bemutatott peptidet vizsgált, amely a tervezett célpont helyett polisztirolhoz kötődött. [7]

Ezek a vizsgálatok két különböző mechanizmat mutatnak be, amelyeken keresztül a vizsgálat tényleges céljától független dúsulás megvalósulhat.

Ez nem jelenti azt, hogy minden dúsított fág szekvencia artifakt.

Azonban azt is mutatja, hogy miért:

Az dúsítás azonosítja a tisztázásra szoruló jelöltet; önmagában nem bizonyítja a specifikus molekuláris célpont-felismerést.

A bemutatás módja befolyásolhatja a megfigyelt kötődést

A phage display rendszerben bemutatott peptid fizikailag hozzá van kötve a hordozóhoz.

Viselkedése ezért eltérhet ugyanannak a molekulának az oldatban szabadon található viselkedésétől.

Fontos fogalom itt az aviditás.

Az affinitás általában egy adott modellen belüli egyes kölcsönhatás erősségére utal.

Az aviditás ugyanakkor származhat számos, egyszerre végbemenő kölcsönhatásból is.

Ha a bemutatott peptid több másolata egyidejűleg kölcsönhatásba lép több kötőhellyel, a kombinált kölcsönhatás erősebbnek tűnhet, mint a szabad peptid egyedi kölcsönhatása.

A hordozóhoz való csatlakoztatás szintén:

• korlátozni a peptid konformációját;
• megváltoztatni a elérhetőségét;
• növelni a helyi koncentrációt;
• befolyásolja az orientációt;
• szterikus hatásokat okozni;
• több peptidempiát elhelyezni egymás közelében.

Ezért a prezentációs rendszerben hatékonyan kiválasztott peptid független szintézis után másképp viselkedhet.

Pontosan ezért jelent fontos megerősítő lépést az izolált molekula vizsgálata.

A fágon bemutatott ligandumok összehasonlítása a kémiailag szintetizált párjaikkal a fágmegjelenítéses (phage display) korai kutatásaiban jól mutatja a szelekciós eredmény és a molekula független viselkedése közötti kapcsolat jelentőségét. [1]

A szintetikus könyvtárak más kémiai teret ölelhetnek fel

A szintetikus peptidkönyvtárakat kémiai módszerekkel hozzák létre, és nem kizárólag biológiai expresszió útján.

Az alkalmazott szintézis módszertől függően potenciálisan magukban foglalhatják a következőket:

• nem standard aminosavak;
• válogatott D-aminosavak;
• végmódosítások;
• ciklizációt;
• kémiai jelek;
• módosított oldalláncok;
• más szintetikus építőelemek.

Ez lehetővé teszi a kutatáshoz elérhető vegyészeti tér kibővítését.

Azonban önmagában egy szekvencia megtervezése egy táblázatban vagy számítógépes programban nem bizonyítja, hogy az annak megfelelő molekula könnyen és helyesen előállítható.

A gyakorlati problémák a következők lehetnek:

• részleges kapcsolódás;
• deletációs szekvenciák;
• összesítést;
• tisztítási nehézségek;
• rossz oldhatóság;
• mellékhatások;
• a módosítások bizonytalansága;
• szekvenciától függő szintetikus problémák.

Ezért:

a tervezett kémiai változatosság ≠ a kísérleti bizonyítvánnyal igazolt kémiai változatosság.

A géntechnológiával kódolt megjelenítési rendszerek és a kémiai szintézis tehát részben egymást átfedő, de nem azonos molekuláris térségeket eredményeznek.

A módosított prezentációs technológiák tovább bővíthetik a biológiai rendszerekben rendelkezésre álló kémiai spektrumot, ezért nem szabad leegyszerűsíteni ezt a megkülönböztetést azzal, hogy a biológiai bibliókák kizárólag nem módosított standard peptideket tartalmazhatnak.

Egyetlen gyógyszert tartalmazó készítmények – egy összetevőből álló készítmények

Az one-bead–one-compound (OBOC) bibliotékában minden egyes golyónek elvileg számos másolatot kell tartalmaznia egy adott vegyületből.

Egy gyakran alkalmazott stratégia a split-and-pool típusú szintézis.

A golyókat csoportokra osztjuk, minden csoportot egy másik építőelemmel reagáljuk, majd az összes golyó újra összekapcsolódik és újból osztódik, mielőtt az újabb szintű szintézis elkezdődik.

Ezen folyamat ismétlése nagy kombinatorikus adatbázis kialakulásához vezethet, ugyanakkor megőrzi a tervezett kapcsolatot az egyes golyó és a konkrét sorozat között.

Az első vizsgálatok az egy-gyanta-egy-péptid rendszerrel kapcsolatban bemutatták a nagy szintetikus peptid-bibliók létrehozásának és szűrésének módszerét a ligandok kötődésének vizsgálata érdekében. [2]

Az „one bead–one compound” kifejezés azonban a könyvtár szervezési elvét írja le.

Ez nem bizonyítja, hogy:

• minden egyes golyóban kémiailag tökéletes peptid található;
• minden golyó azonos peptidterheléssel rendelkezik;
• minden kötődéses reakció ugyanolyan hatékonysággal történt;
• A peptid minden egyes kulcsban egyformán megtalálható.

Egy későbbi egyedi kulcsok vizsgálatában Raman spektroszkópiát használtak a peptid mennyiségének meghatározására.

A kutatók jelentős változást észleltek a könyvtár egyes darabjai között, különösen a hosszabb szekvenciák esetén, annak ellenére, hogy az eredeti anyag terhelése kiegyensúlyozottabban oszlik el. [8]

Ez fontos, mivel a szűrés során a jelek intenzitása attól is függhet, hogy:

interakciós erőket,

és a következőktől:

a kerekben található rendelkezésre álló peptid mennyisége.

Anyatek, egyedi szintetizált készletek és pulzált vizsgálatok

A peptidkönyvtárakat szintén anyatektonikus vagy egyedi szinten szintetizált készletek formájában lehet szervezni.

A peptidok anyatejében található peptidek a jól ismert fizikai pozíciókban helyezkednek el.

Ez közvetlen kapcsolatot biztosít:

helyzet → identitás a szekvenciának → tesztjelem.

Ugyanakkor fontos megjegyezni, hogy a felületen való rögzítés befolyásolhatja a peptid konformációját és rendelkezésre állását.

Egy másik megoldás a pulzáló szűrés.

Néhány peptid egyesül egyetlen minta formájában, és együtt vizsgálják meg őket.

Ha a sorozat pozitív választ ad, azt követően kisebb csoportokat vagy egyes elemeket lehet kipróbálni a dekonvolúció során.

A pooling csökkentheti az első szakaszban szükséges mérések számát.

Pula azonban nem mindig viselkedik pontosan úgy, ahogyan annak egyes összetevői is.

Hatással lehetnek:

• fokszínűség;
• verseny;
• oldékonyság;
• aggregáció;
• interferencia;
• ellentétes hatások;
• A teszt telítettsége.

Ezért a pozitív eredmény azt jelenti, hogy egy további vizsgálatra van szükség.

Nem bizonyítja, hogy minden benne található peptid rendelkezik a vizsgált tulajdonsággal.

A kiválasztási eljárás és a jelöltek kiválasztása

Először határozd meg, mit pontosan méri a teszt

A szűrés eredményének jelentősége teljes mértékben a mérhető végponttól függ.

A kötődés-vizsgálat válaszol arra a kérdésre, hogy a peptid reagál-e egy adott célra az adott körülmények között.

Az enzim-alapú szűrővizsgálat azt vizsgálja, hogy az enzim egy adott peptide átalakít-e.

Az inhibitori vizsgálat azt vizsgálja, hogy a peptid csökkenti-e a meghatározott aktivitást.

A citológiai teszt a sejtekben meghatározott választ méri.

Ezek az eredmények nem egyenértékűek.

A peptid képes arra, hogy egy célhoz kötődjön anélkül, hogy aktiválja vagy gátolja azt.

Lehet, hogy enzim-szubsztrátum, de nem mutat megfelelő működést a sejtrendszerben.

A celluláris válasz azonban a nem szándékos útvonalból eredhet.

Ezért a „aktív peptid” kifejezés gyakran túlzottan tág fogalom, ha nem jelzik, hogy milyen típusú aktivitást valójában mértek.

Egy iteratív vizsgálatban, amely gépi tanulást alkalmazott, a peptid alapú szubsztrátokat egy adott enzimcsalád számára optimalizálták a kiválasztott jelöltek többszöri kísérleti tesztelésével. [3]

A kérelem a konkrét rendszerben mért biokémiai funkciókról szólt.

Nem bizonyítják, hogy ugyanezek a szekvenciák más, nem kapcsolódó biológiai alkalmazásokban is működnének.

A kontrollok segítenek elválasztani a cél felismerését a teszteredménytől.

A megfelelően kiválasztott ellenőrzések segítenek megkülönböztetni a tervezett molekuláris jelenséget a többi lehetséges magyarázat közül.

A teszttől függően ezek lehetnek:

• felületek célzott összetevő nélkül;
• ellenőrzések, amelyek magát a tárolóeszközt is magukban foglalják;
• nem kapcsolódó molekuláris célok;
• pozitív ellenőrzések;
• negatív ellenőrzések;
• alapértékek mérése;
• versenyképes kísérletek;
• Egyéb, egy adott rendszerre vonatkozó ellenőrzések.

A célmolekulát nem tartalmazó felület lehet, hogy nem megfelelő kötést eredményez a próbadarabbal.

A médialejátszót ellenőrzése segít felismerni azokat a válaszokat, amelyeket a prezentációs rendszer maga okoz.

Egy nem kapcsolódó cél információkat nyújthat a selekcióról.

A pozitív kontroll azt mutatja, hogy a teszt képes-e felismerni a jól ismert választ.

A negatív kontroll segít meghatározni a háttérszintet.

A kontrollokat azonban úgy kell kiválasztani, hogy azok tükrözzék a konkrét hibamegerősítő források valóságos mennyiségét az adott kísérletben.

Nem létezik egyetlen univerzális kontrollpeptid, amely biológiailag egyenértékű lenne minden lehetséges rendszerben.

A polisztirol kötő fagokról szóló vizsgálat azt mutatja, hogy miért fontos a felületi ellenőrzés. A kutatók külön-külön elemezték a kötést és a szaporodást, és a felülethez való kapcsolódást tulajdonították a gazdagodásnak a vizsgálati felületre gyakorolt hatásának, ahelyett, hogy feltételezték volna, hogy a fagok visszanyerése bizonyítja a szándékos cél felismerését. [7]

A kötöttség, a selekció és a funkció különböző tulajdonságok

Három olyan fogalom, amelyeket gyakran összetévesztenek:

kötelező jelleg, selektivitás és funkció.

A kölcsönhatásosság az egyes feltételek mellett és a megfelelő hatásmodell keretében fennálló interakciók erőit illeti meg.

A selekció azt írja le, hogy a jelölt mennyire preferenciával reagál egy adott célra az egyéb megfelelő alternatívákhoz képest.

A funkció az ilyen hatás biológiai vagy biokémiai következményeit érinti.

A peptid tehát képes mutatni:

• magas affinitás, de gyenge selekció;
• magas selekcióképesség, de gyenge kötődés;
• erős kötődés várható funkcionális hatás nélkül;
• funkcionális aktivitást egy váratlan mechanizmus révén.

Ezek a különbségek határozzák meg, hogy melyik kísérleteket kell végrehajtani a következő lépésben.

Például:

az kimutatták kötődését ≠ kimutatták gátlását.

A szűrések során megtalált peptideket nem szabad automatikusan inhibitornak nevezni, ha a gátló hatását nem közvetlenül mérve.

A jelölteket több adat alapján érdemes értékelni

A jelöltek kiválasztása megbízhatóbb, ha nem csak egyetlen rangsorolási paraméterre támaszkodik.

A következők közül lehet figyelembe venni:

• a jel nagysága;
• ismételhetőség;
• a háttér megőrzése;
• a szekvencia azonosítása;
• a kezdő értékhez képest történő javítás;
• selektivitás;
• a sequencerek családját;
• a független szintézis lehetőség;
• oldékonyság;
• a teszt ismétlthetősége;
• a további validálási lehetőség.

Az is hasznos lehet, ha a kiválasztott találatok között változatosak a sorrendek.

A több különböző szekvencia-család képviselőinek vizsgálata csökkenti a potenciálisan félrevezető egyetlen motívum vagy klón függvényében jelentkező zavarosságot.

A fag bibliók esetében különösen hasznos az összehasonlítás a kiválasztás előtt és után.

A biblioteka alapjában véve már nagyon gyakran előforduló szekvencia számos esetben reprezentálható a screenelés során, kivételesen erős célfüggő bővítés nélkül.

Egy naiv fagylibrarieszintű mélyszekvenálási vizsgálat azt mutatta, hogy a kezdeti reprezentáció nem egyenlő.[4]

A szaporodási előnyre vonatkozó vizsgálat azt is mutatja, hogy a magánhitelességet önmagában nem szabad automatikusan a kötődés mértékének tekinteni. [6]

Összességében ezek a eredmények azt igazolják, hogy:

hogyan lett gazdagabb az adott szekvencia,

és nem csak:

amelyik sorozat az első helyet foglalta el a kiválasztási folyamat lezárultával.

A screeningből származó eredmény nem egy még hivatalosan elismert jelölt

A hit, azaz a találat, olyan jelölt, amely megfelel az első szűrés kritériumainak.

Ez egy értékes eredmény.

Nem zárja azonban le a hitelesítési folyamatot.

A jóváhagyásnak többek között válaszolnia kell a kérdésekre arról, hogy a jelölt magatartása:

• is repeatable;
• a megfelelő ellenőrzések alkalmazása esetén fennmarad;
• egyéni vizsgálat során jelentkezik;
• újra-szintézissel továbbra is látható;
• a célzott molekulához lehet igazítani;
• a megfelelő másodlagos tesztben továbbra is lényeges.

A további jellemzők később tartalmazhatják az egyes kutatási célokhoz kapcsolódó tulajdonságokat.

A szintézis újbóli elvégzése különösen hasznos, ha az eredeti szűrés egy adathordozót, golyót, megjelenítési rendszert vagy keveréket használt.

A független szintézis lehetővé teszi, hogy a jelöltet elválasztjuk az eredeti megjelenítési módjától.

A mintának az identitásának és egyéb lényeges paramétereinek igazolása tovább erősíti a megfigyelt eredmény és a kívánt molekula közötti kapcsolatot. Ezen a ponton különösen fontos a megfelelő értelmezés peptid tisztaság és laboratóriumi vizsgálatok, Mivel az HPLC eredménye, a tömeg-ellenőrzés és a peptid tényleges tartalma megfelelnek a különböző analitikai kérdéseknek.

A helyes sorrend tehát a következőképpen néz ki:

screeningu során bekövetkezett találat → megerősített találat → jellemzett jelentkező,

és nem:

A screeningu eredménye → bizonyítottan funkcionális peptid.

A kedvező rangsorolás, a vizuálisan vonzó összekapcsolódási modell vagy az ugyanabban a hibahatárban lévő teszten ismételt hasonló eredmények elérése nem helyettesítik automatikusan a független validálást.

Szekvencia tervezés és előrejelző eszközök

A tervezés a molekuláris cél meghatározásával kezdődik

A peptid tervezése a következőkből kezdődhet:

• ismert motívum;
• őssejt-peptid;
• a fehérjék hatófelülete;
• experimentálisan nyert találat;
• struktúrális modell;
• evolúciós folyamat;
• az ellenőrzött peptidekkel kapcsolatos adatok gyűjteménye.

Ezután lehet elemezni olyan változásokat, mint például:

• aminosavak kötődését;
• a folyamatok rövidítése;
• a szekvenciák meghosszabbítása;
• ciklizálás;
• végmódosítások;
• aminosavak sorrendjének megváltozása;
• más szerkezeti módosítások.

A célnek egyértelműen meg kell határozni.

Például:

a kötődés előrejelzése

nem ugyanaz a feladat, mint:

a enzim által végzett felismerés előrejelzése,

és ez viszont nem ugyanaz, mint:

a oldhatósággal kapcsolatos előrejelzés.

Egy adott tulajdonságot javító módosítás nem befolyásolhatja a másik tulajdonságot, vagy akár károsan is hatással lehet rá.

A peptidok gyakorlati tervezése tehát több egymással versengő cél egyensúlyozását igényelheti.

Az enzimhatású szubsztrátok kísérleti támogatással végzett vizsgálata egy célzott megközelítést mutatott be, amelyben az algoritmus jelölte meg a potenciális választékokat, a biokémiai kísérletek pedig ezeket értékeltek, majd az elért eredmények befolyásolták a következő választásokat a szekvencia kiválasztása érdekében. [3]

A számítások egy konkrét kísérleti célra szolgáltak, és nem helyettesítették a méréseket.

A szekvencián alapuló előrejelzés a képzési adatoktól függ.

A sequens alapuló számítógépes modell megtanulja a peptidek jellemzői és a tréninggyűjteményben található címkék vagy mérések közötti kapcsolatokat.

A modelltől függően az eredmény lehet:

• klasszifikálás;
• az eshetőségre emlékeztető eredmény;
• rangsorolási pontszám;
• a várható mennyiségi tulajdonság;
• Egy másik típusú számítási művelet.

A megértés attól függ, hogy mit jelentett valójában az edzés során használt címkék.

A „aktív” kifejezés például azt jelentheti:

• a meghatározott küszöb feletti kötés;
• enzim által végzett átalakítás;
• mikrobászerő-hatás;
• válasz mobiltelefonnal;
• Egy másik, egy adott tesztre jellemző kritérium.

Ez nem egyenértékű tulajdonság.

Aadatgyűjtemények tartalmazhatnak olyan eredményeket is, amelyeket különböző kísérleti körülmények között értek el.

Az még nem jelenti azt, hogy egy még nem vizsgált peptidet automatikusan negatív eredménynek kell tekinteni, csak azért, mert nincs pozitív eredménye.

Éppolyan fontos a modell értékelése is.

Ha az edző és a tesztelés során kapott szekvenciák szinte azonosak, a prediktív probléma sokkal könnyebben megoldható, mint az új peptidok tulajdonságainak előrejelzése.

Ezért:

A modell magas átfogó pontossága önmagában nem bizonyítja a új szekvenciákra való általánosítás képességét.

A generalizálás tudatos értékelést igényel

A generalizáció az eljárás képességét írja le arra, hogy a gyakorlat során használt példákon kívül is hasznos maradjon.

Ez különösen fontos, amikor a javasolt peptid jelentősen eltér a képzési adatoktól a következő szempontok szerint:

• folyamat;
• hosszak;
• struktúrális osztályok;
• kémiai módosítások;
• molekuláris cél;
• kísérleti kontextusban.

A T-limfocit receptor kötődés előrejelzésére vonatkozó vizsgálatban elemezték a képalkotó modellek értékelésére gyakorolt hatást a képzési és tesztpecamidinok közötti különbségek. [9]

A csoportok megoszlása a szekvenciák és struktúrák hasonlóságára alapozva nem adott azonos eredményeket.

Ez azt mutatja, hogy az edzési és tesztelés során gyűjtött adatok egyedi eloszlása vagy egyetlen egy érték, amely a modell hatékonyságát írja le, talán nem tükrözi teljes mértékben annak működését az új peptidekkel szemben.

Ez nem jelenti azt, hogy a peptid-előrejelző modellek eredendően hiteltelenné válnak.

Ám ez azt jelenti, hogy az értékelésüknek azokat a gyakorlati alkalmazásokat kellene tükröznie, amelyekre majd majd alkalmazni fognak őket.

Mi várható a peptidek kötődésével?

A peptidok kötődésének modellje egy számítógépes módszer, amelynek célja az, hogy megmutassa, hogyan hat a peptid a receptorra vagy más molekuláris célpontra.

A számításokat különböző módszerekkel lehet elemezni:

• péptid konformációi;
• irányok;
• pozíciók;
• kapcsolat a fogadóval;
• hatásgeometria.

Ezután a javasolt rendszereket pontos vagy energiaértékű megfelelő függvények segítségével értékelik.

A rögzítési eredmény tehát információt nyújthat:

• a potenciális kötőpont pozíciója;
• az interakcióban részt vevő többi személy javasolt összetétele;
• struktúrális hipotézisek;
• a jelöltek rangsorolása;
• Az alapvető struktúrák a további számítógépi elemzésekhez.

Ugyanakkor fontos megjegyezni:

a dokázhatóságon kívül egy hipotézisről van szó, és nem egy empirikusan megfigyelt komplexumról.

Hasonlóan:

A kötődés pontszáma nem az automatikusan kísérleti módon mérhető disszociációs állandó, se a sejtaktívitás, se a biológiai siker valószínűsége.

A megértés attól függ:

• pontos funkció;
• a konformitás megfigyelési módjának;
• receptor struktúrák;
• a receptor rugalmassága;
• a peptide rugalmasságát;
• a kezdeti feltételezések;
• protonáció és molekuláris reprezentáció;
• Egy adott feladathoz szabott kalibrálás.

A peptidek kötődésének előállítása különösen igényes lehet, mivel a peptidek gyakran nagyon rugalmasak.

A kötés során jelentősen változhat mind azok alakja, mind a célhoz képest elhelyezkedésük.

Rosetta FlexPepDock: tökéletesítés és globális dokkolás különböző eljárásokhoz

A FlexPepDock szerverrel kapcsolatos eredeti publikáció a receptor-kapcsolódási régióban elhelyezett peptiddel kezdődő, magas felbontású modellelemzésről szól. [10]

Ezért nem szabad ezt a módszert egyszerűen egy olyan univerzális módszerként leírni, amely lehetővé teszi bármely ismeretlen kötési hely megjelölését strukturális információ nélkül.

A PIPER-FlexPepDock kibővíti ezt a koncepciót a globális dokkolás irányába az peptidcsoportok elhelyezésének és a későbbiekben a modell rugalmas fejlesztésének összekapcsolásával. [11]

A publikációban e módszert egy korlátozott, de reprezentatív mintában értékelték az experimentálisan meghatározott peptid–fehérje komplexek esetében.

A benchmarken elért eredmények a vizsgált körülmények között mutatják a hatékonyságot.

Nem garantálja a megfelelő előrejelzést minden új receptor–péptid páros esetében.

A Rosetta hivatalos dokumentációja megkülönbözteti:

• tisztaság;
• ab initio modelleme a közelében található pontos kötési helyhez;
• A PIPER-FlexPepDock globális workflow-ja [12].

Ezért a számítógépes jelentés sokkal tájékozottabbá válik, ha meghatározza:

Melyik FlexPepDock protokollat alkalmaztak + milyen kezdeti adatokra támaszkodtak + hogyan értékelték az elkészült struktúrákat.

Maga a kijelentés:

„hozták létre a Rosetta-rakétát”

sok fontos módszertani információt hagy meg nem határozottan.

A módosított peptidek megfelelő reprezentációt igényelnek

A számítógépes modellnek helyesen kell ábrázolni a vizsgált molekulaszerkezetet.

Az kizárólag standard egyliteres aminosavkódokkal rögzített sorozat elhanyagolhatja az alapvető kémiai információkat.

Ezek lehetnek többek között:

• C-végű amidáció;
• N-vég acetiláció;
• Egyedi aminosavak;
• D-aminosavak;
• ciklizálás;
• kovalent szélcsatornás kötődések;
• foszforiláció;
• Egyéb módosítások.

A FlexPepDock alkalmazásával végzett vizsgálatban a nem szabványos maradékokat és a peptiddel végzett módosításokat tartalmazó peptid–MHC modelleket elemezték. [13]

A szerzők hasznos benchmarkes eredményeket szereztek meg, valamint megfigyeltek a becsült eredmények és a vizsgált mintában kísérletileg mért relatív kötődések közötti kapcsolatot.

Ez támogatja a konkrét modellezési alkalmazást, amelyet már teszteltek.

Ez azonban nem jelenti azt, hogy minden lehetséges módosítás automatikusan helyesen reprezentálódik, vagy hogy a kötődés kísérleti mérést helyettesít.

CHARMM-GUI, peptide modellek és C-végű amidázás

A CHARMM-GUI eszközöket biztosít a molekulaszerkezetek elkészítéséhez a szimulációhoz.

A hivatalos dokumentáció hangsúlyozza, hogy a módosított részekhez megfelelő strukturális definíciók és erőmezőparaméterek szükségesek. [14]

A sikeresen generált bemeneti adatok a szimulációhoz azt jelentik, hogy elkészült a rendszer számítógépes reprezentációja.

Nem bizonyítja kísérleti módszerekkel:

• a peptidek identitása;
• kötések;
• biológiai funkció;
• stabilitás;
• tevékenység.

Az amidált peptid esetében a C-végén található végleges kémiai csoport amid, és nem szabad karboxilcsoport.

Ez a különbség hatással lehet:

• formális rakomány;
• hidrogén kötődések;
• elektromos hatások;
• konformizálódás;
• interakciók a körülötte lévő molekuláris környezettel.

A szimulációban használt erőmező struktúrája, topológiája és paraméterei tehát ugyanazt a végleges formát kell, hogy reprezentálják, amelyet kísérleti módon vizsgálnak.

A H5 maximinnal kapcsolatos vizsgálatban kombinálták az kísérleti és szimulációs módszereket annak érdekében, hogy megvizsgálják a C-vég formájának változásának következményeit. [15]

Eredményeink azt mutatják, hogy a struktúrában és a membránokkal való kölcsönhatásban eltérések figyelhetők meg ebben a konkrét peptidben.

Ez nem jelenti azt, hogy az amidázálás javítja az egyes peptidek tulajdonságait.

Ezzel viszont azt mutatja be, hogy miért nem szabad elhanyagolni a végződik csoportok kémiai tulajdonságait a molekuláris leírásban.

Ezért a peptidek előállítására szolgáló programban a amidációs lehetőségek keresése azzal a kérdéssel kezdődik, hogy:

Melyik molekulaszerű formát kell modellezni?

Csak azután, hogy ezt a kérdést meghatároztuk, válik a szoftverbeállítások kiválasztása jelentőségtelivé.

Kísérleti validáció és ismételhetőség

Tanulmányozza függetlenül a megfelelő molekula

A kiválasztott jelölt végül mint molekuláris definícióban meghatározott anyag vizsgálatának alávetésre kerül.

Fontos tulajdonságok lehetnek például:

• pontos sorrendben;
• a végződések formáját;
• jelölt módosítások;
• molekuláris azonosítás;
• más olyan tulajdonságok, amelyek fontosak a kísérlet szempontjából.

Ha az eredeti szűrés a fag-displayt vagy a gömbökre rögzített peptideket alkalmazta, további kísérletek megvizsgálhatják, hogy az izolált peptid a korábbi prezentációs rendszeren kívül is megőrzi-e a meghatározott tulajdonságokat.

A phage display-es korai vizsgálatban a fagokon megjelenő peptideket a kémiailag szintetizált megfelelőikkel hasonlították össze. [1]

Ez azt mutatja, hogy a független vizsgálat hogyan képes összekapcsolni a könyvtár kiválasztási eredményét a peptidmolekula egyetlen részének megőrzésével.

Fontosak a minták minősége és jellemzői is.

A következőkről szóló különbségek:

• jelölt koncentráció;
• oldhatóságok;
• tisztaságok;
• aggregáció;
• végső formája;
• Kémiai módosítások

hatással lehetnek a kísérleti összehasonlításokra.

A két peptiddal azonos névvel jelölt minták nem kell hogy kémiailag egyenértékűek legyenek, ha azok megfelelő molekuláris formáit nem határozták meg. Ezért a kísérlet értelmezése előtt hasznos az azonosítás fogalmait megkülönböztetni, a tisztaság és a tényleges mennyiség fogalmát, amelyeket részletesebben tárgyalunk a cikkben. Peptide tisztaság és laboratóriumi vizsgálatok.

A kiegészítő teszt akkor jelentősebb értéket képvisel, ha egy konkrét kérdésre ad választ.

Az ortogonális teszt egy meghatározott tulajdonságot vizsgál egy másik mérési elv vagy egy másik kísérleti prezentációs módszer alkalmazásával.

Legnagyobb értéke abban rejlik, hogy meg lehet vizsgálni egy konkrét alternatív magyarázatot.

Egy másik teszt például segíthet meghatározni, hogy az eredeti eredmény az alábbiakból ered:

• ragasztás felületekre;
• a jelzőjelek interferenciája;
• a hordozóról függő viselkedés;
• a megállás hatásai;
• Egy másik olyan tárgyat, amely a első teszt jellegzetes eleme.

Csak azért, mert két különböző eszközmodellet használnak, még nem jelenti azt, hogy a mérések ortogonálisak.

Ha mindkét teszt ugyanazon megfigyelési módot vagy azonos detektálási elvet alkalmazza, akkor azonos hibamezőre lehet kitéve.

A legfontosabb kérdés az, hogy:

Melyik alternatív magyarázat működik a második kísérletben?

A ténylegesen komplementáris módszerek közötti összhang általában erősebb támogatást nyújt, mint a hibásan értelmezhető ugyanazon adatsorok ismételt elolvasása.

Replikáció és biológiai kontextus

A replikáció különböző formái lehetővé teszik a bizonytalanság különböző forrásainak értékelését.

A technikai ismétlések segítenek az ugyanazon kísérleti rendszer keretében a visszatérő jelenségek felmérésében.

A kísérlet független ismétlései figyelembe vehetik a felkészülések vagy vizsgálatsorok közötti további variabilitást.

A biológiai mintákat felhasználó kísérletekhez hasonlóan lehetőség van arra, hogy figyelembe vegyük a különbségeket a következők között:

• adományozók;
• sejtkezelés előkészítése;
• organizmusok;
• szövetek;
• más biológiai anyagforrásokból származó anyagok.

Egy olyan vizsgálatban, amelyben egymást követő peptideket használtak, a T-limfociták által az adományozóktól származó mintákban végzett felismerést elemezték, és bibliotéket használtak a felismerendő területek azonosítására. [5]

A megfigyelt válaszok a biológiai kontextus függvényében változtak.

Az egy adományozó vagy egy kísérleti rendszer esetében kapott eredményeket nem szabad automatikusan alkalmazni minden emberre vagy biológiai rendszerre.

A ismétlőség tehát azt jelenti, hogy egy konkrét állítást megfelelő leírású körülmények között ismételhetjük meg.

Nem csak egy újabb, hasonló megjelenésű diagram elkészítését jelentheti.

A dokumentáció lehetővé kell hogy tegye az elemzés újraalkotását.

A peptidbank megfelelő vizsgálata elengedhetetlen ahhoz, hogy egy másik kutató megérthesse, hogyan került elért a megállapítás.

Hasznos kísérleti adatok közé tartoznak:

• a peptid pontos szekvenciáját;
• a peptide hosszúsága;
• végső csoportok;
• kémiai módosítások;
• a könyvtár építészetét;
• a minták azonosítóit;
• a szűrés feltételei;
• mérést végző végpont;
• ellenőrzések;
• a visszatérő szavak struktúráját;
• a háttér meghatározásának módja;
• a találat minőségi küszöbe;
• a jelöltek kiválasztási kritériumai;
• Az alkalmazott analitikai módszerek.

A számítógépes vizsgálatokban fontosak lehetnek:

• a szoftver neve;
• változat;
• protokoll;
• bejutási struktúra;
• a molekula reprezentálási módja;
• paraméterek készlete;
• adatfeldolgozás;
• a képzési és tesztelés céljából gyűjtött adatok megosztási módja;
• pontozási módszer;
• a jelöltek rangsorolási eljárása;
• A kiválasztási kritériumok.

Csak a legmagasabb pontszámot értékelt modelleket, a legjobb összetett képet vagy a végső sorozatot megőrizni lehet, ami megakadályozhatja az eredmény elérésének módjának későbbi reprodukálását.

A könyvtár sajátja is része a visszatérő jelenségnek.

A fagociták és a granulocyta-fertőzések összetételének vizsgálata és a granulocyta-fertőzések terheltsége azt mutatja, hogy a változékonyság még a screening elindítása előtt is fennállhat. [4] [8]

Az egyetlen végleges találat dokumentálása tehát elhanyagolhatja az eredeti anyagra vonatkozó fontos információkat.

A pozitív előrejelzések és a negatív eredmények ugyanolyan fontosak

A számítógéppel előre meghatározott jelöltség, amely nem bizonyult kísérleti módon, továbbra is hasznos információkat szolgáltathat.

Lehet, hogy felfedi:

• A modell korlátai;
• hamis mechanista elv;
• a kémiai tulajdonságok nem megfelelő ábrázolása;
• probléma a tesztről szóló hipotézissel kapcsolatban;
• egy olyan sequencial térrészt, amelyben a modell rosszul általánosítható.

Egy ilyen eredményt nem szabad kizárni az értékelésből csak azért, mert nem erősítette meg az eredeti előrejelzést.

Az iteratív tervezés értékesebb lesz, amikor a kísérleti megfigyelések – beleértve a váratlan és negatív eredményeket is – hatással vannak a további döntésekre.

Az enzim alapanyagok tervezésére vonatkozó vizsgálat egy általános ciklust alkalmazott:

előrejelzés → kísérleti mérés → adatok alapján történő modellezés fejlesztése. [3]

A tudományos értéke az adatok számításával és megfigyeléssel történt kombinálásából származott, és nem az első helyezés végleges válaszának elfogadásából.

Ezért a legerősebb javaslatnak pontosan meg kell határoznia, hogy mi került kimutatásra:

• fejlesztés;
• összekötés;
• a szubsztrátként működő enzim megőrzése;
• inhibíció;
• mobil válasz;
• számítógépes előrejelzés;
• hatékonyság a strukturális benchmarkon.

Ezeknek az eredményeknek mindegyikének tudományos értéke lehet.

Nem szabad azonban az egyiket a másik helyett felváltani.

A peptidkönyvtárak értelmezésében leggyakoribb hibák

A peptidkönyvtár vizsgálati eredményei félrevezetőek lehetnek, ha a megállapítások túllépnek azon, amit valójában mértek.

Egy gyakori hiba az, hogy a könyvtár elméleti nagyságát olyan tapasztalatilag megerősített változatosságnak tekintjük. A fizikai könyvtárak nem egyenletes reprezentációt, hiányzó elemeket, duplikációkat vagy a szintézis folyamatából eredő terheléseket mutatnak. [4]

Egy másik hiba az, ha a gazdagodást a hozzátartozás bizonyítékaként kezelik. A gazdagság szintén lehet a szaporodásbeli előnyből, a felszíni kötődésből vagy a szűrés folyamatához kapcsolódó egyéb tulajdonságokból ered. [6] [7]

A harmadik probléma az összekapcsolás funkcióval való azonosítása. A peptid képes kapcsolatba lépni egy céljal anélkül, hogy a javasolt biológiai hatást eredményezné.

Hasonlóképpen, a kötődés eredményét nem szabad kísérleti szempontból mérhető értéknek tekinteni. A pontértékek számítógépes modellekről származnak, és még mielőtt a kötődés mennyiségi bizonyítéknak tekinthetőnek nyilvánítanák őket, hitelesítésre van szükségük. [10] [11] [13]

A virtuális peptid szintén nem automatikusan olyan peptid, amelyet könnyen megfelelő kémiai formában lehet előállítani. A szintézisének, oldhatóságának, molekulaszerkezeteinek és a minta jellemzőinek vizsgálata továbbra is kísérleti kérdések maradnak.

Végül az agafán látható, a felületen rögzített vagy golyóval kötött peptid eredménye nem kerülhet vissza az ehhez hasonló szabad molekulához, mivel a prezentáció módja magában foglalja a konformációt, a rendelkezésre állást, a helyi sűrűséget és a elkerülést.

Ezek a korlátozások nem csökkentik a peptidkönyvtárak értékét.

Ehelyett meghatározzák azt a módját, ahogyan az általuk szolgáltatott bizonyítékokat kell értelmezni.

Gyakran ismételt kérdések

1. Mi az a többszörös peptid-kötődésű könyvtár?

A fedőpéptid-gyűjtemény egy olyan összegző fragmentumokból álló gyűjtemény, amelyek egy hosszabb anyaváltozatot tartalmaznak, és amelyekben a szomszédos peptidek egy közös aminosavszekvenciát képviselnek. Ez a megoldás segíti a kutatókat a felismeréshez vagy más mérésekhez kapcsolódó régiók azonosításában. Egy meningococcus fehérje fedőpéptidjeinek felhasználásával végzett tanulmány bebizonyította, hogy e módszer alkalmazásával le lehet térképezni a T-sejtek reagálását donorokból származó mintákban.[5] Azonban egy fragment pozitív eredménye nem jelenti automatikusan a minimális epitop meghatározását, nem bizonyítja, hogy minden közös maradék szükséges, és nem jelenti azt, hogy a fedőpéptid pontosan reprodukálja az egész fehérje szerkezetét és feldolgozását.

2. Lehet-e a számítógépes előrejelzések helyettesíteni az kísérleteket?

Nem. A számítógépes előrejelzések segíthetnek a jelöltek prioritásainak meghatározásában, mint például a minták azonosításában, strukturális hipotézák kialakításában és az azon sorozatok számának korlátozásában, amelyeket azonnali kísérleti vizsgálat követel meg. Azonban megbízhatóságuk attól függ, hogy milyen modell, milyen képzési adatok, hogyan reprezentálják a molekulákat, milyen feltevéseket fogadnak el és milyen konkrét feladatot kell megoldani. A számos alkalommal az algoritmán kiválasztott peptidek vizsgálatában és az eredményekből származó kísérleti adatok felhasználásában a következő szűréskörök során. [3] Ez mutatja a számítógépes módszerek és a kísérlet együttműködését, és nem a kísérlet helyettesítését egy modelllel. A jelölt továbbra is számítógépes előrejelzésként funkcionál, amíg a megfelelő tulajdonságát nem teszik kísérleti módon megállapíthatóvá.

3. A peptidkönyvtár fizikai adattárat vagy adatbázist jelent?

Lehetnek mindkettő. A fizikai könyvtárak molekula-alapú részecskéket tartalmaznak, amelyeket közvetlenül kísérleti módszerekkel lehet vizsgálni, míg a virtuális könyvtárak digitális szekvenciákat, molekulaszerkezeteket vagy más számítógépes reprezentációkat tartalmaznak. Az első one-bead-one-peptide vizsgálatok a fizikai szintetikus könyvtárakra vonatkoztak, míg a számítógépes tervezési módszerek a kiválasztott jelöltek szintézisé előtt a molekulák reprezentációit vizsgálják. [2] [3] A szekvencia magában a virtuális könyvtárban való jelenléte nem bizonyítja, hogy a megfelelő peptid megfelelően szintézített, a tervezett kémiai formátumot tartalmazza vagy a várt tulajdonságokat mutatja. Ezért a könyvtár méretének vagy a szűrés eredményeinek megvitatásakor mindig meg kell határozni annak formátumát.

4. Az erősebb könyvtár mindig jobb jelölteket eredményez-e?

Nem. A könyvtár mérete csak akkor számít fontosnak, ha tartalmaz jelentős, elérhető, azonosítható és megfelelő reprezentált sokféleséget. A fagyi bibliotékák mély szekvenálása nem egyenlő számú szekvenciát mutatott, és számos tényező csökkenti a hatékony sokféleséget, annak ellenére, hogy a tervezett projekt széles körű volt. [4] Nagyon nagy bibliotékák szintén növelhetik a mintavételhez és az interpretációhoz kapcsolódó problémákat, mivel nem minden elméletileg lehetséges elemnek kell ténylegesen jelen lennie vagy megfelelően vizsgáltatni. A jelöltek minősége tehát a könyvtár összetételétől, a szűrési tervtől, a teszt minőségétől, a kontrolloktól és a validációtól függ, és nem csak a reklámozott lehetséges szekvenciák számától.

5. A véletlenszerű peptidkönyvtárak valóban mentesek a terheléstől?

Nem mindig. A randomizált konstrukció továbbra is egyenlőtlen nukleotid-, aminosav- és egész szekvencia-megjelenítést eredményezhet. A biológiai termelés, szaporodás, szintézis és mintavétel további terhelési forrásokat hozhat. A faggyúi bibliotékák mély szekvenálása még a kiválasztás megkezdése előtt is kimutatta a nem egyenletes reprezentációt a célhoz képest. [4] Ez nem jelenti azt, hogy minden randomizált biblioteka megbízhatatlan. Csak azt mutatja, hogy a „random projekt” és az „experimentálisan megerősített egyenletes eloszlás” két különböző állítás. Az eredeti bibliotékának jellemzői segítenek megkülönböztetni a nagy kiindulási létszámot a kiválasztástól függő valós gazdagodástól.

6. Hogyan teszi lehetővé a phage display a peptid-szekvencia azonosítását?

A phage display olyan módszert alkalmaz, amelynek során a bakteriofág felületén található peptidet egy adott génnel rendelkező információval kombinálják. A kiválasztott fagéket így visszanyerhetővé tehetjük, és a kapcsolódó genetikai anyag alapján meghatározhatóak a megfelelő peptidkészleteik. A korai kísérletekben a nitkefágokon előforduló randomizált peptidekkel végzett vizsgálatok ezt a kapcsolatot a genotípus és a fenotípus között használták a rekombináció és a ligand kötődés jellemzésére. [1] A fág önmagában azonban nem bizonyítja a célra való megfelelőséget, mivel a számszerűséget a felülethez való interakciók, a szaporodási különbségek és más szelekciós nyomások befolyásolhatják. A genetikai kapcsolat lehetővé teszi a kísérleti partner azonosítását, és a további kísérletek pedig segítenek megmagyarázni a kiválasztás okait.

7. Miért lehet a fag olyan, hogy nem kötődik a kívánt célhoz?

A megfelelő célhoz nem kötött mutáció több mechanizmust is előidézhet. A fag a vizsgálati felületkel hatással lehet, rendkívül jól tolerálhatja a szelekciós körülményeket vagy hatékonyabban szaporodhat a versengő klónokhoz képest. Egyedi vizsgálatokban a polisztirolhoz kapcsolatos regenerációt és a szaporodásbeli előnyhöz kapcsolódó erősödést mutattak ki. [6] [7] Ezek különböző mechanizmusok, és további ellenőrzéseket igényelnek. A szaporodást tehát úgy kell értelmezni, mint bizonyítékot arra, hogy a klón túlélte és növelte reprezentációját a szaporítás folyamatában. A cél felismerésének bizonyítása további bizonyítékokat igényel, amelyek lehetővé teszik az alternatív magyarázatok elhárítását.

8. Mit jelent a one-bead–one-compound?

Az „egy szemcsa – egy összetétel” kifejezés azt jelenti, hogy minden szemcseméren alapvetően egyetlen konkrét vegyület sok más más példányát kell megjeleníteni, így a kiválasztott szemcseméket végül egyetlen bibliotéka elemével lehet összekapcsolni. Ez a koncepció lehetővé teszi a nagy kombinatorikus szintetikus bibliók létrehozását, és az előzetes one-bead–one-peptide vizsgálatokban már bemutatták. [2] A kifejezés azonban a bibliók tervezett szervezetét írja le, és nem garantálja minden szemcseméren az azonos terhelést, a tökéletes szintézist vagy a kémiai egyenletes részecskék számát. A későbbi egy szemcseméret-mérések jelentős különbségeket mutattak a bemutatott peptid mennyiségében. [8] A minőség és a terhelés tehát olyan jellemzők maradnak, amelyek kísérleti értékelést igényelnek.

9. Lehet-e befolyásolni a peptid mennyiségét a petéken a szűrés eredményét illetően?

Igen. Az olyan nagyobb mennyiségű rendelkezésre álló peptidet tartalmazó beadó golyó erősebb tesztjelzést eredményezhet, még akkor is, ha a molekuláris interakciók egyéni erőssége nem nagyobb. Az egy-gyógyszermolekula közötti interakciókat Raman spektroszkópiával elemező vizsgálatban megfigyelték a peptid mennyiségének jelentős változását, különösen a hosszabb szekvenciák esetén. [8] A vizsgálat nem határozza meg az egyes szűrési rendszerekben fellépő terhelés hatását, hanem azonosítja azt a változási forrást, amely befolyásolhatja a jel erősségét. A beadó golyókra vonatkozó eredményeket ezért mind a molekuláris interakciók, mind a megjelenített anyag sűrűségének összefüggésében kell értelmezni.

10. A kötődés ugyanaz, mint a biológiai aktivitás?

Nem. A kötődés az adott körülmények között zajló molekula-hatásokat jelenti. A biológiai vagy biokémiai aktivitás egy külön definiált végpontot igényel. A peptid kötődhet egy fehérjéhez, de nem képes aktiválni vagy gátolni azt, és a sejtre adott válasz más mechanizmuson keresztül keletkezhet, mint az előre feltételezett kötődés célja. A phage display kutatások elsősorban a kötődésre összpontosítottak, míg a gépi tanulás alapú vizsgálat más mechanizmust alkalmazott, és egy enzimként működő peptid kötődését vizsgálták. [1] [3] Ezek különböző tudományos kérdések. A screening eredményeinek pontosítása ezért a ténylegesen mértek tulajdonságával kell történnie, anélkül, hogy ezt a szélesebb körű hatásra hivatkozva volna megjelölni.

11. Miért érdemes újra szintézizálni és egyénileg megvizsgálni a találatot?

A független szintetizálás segít meghatározni, hogy egy konkrét definiált peptid valóban reprodukálja-e a megfigyelt viselkedést a kezdeti bibliográfiai rendszeren kívül. A faggyal való kötődés, a kulcsanyag mennyisége, a keverék hatásai, a hordozóval való interakciók vagy egyéb szűrési elemek befolyásolhatják az eredeti eredményt. A faga-kijelző korai vizsgálataiban a bemutatott ligandumokat kémiai szintetizálás útján nyert peptidjeivel hasonlították össze, ami ezt a megerősítő lépést illusztrálja. [1] A visszajelzéses szintetizálás akkor a legjelentősebb, amikor a kapott anyag megfelelő módon jellemződik és az eredeti állításra vonatkozó teszten vizsgálandó. A szintetizálás önmagában még nem bizonyítja a funkciót vagy a mechanizmust.

12. Mit tartalmaz a Rosetta FlexPepDock?

A Rosetta FlexPepDock modellező komplex peptideg–fehérje struktúrákat, de a FlexPepDockhoz kapcsolódó egyes eljárások eltérő kezdőinformációtartományt igényelnek. Az eredeti publikáció a szervert illetően elsősorban a receptorhoz már majdnem közelítettebb kötőhely közelében lévő peptidelemző modell nagyfelbontású továbbfejlesztését írja le. [10] A PIPER-FlexPepDock egy szélesebb globális modellezési stratégiát alkalmaz, amelynek során a modelleket rugalmasan továbbfejlesztik. [11] A benchmark-eredmények nem garantálják a minden egyes új peptid–fehérje páros helyességét. Ezért a hasznos jelentésnek meg kell adnia a használt protokollt, az alapinformációkat és a várt struktúrák értékelési módját.

13. A jó kötődésű eredmény megerősíti-e a erős kötődést?

Nem. A kötődés eredménye egy számítógépes pontszám funkció által generált érték, és nem automatikusan egyenértékű az olyan kísérleti mértékű kötődésnek, mint például a diszociációs együttható. A jelentősége a kötődés protokolljától, a molekuláris reprezentációtól, a konformációs mintavétel módjától, a vizsgált célból és a kalibrálásból függ. A FlexPepDock peptiddal-MHC komplexekkel végzett vizsgálatában a számítási eredményeket a meghatározott adatbázisban mért relatív kötődésértékekkel hasonlították össze, és bebizonyították, hogy az ilyen kapcsolatokat nem kell feltételezni, hanem kell megvizsgálni. [13] A pozitív kötődés eredménye segíthet a jelöltek prioritásainak meghatározásában vagy a strukturális hipotézének alátámasztásában, de az erős kötődés megfelelő kísérleti bizonyítékokat igényel.

14. Miért fontos a C-végű amidázás a peptid modellezésében?

A C-end amidáció megváltoztatja a peptid végén található kémiai csoportot, és hatással lehet a formalitási töltésre, a hidrogénkötésekre, az elektrostatikus kölcsönhatásokra és a molekula konformációjára. A számítógépes modellnek tehát ugyanazt a végződésű kémiai anyagot kellene megjelenítenie, mint amit a kísérletileg vizsgált peptid. A H5 maximin vizsgálatban a végződéses formában bekövetkezett változásokkal kapcsolatos változásokhoz kapcsolódó struktúrábeli és membránhoz kötött kölcsönhatásokban megfigyelt különbségeket. [15] Ez nem bizonyítja, hogy az amidáció mindig javítja a peptid tulajdonságait. Csak azt mutatja, hogy a végződéses csoportok kémiai összetétele helyesen kell meghatározni és modellezni.

15. A CHARMM-GUI-ben készült modellek megerősítik-e a peptide tulajdonságait?

Nem. A CHARMM-GUI segíti a molekulaszerkezetek elkészítését a szimulációhoz. A struktúra vagy a bemeneti fájlok sikeres létrehozása azt jelenti, hogy létrehozott egy számítógépes reprezentációt a vizsgált rendszerből; nem bizonyítja gyakorlatilag a kötődéseket, a biológiai aktivitást, a stabilitást vagy a klinikai jelentőséget. Az hivatalos dokumentáció szerint a módosított részekhez megfelelő struktúrális és paraméterekre van szükség. [14] Ezért a számítógépes modell elkészítése az újabb modellezés kiindulási pontja. Az, hogy a valós molekula megfelelően viselkedik-e a várakozásoknak, egy külön, kísérleti kérdés marad.

16. Miért lehet a prediktív modell kudarcot vallani egy új peptid esetében?

Az új peptid eltérhet a képzések során alkalmazott példáktól olyan módon, amelyet a modell nem képes megfelelően reprezentálni. Ezek a különbségek a szekvenciát, a struktúrát, a hosszúságot, a módosításokat, a molekuláris célokat vagy egyéb tulajdonságokat érinthetik. A T-limfocit receptorokhoz kötődő receptorokhoz való kötődésre vonatkozó modelleket vizsgáló kutatás azt mutatta, hogy a hatásosság értékelése változott attól függően, hogy a képzési és tesztelési peptidek közötti szekvenciális és struktúrális hasonlóságokat figyelembe vették-e. [9] Ez nem jelenti azt, hogy minden új szekvencia-előrejelzés hibás lesz. Csak azt mutatja, hogy a modell általános hatásosságának statisztikai értékeit a körülményeknek a tervezett alkalmazásával való összehasonlításának összefüggésében kell értelmezni.

17. Miért ismételkednek a peptidkönyvtári vizsgálati eredmények?

A visszatérő eredmények eléréséhez elegendő mennyiségű információra van szükség, amely lehetővé teszi a könyvtár, a potenciális molekula, a kísérleti körülmények, a kontrollok, az elemzési módszerek és a hitelesített eredmények elismerési kritériumainak meghatározását. A fagocitikus könyvtár összetételének és a golyókra jutó peptid mennyiségének vizsgálata azt mutatja, hogy a változékonyság még a szűrés megkezdése előtt is fennállhat. [4] [8] Ezért a végleges szekvencia és a pontszám eredmények egyetlen megadásával potenciálisan fontos eltérések forrását kihagyjuk. A visszatérő vizsgálatoknak egyértelmű jelentéstételt igényelnek a szekvenciákról, a könyvtár architektúrájáról, a mintaként használható identifikátorokról, a teszteredmények végpontjairól, a kontrollokról, az analitikai kritériumokról, a számítógépes paraméterekről és a fő eredmény független megerősítéséről.

18. A leginkább biológiailag aktív peptidnek kell-e a legjobb ligandnak lennie?

Nem. A nagy szaporodás lehet a célhoz való kötődés eredménye, de az elemi szaporodási számszerűsége, a szaporodás hatékonysága, a nem közvetlen interakciók a felülettel és más, a szelekcióval kapcsolatos tulajdonságok is befolyásolhatják azt. A mély szaporítás megerősítette a fagociták elemi bibliotekájának nem egyenletes reprezentációját, és más tanulmányok dokumentálták a szaporodás előnyös előnyével összefüggő szaporodási előnyöket. [4] [6] Ezért az elsődleges végződéses szekvenciát nem szabad automatikusan azonosítani a legmagasabb affinitású ligandgal. Erősebb bizonyítékokat nyújt az elemi és végződéses szaporodási számadatok összehasonlítása, a megfelelő ellenőrzések és a független kötődésmérés biztosítása.

19. A tervezett peptid-lánc bizonyítja, hogy hatékonyan szintetizálható-e?

Nem. A számítógépes projekt egy molekuláris szekvenciát vagy hipotézist hoz létre, de nem igazolja a szintézis sikerét. Egyes szekvenciák problémákat okozhatnak a kötődés, az aggregáció, a tisztítás, a oldhatóság vagy a kémiai módosítások terén. A virtuális könyvtár tehát nagyon különböző gyakorlati szintézis-végrehajthatóságú jelölteket tartalmazhat. Csak az anyag kísérleti előállítása és annak analitikai jellemzői lehetővé teszik annak megállapítását, hogy a tervezett molekula valóban létrejött-e. A számítógépes prioritizálás és a kémiai végrehajthatóság egymással összefüggő, de egymástól független vizsgálati lépések.

20. A phage display-ben kiválasztott peptid vajon másképp viselkedik szabad molekula formájában?

Igen. A fag displayben a peptid egy hordozóval kapcsolatos környezetben található, amely befolyásolhatja annak konformációját, orientációját, rendelkezésre állását, helyi sűrűségét és elkerülését. A szabad peptid nem rendelkezik ezekkel a tulajdonságokkal, ezért más látszólagos viselkedést mutathat összehúzódás közben. A fag display korai vizsgálataiban a fagokon található ligandumokat a kémiailag szintetizált megfelelőikkel hasonlították össze, ami azt mutatja, hogy ez a kísérleti megkülönböztetés jelentősége. [1] A fag display-es selekció tehát értékes bizonyítékot szolgáltat a bemutatott szekvencia vonatkozásában, míg az egyéni vizsgálat szükséges annak meghatározásához, hogy a vele egyenértékű szabad peptid milyen viselkedést mutat.

A peptidbibliókból származó bizonyítékok korlátai és a prediktív modellek

A peptidkönyvtári vizsgálatok értelmezése során számos korlátozást kell figyelembe venni.

Először is, a teoretikus sokszínűség nem egyenlő az empirikus valós sokszínűséggel. Az egyenlőtlen reprezentáció, a szimmetrikus problémák, a szaporításbeli különbségek és a mintavétel módja megváltoztathatja a bibliográfia tényleges összetételét. [4]

Másodszor, a szűrések során elért bővülés nem jelenti automatikusan a célhoz való kapcsolódást. A felülethez való interakciók és a szaporodásbeli előnyök különböző mechanizmusok révén is hozzájárulhatnak a bővüléshez. [6] [7]

Harmadszor, a prezentációs mód fontos. A fagokhoz, csillagokhoz vagy felületekhez kapcsolódó peptidek eltérően viselkedhetnek azonos molekula esetén a rendelkezésre állás, orientáció, helyi sűrűség vagy elkerülhetőség miatt. [1] [8]

Negyvenedikül, a kötődés, a szelektívség és a funkció különböző tulajdonságok. Az egyiknek a kimutatása nem bizonyítja automatikusan a többiét.

Ötödikül, a számítógépes előrejelzés a modelltől függ. A képzési adatok, a értékelési módszerek, a molekuláris reprezentáció és a felállított feltételezések határozzák meg, hogy milyen jelentőséget lehet tulajdonítani az eredménynek. [3] [9]

Hatodikként, a kötődés eredményei nem kísérleti kötődésszegő mérések. A strukturális modellek és a pontos funkciók segíthetnek a hipotézisek kiválasztásában, de a valódi kötődés során tapasztalt viselkedés az kísérleti mérésekre van szükség. [10] [11] [13]

Hétként a kémiai formának is jelentősége van. A végződésű csoportokat, a nem szabványos aminosavakat, a sztereochémiai változtatásokat és más módosításokat helyesen kell feltüntetni mind a kísérleti leírásokban, mind a számítógépes modellekben. [13] [14] [15]

Végre a screening eredményei a validálás kezdetei, nem pedig annak vége. A független anyag előkészítése, a molekuláris jellemzés, a kontrollok, a komplementer vizsgálatok és a replikáció fokozatosan erősítik a rendelkezésre álló bizonyítékokat.

Összefoglaló

A peptidkönyvtárak lehetővé teszik a molekuláris szekvenciák hatalmas terének szisztematikus vizsgálatát.

Ezek lehetővé teszik a számos jelölt összehasonlítását és a következőkre vonatkozó kérdések elemzését:

• molekuláris felismerés;
• enzim szubsztrátok;
• sorozatos motívumok;
• kötéssel;
• struktúra–aktivitás kapcsolatoként;
• mobil válaszok;
• számítógépes előrejelzésekkel.

A „péptid-könyvtár” fogalom azonban több alapvetően különböző kutatási formátumot foglal magában.

A egymást követő peptidblokkokkal rendelkező könyvtár segít a nagyobb szekvencia régióinak feltérképezésében.

A célzott alaprajzkönyvtár lehetővé teszi az egyes elemek jelentőségének elemzését.

A phage display könyvtár összekapcsolja a bemutatott peptidet a genetikai információval, és lehetővé teszi a kiválasztást.

A one-bead–one-compound könyvtár egyedi golyókban helyezi el a szintetikus jelölteket.

A virtuális könyvtár digitális formában létezik és lehetővé teszi a prioritások meghatározását a vizsgálatok megkezdése előtt.

Ezeket a formátumokat nem szabad alternatívaként kezelni.

A könyvtár méretét is körültekintően kell értelmezni.

A több millió lehetséges szekvenciát magában foglaló elméleti gyűjtemény nem bizonyítja, hogy minden egyes eleme fizikailag jelen van, egyenletesen reprezentált, kémiailag helyes és ténylegesen szűrést igényel. A mély szekvenálást alkalmazó vizsgálatok azt mutatják, hogy a könyvtár tényleges összetétele miért eltérhet a tervezett sokféleségtől. [4]

Ugyanígy az elmélyülés nem egyenértékű az egyéni kötődésnek a cél felé irányuló irányával.

A fagya klónok a helyes célhoz nem kapcsolódó mechanizmusok révén is képesek növekedni, mint például a felületre gyakorolt hatás vagy a szaporodásban nyújtott előny. [6] [7]

Ezért olyan fontosak a megfelelő ellenőrzések és az független vizsgálatok.

Azonos óvatosság érvényes a peptidok számítógépes tervezésére is.

A sequenciamodellek és a kötőeszközök segíthetnek a potenciális jelöltek azonosításában és a mechanista hipotézák kidolgozásában, de előrejelzéseik a képzési adatoktól, a strukturális reprezentációktól, a pontos funkcióktól és a kiindulási feltételektől függnek. [3] [9] [10] [11]

A kedvező összekapcsolódási eredmény önmagában nem bizonyítja az kísérleti kapcsolat erős voltát.

A számítógéppel generált sorozat nem bizonyítja, hogy helyesen szimulálható.

A várható interakció nem igazolja a biológiai funkciót.

A peptidok felfedezésének leginformálóbb folyamata ezért az egyes bizonyíték-típusokat különálló, de kölcsönösen kiegészítő lépésekként kezeli:

tervezés → könyvtár konstrukciója → szűrés → találati listák meghatározása → független megerősítés → jellemzők → számítási fejlesztés → kísérleti validáció.

A végleges következtetés erőssége attól függ, hogy ezeket a lépéseket mennyire gondosan egyesítjük egymással.

A legfontosabb szabályt egyszerűen összefoglalhatjuk:

A könyvtár felajánlja a lehetőségeket, a szűrés azonosítja a jeleket, a modell előrejelzéseket generál, és a validálás meghatározza, hogy melyek azok az eredmények, amelyek valóban bizonyítják a kísérleti bizonyítékokat.

Jogi nyilatkozat

A cikk kizárólag oktatási és tudományos-információs jellegű. A cikk ismerteti a peptidkönyvtárakról, a phage display technológiáról, a szintetikus peptidek szűréseiről, a szekvenciák tervezéséről, a számítógépes előrejelzésről, a peptidek összekapcsolásáról, a molekuláris modellezésről, a kísérleti validálásról és a vizsgálatok ismétlődéséről szóló általános elveket. Nem jelenteti ki egészségügyi tanácsot, terápiás ajánlást, peptiddel kapcsolatos alkalmazási útmutatót, adagolási információt vagy az embereknek való beadására vonatkozó utasításokat. A számítógépes előrejelzéseket, a szűrés során kapott eredményeket, a összekapcsolási eredményeket és a preklinikai kísérleti eredményeket nem szabad olyan bizonyítéknak tekinteni, hogy egy adott peptid biztonságos, hatékony, klinikai validált vagy az emberek számára való alkalmazásra megfelelő.

Hivatkozások

1. Barrett, R. W., Cwirla, S. E., Ackerman, M. S., Olson, A. M., Peters, E. A., & Dower, W. J. (1992). A szelektív gazdagítás és a nagy affinitású ligandok jellemzése véletlen peptidekből álló gyűjteményekből a filamentos fajgáktól. Analitik Biokémia, 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 ligand-kapcsolódó aktivitást azonosító új típusú szintetikus peptid-könyvtár. Természet, 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). De novo peptide substrates for enzymes using machine learning. Nature Communications, 9(1), 5253. cikk. 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). A kommersiális fág-kijelző peptid-könyvtár összetételekre vonatkozó tendenciák elemzése a következő generációs szekvenálás segítségével. Vírusok, 14(11), 2402. cikk. 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). A meningococcus 1. osztályú külső membránfehérjében előforduló T-sejtes epitopok azonosítása, átfedő peptidekkel összeállított, egyszerre több peptid-szintézissel végzett vizsgálatokkal. Experimental Medicine Journal, 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 genomikai deletiával társuló, az M13KE-alapú peptid-könyvtárból származó fehér plakk a célhoz nem kapcsolódó módon gazdagul a fag-kijelző biopanning során, mivel előnyös a szaporodás. International Journal of Molecular Sciences, 23(6), 3308. cikk. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). A polisztirolhoz kötődő, célhoz nem kapcsolódó peptid, amely a fág-kijelző-könyvtár kiválasztásán keresztül került elő. Analytic 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). A peptide-töltés eloszlásának egyetlen szemcsés mérése egy szemcsés összetett bibliográfia készítéséhez konfokális Raman spektroszkópiával. Analitikai kémia, 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). A TCR-kapcsolódás előrejelzőinek generalizációs képességeinek értékelése peptide távolság-analízis révén. PLOS ONE, 20(5), cikk 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 szerver – nagy felbontású modellezés peptide-fehérje interakciók esetén. Nucleic Acids Research, 39(Web szerver), 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). Nagy felbontású globális peptid-fehérje összekapcsolódás fragmensek-alapú PIPER-FlexPepDock használatával. PLOS Computational Biology, 13(12), cikk e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (n.d.). FlexPepDock. Letöltve: 2026. szeptember 20., forrás: Hivatalos dokumentáció
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock a peptid-MHC kötődés előrejelzésére: egy nem kanonikus aminosavakra vonatkozó megközelítés. PLOS ONE, 17(12), cikk e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.d.). Gyakran ismételt kérdések. Letöltve: 2026. szeptember 20., forrás: Hivatalos dokumentáció
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). A C-végén található amidáció szerepe az anionikus antimikrobiális peptid, a maximin H5 membráninterakcióiban. Biochemica et Biophysica Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014