Peptīdu bibliotēkas un projektēšana: kā darbojas skrīnings un predikcija?

Peptīdu bibliotēka ir dažādu peptīdu secību kopums, kas sagatavots vai attēlots tā, lai tās varētu sistemātiski salīdzināt. Tā vietā, lai analizētu vienu secību bez plašāka atskaites punkta, pētnieki var izmantot bibliotēku, lai pārbaudītu, kuri peptīdi saistās ar noteiktu molekulāro mērķi, ir enzīmu substrāti, izraisa izmērojamā atbildes reakciju konkrētā testā, satur noteiktu motīvu, ko atpazīst citas molekulas, vai uzrāda citu definētu īpašību.

Ne visas peptīdu bibliotēkas ir vienādas. Tās var pastāvēt kā fiziski sintetizētu molekulu krājumi, uz bioloģiskiem nesējiem prezentēti peptīdi, ar lodītēm vai virsmām saistīti peptīdi, kā arī pilnībā virtuālas datoriski analizētu sekvenču un molekulāro struktūru kolekcijas.

Katrs no šiem formātiem atbild uz nedaudz citiem zinātniskiem jautājumiem.

Peptīds, kuram dators paredzēja iespēju saistīties ar noteiktu olbaltumvielu, nav tas pats, kas eksperimentālā skrīningā reāli atlasītais peptīds. Līdzīgi arī skrīninga laikā bagātināts peptīds automātiski kļūst par apstiprinātu bioloģisko kandidātu.

Pētījumi, kuros izmanto fāgu display metodi, sintētiskās bibliotēkas uz lodītēm, pārklājošos peptīdu komplektus un skaitļošanas metožu atbalstītus eksperimentus, demonstrē vienu no peptīdu atklāšanas pamatprincipiem:

Interesējoša signāla atrašana uzsāk pētniecisko procesu, nevis to noslēdz.

Galīgo secinājumu spēks cita starpā ir atkarīgs no:

• bibliotēkas dizaina un kvalitātes;
• reālas, nevis tikai teorētiskas daudzveidības;
• testa konstrukcijas;
• atbilstošu pārbaužu;
• molekulārajai identifikācijai;
• atkārtojamības;
• alternatīvu skaidrojumu izslēgšana;
• neatkarīgas eksperimentālās validācijas. [1] [2] [3]

Tāpēc, analizējot peptīdu bibliotēkas, ir vērts izšķirt vairākus secīgus posmus:

bibliotēkas izveide → skrīnings → trāpījumu identifikācija → apstiprinājums → raksturojums → predikcija vai optimizācija → neatkarīga validācija.

Katrs no šiem posmiem nodrošina cita līmeņa pierādījumus.

Peptīdu bibliotēka ir sistemātisks dažādu peptīdu kolekciju kopums, ko parasti izmanto pētniecībā jaunu zāļu atklāšanai, olbaltumvielu mijiedarbības pētījumiem un imunoloģijā.

Sakārtota dažādu molekulāro variantu kopā

Peptīdu bibliotēka satur savstarpēji saistītas vai dažādas peptīdu secības, kas organizētas ap noteiktu pētniecisko jautājumu.

Dažas bibliotēkas tiek izmantotas, lai pētītu nelielas izmaiņas zināma peptīda ietvarā. Citas aptver daudz lielāku iespējamo secību telpu.

Atsevišķi bibliotēkas elementi var atšķirties šādos aspektos:

• peptīda garumi;
• aminoskābju veidu;
• atsevišķu atlikumu pozīciju;
• aminoskābju secības;
• gala grupu;
• ciklizācijas;
• stereohīmija;
• ķīmisko modifikāciju;
• citu apzināti mainītu strukturālo pazīmju.

Bibliotēkai jāsaglabā arī iespēja identificēt interesējošo elementu.

Peptīdu mikroshēmas gadījumā peptīda identitāti var saistīt ar tā fizisko atrašanās vietu.

Fāgu displeja bibliotēkā prezentētā peptīda secība ir saistīta ar bakteriofāgā esošo ģenētisko informāciju.

Sintētiskajā bibliotēkā, kas izvietota uz lodītēm, uz izvēlētās lodītes esošajam peptīdam var būt nepieciešama ķīmiska identifikācija vai papildu kodēšanas sistēmas izmantošana.

Saikne starp signālu un daļiņas identitāti ir nozīmīga.

Spēcīgs eksperimentāls signāls no nezināmas maisījuma vēl nepasaka, kura molekula to izraisīja.

Tādējādi peptīdu bibliotēkas vērtība ir atkarīga ne tikai no tajā ietverto kandidātu skaita, bet arī no saistīšanas iespējām:

kandidāts → identitāte → izmērītā atbilde.

Nejaušas, mērķtiecīgas un sistemātiskas bibliotēkas

Dažādas bibliotēku konstrukcijas kalpo dažādu zinātnisku jautājumu risināšanai.

Nejauša vai kombinatoriskā bibliotēka ietver celtniecības bloku kombinācijas izvēlētās pozīcijās.

Termins „nejauša” apraksta plānoto konstruēšanas vai izlases metodi. Tas nenozīmē, ka katra teorētiski iespējamā secība patiesībā sastopama ar vienādu biežumu.

Mērķtiecīga bibliotēka ierobežo mainīgumu ap:

• zināmā motīva;
• cilmes šūnu peptīdu;
• noteikta strukturālā karkasa;
• saistošās secības;
• aktīvā apgabala;
• hipotēzi par konkrētu molekulāro mērķi.

Sistematisko aizvietojumu bibliotēka sakārtotā veidā maina atlasītās atlikumvērtības.

Piemēram, aminoskābi vienā pozīcijā var secīgi aizstāt ar vairākām citām aminoskābēm, lai pārbaudītu, vai šī pozīcija ietekmē pētīto īpašību.

Pārklājošos peptīdu bibliotēka izmanto garākas mātes sekvences secīgus fragmentus, turklāt blakus esošajiem fragmentiem ir daļa kopīgu atlikumu.

Šāda pieeja ir īpaši noderīga, lokalizējot olbaltumvielu reģionus, kurus atpazīst noteiktā testā.

Katrai stratēģijai ir savas priekšrocības un ierobežojumi.

Plaša kombinatoriskā bibliotēka var atklāt negaidītu secības motīvu.

Mērķtiecīga bibliotēka ļauj detalizētāk izpētīt jau interesējošo secību.

Sistemātiski aizvietojumi var norādīt, kuras pozīcijas šķiet īpaši svarīgas.

Pārklājošos fragmentu bibliotēka palīdz lokalizēt lielāka olbaltumvielas aktīvo vai atpazīstamo reģionu.

Tāpēc:

Lielāka sekvences telpa automātiski nenozīmē labāku eksperimentālo informāciju.

Piemērots bibliotēkas veids galvenokārt ir atkarīgs no pētnieciskā jautājuma.

Teoriskā dažādība nenozīmē faktisku pārstāvniecību

Iespējamo peptīdu secību telpa aug ļoti strauji.

Ja biblioteka pieļauj visas 20 standarta aminoskābes katrā no sešām pozīcijām, teorētiskais iespējamo secību skaits ir:

20⁶ = 64 000 000 iespējamās kombinācijas.

Tā ir teorētiskā daudzveidība.

Tas nenozīmē, ka fiziskajā bibliotēkā patiesībā atrodas 64 miljoni dažādu, pareizi attēlotu peptīdu.

Efektīvo daudzveidību var samazināt vai kropļot cita starpā:

• sintēzes kļūdas;
• nevienmērīga savienošanas veiktspēja;
• no secības atkarīgas sintētiskas grūtības;
• bioloģiskā selekcija bibliotēkas veidošanas laikā;
• transformācijas ierobežojumi;
• vairošanās atšķirības;
• atkārtotas secības;
• sekvenēšanas izmaksas;
• paraugoņemšanas ierobežojumi;
• atsevišķu elementu nevienmērīgs skaits.

Nozīme ir arī tam, kāda daļa no visas bibliotēkas faktiski tika izmantota konkrētajā eksperimentā.

Pat ja kopa teorētiski satur milzīgu skaitu secību, viens skrīnings var aptvert tikai daļu no šīs daudzveidības.

Komercyjne fāgu bibliotēkas dziļā sekvenēšana uzrādīja krasas novirzes no vienmērīgas pārstāvības, tostarp atšķirības peptīdu skaitā un noslodzē attiecībā uz secības sastāvu. Pētnieki identificēja arī faktorus, kas samazina bibliotēkas efektīvo lielumu. [4]

Šie rezultāti attiecas uz konkrēto analizēto bibliotēku, un tos nevajadzētu automātiski attiecināt kvantitatīvā veidā uz katru fāgu display bibliotēku.

Tomēr tās parāda svarīgu likumu:

Teorētisko daudzveidību nevajadzētu uzskatīt par izmērīto eksperimentālo daudzveidību.

Kas ir pārklājošos peptīdu bibliotēka?

Pārklājošos peptīdu bibliotēka attēlo garāku pamatsēriju kā īsāku fragmentu sēriju.

Blakus esošie peptīdi satur kopīgas secības daļu.

Apskatīsim hipotētiskus 15 atlikumu garus fragmentus:

• pārējie 1–15;
• pārējie 6–20;
• atlikušie 11.–25.

Katrs nākamais peptīds sākas piecas pozīcijas tālāk nekā iepriekšējais.

Tas nozīmē, ka blakus esošajiem fragmentiem ir desmit kopīgas atlikušās daļas.

Šāds izvietojums palīdz lokalizēt reģionus, kas saistīti ar atpazīšanu vai citu mērīto atbildes reakciju.

Ja divi blakus esoši peptīdi dod signālu, to kopējā secība var palīdzēt sašaurināt apgabalu, kuram nepieciešami turpmāki pētījumi.

Tas tomēr nepierāda, ka:

• katra atlikusī daļa kopējā reģionā ir nepieciešama;
• pati kopējā secība ir pietiekama efekta iegūšanai;
• identificēta minimālā aktīvā secība;
• fragments uzvedas pilnīgi tāpat kā tam atbilstošais reģions visā olbaltumvielā.

Lai atrisinātu šos jautājumus, var būt nepieciešami turpmāki eksperimenti.

Meningokoku ārējās membrānas olbaltumvielas pētījumā tika izmantoti 45 pārklājošies sintētiski peptīdi, lai analizētu T limfocītu atpazīšanu šūnās, kas iegūtas no cilvēka donoriem. [5]

Pētījums parādīja gan empīriskās peptīdu kartēšanas lietderību, gan toreiz pieejamo prediktīvo algoritmu ierobežojumus.

Novērotās atbildes bija specifiskas izmantotajam peptīdu komplektam, testa apstākļiem un paraugiem, kas iegūti no pētījuma donoriem.

Fiziskās un virtuālās bibliotēkas atbild uz dažādiem jautājumiem

Termins „peptīdu bibliotēka” var attiekties uz ļoti dažādām eksperimentālām sistēmām.

Šis nošķīrums ir ļoti svarīgs:

Digitālais kandidāts nav automātiski sintetizēta molekula, un sintetizēta molekula nav automātiski eksperimentāli validēts kandidāts.

Fāgu displejs un sintētiskās bibliotēkas

Kā fāgu display savieno peptīdu ar tā sekvenci?

Fāgu display tehnoloģijā peptīds tiek prezentēts kā daļa no olbaltumvielas, kas atrodas bakteriofāga virsmā.

Fāgā vienlaikus ir ģenētiskā informācija, kas kodē prezentēto secību.

Līdz ar to tiek izveidots noderīgs savienojums starp:

fenotipu — prezentēto peptīdu

a

genotipam — tam atbilstošo ģenētisko secību.

Pētnieki var pakļaut fāgu bibliotēku noteikta mērķa vai testa sistēmas iedarbībai, atgūt atlasītās daļiņas, tās pavairot vai analizēt un noteikt, kuras secības ir bagātinājušās.

Saistība ar ģenētisko informāciju ievērojami atvieglo kandidātu identificēšanu, salīdzinot to ar neidentificēta molekulārā maisījuma analīzi.

Agrīnie pētījumi, kuros izmantoja pavedienu fāgos eksponētus nejaušus peptīdus, uzrādīja iespēju bagātināt augstas afinitātes antivielu ligandus un salīdzināja fāgos eksponēto peptīdu uzvedību ar saistīšanās rezultātiem, kas iegūti ķīmiski sintetizētiem peptīdiem. [1]

Šis salīdzinājums bija īpaši svarīgs, jo fāga daļiņā esošais peptīds un tam atbilstošais izolētais sintētiskais peptīds neveido identisku eksperimentālo prezentāciju.

Bagātināšana ir atlases rezultāts, nevis pilnīgs mehānisma skaidrojums

Sekvenci, kuras īpatsvars palielinās nākamajos atlases posmos, bieži dēvē par bagātinātu.

Bagātināšana ir svarīga informācija.

Tomēr tas automātiski paskaidro, kāpēc konkrētā sekvence kļuva skaitliski lielāka.

Iespējamie cēloņi ir:

• saistība ar paredzēto mērķi;
• saistība ar testā izmantoto virsmu;
• mijiedarbība ar citu eksperimenta elementu;
• labāka atlases apstākļu izturība;
• lielāku infektivitāti;
• efektīvāka vairošanās;
• priekšrocību izplatīšanās laikā;
• citu pazīmi, kas ir atkarīga no sekvences vai konkrēta klona.

Tie ir zinātniski atšķirīgi skaidrojumi.

Vienā no pētījumiem tika identificēts fāga klons, kura bagātināšana bija saistīta ar vairošanās priekšrocību, kas izrietēja no genoma delekcijas. [6]

Citā pētījumā tika analizēts prezentētais peptīds, kas saistījās ar polistirolu, nevis paredzēto mērķi. [7]

Šie pētījumi parāda divus dažādus mehānismus, caur kuriem var notikt bagātināšanās, kas nav saistīta ar paša pētījuma mērķi.

Tas nenozīmē, ka katra bagātinātā fāgu secība ir artefakts.

Bet tas parāda, kāpēc:

Bagātināšana identificē kandidātu, kuram nepieciešams skaidrojums; tā pati par sevi nepierāda specifisku molekulārā mērķa atpazīšanu.

Prezentācijas veids var ietekmēt novēroto saistīšanos

Fāgu display sistēmā prezentētais peptīds ir fiziski saistīts ar nesēju.

Tāpēc tā uzvedība var atšķirties no tās pašas brīvi šķīdumā esošās molekulas uzvedības.

Svarīgs jēdziens šeit ir aviditāte.

Radniecība parasti attiecas uz vienas mijiedarbības stiprumu konkrētā modelī.

Savukārt aviditāte var izrietēt no vairākām vienlaikus notiekošajām mijiedarbībām.

Ja vairākas prezentētā peptīda kopijas vienlaicīgi mijiedarbojas ar vairākām saistīšanās vietām, kopējā mijiedarbība var šķist spēcīgāka nekā brīvā peptīda individuālā mijiedarbība.

Pievienošana datu nesējam var arī:

• ierobežot peptīda konformāciju;
• mainīt tā pieejamību;
• palielināt vietējo koncentrāciju;
• ietekmēt orientāciju;
• radīt steriskos efektus;
• novietot vairākas peptīda kopijas tuvu viena otrai.

Tāpēc prezentācijas sistēmā veiksmīgi atlasīts peptīds pēc neatkarīgas sintēzes var uzvesties citādi.

Tieši tāpēc izolētas molekulas izpēte ir svarīgs apstiprinājuma posms.

Fāgos prezentēto ligandu salīdzinājums ar to ķīmiski sintetizētajiem analogiem agrīnajos fāgu display pētījumos labi parāda atlases rezultāta saistīšanas nozīmi ar neatkarīgu molekulas uzvedību. [1]

Sintētiskās bibliotēkas var ietvert citu ķīmisko telpu

Sintētiskās peptīdu bibliotēkas tiek veidotas ar ķīmiskām metodēm, nevis tikai ar bioloģiskās ekspresijas palīdzību.

Atkarībā no izmantotās sintēzes metodes tās potenciāli var ietvert:

• nestandarta aminoskābes;
• atlasītās D-aminoskābes;
• galu modifikācijas;
• ciklizāciju;
• ķīmiskie marķieri;
• modificētas sānķēdes;
• citi sintētiski celtniecības elementi.

Tas ļauj paplašināt pētījumiem pieejamo ķīmisko telpu.

Tomēr pašas secības izstrāde izklājlapā vai datorprogrammā vēl nenozīmē, ka tai atbilstošo molekulu var viegli un pareizi iegūt.

Praktiskas problēmas var ietvert:

• nepilna savienošana;
• delecijas sekvences;
• agregāciju;
• grūtības ar attīrīšanu;
• zemu šķīdību;
• blakusparādības;
• modifikācijas nestabilitāte;
• sintētiskās problēmas, kas ir atkarīgas no secības.

Tāpēc:

projektētā ķīmiskā daudzveidība ≠ eksperimentāli apstiprināta ķīmiskā daudzveidība.

Tāpēc ģenētiski kodētās prezentācijas sistēmas un ķīmiskā sintēze ietver daļēji pārklājošas, bet neidentiskas molekulārās telpas.

Modificētas prezentācijas tehnoloģijas var vēl vairāk paplašināt bioloģiskajās sistēmās pieejamās ķīmijas apjomu, tāpēc šo atšķirību nevajadzētu vienkāršot līdz apgalvojumam, ka bioloģiskās bibliotēkas var saturēt tikai nemodificētus standarta peptīdus.

Vienas lodītes–viena savienojuma bibliotēkas

One-bead-one-compound (OBOC) bibliotēkā katrai lodītei pēc definīcijas ir jāsatur viena konkrēta savienojuma daudzas kopijas.

Viena no bieži izmantotajām stratēģijām ir "sadali un apvieno" tipa sintēze.

Lodītes sadala grupās, katru grupu pakļauj reakcijai ar citu celtniecības bloku, pēc tam visas lodītes atkal apvieno un pirms nākamā sintēzes posma atkal sadala.

Šī procesa atkārtošana var novest pie lielas kombinatoriskās bibliotēkas izveides, vienlaikus saglabājot plānoto saikni starp atsevišķu lodīti un konkrētu secību.

Pirmie pētījumi par vienas lodītes un viena peptīda (*one-bead–one-peptide*) sistēmu prezentēja metodi lielu sintētisko peptīdu bibliotēku izveidei un skrīningam attiecībā uz ligandu saistīšanos. [2]

Tomēr apzīmējums one bead–one compound raksturo bibliotēkas organizācijas principu.

Nenorāda, ka:

• katra lodīte satur ķīmiski ideālu peptīdu;
• katrai lodītei ir identiska peptīda noslodze;
• visas sajaukšanas reakcijas norisinājās ar vienādu iznākumu;
• peptīds uz katras lodītes ir vienlīdz pieejams.

Vēlākā atsevišķu lodīšu pētījumā tika izmantota Ramana spektroskopija, lai novērtētu peptīda daudzumu.

Pētnieki novēroja ievērojamu bibliotēkas lodīšu mainīgumu, īpaši garāku secību gadījumā, neraugoties uz vienmērīgāku izejmateriāla slodzi. [8]

Tam ir nozīme, jo signāla intensitāte skrīninga laikā var būt atkarīga gan no:

mijiedarbības spēki,

Kā un no:

pieejamā peptīda daudzums, kas tiek prezentēts uz lodītes.

Matricas, individuāli sintezēti komplekti un apvienotie pētījumi

Peptīdu bibliotēkas var tikt organizētas arī matricu vai individuāli sintezētu komplektu veidā.

Peptīdu matricā definētie peptīdi atrodas zināmās fiziskās pozīcijās.

Tas nodrošina tiešu savienojumu:

atrašanās vieta → secības identitāte → testa signāls.

Tomēr jāpatur prātā, ka imobilizācija uz virsmas var ietekmēt peptīda konformāciju un pieejamību.

Cits risinājums ir apvienotā skrīninga metode.

Vairāki peptīdi apvienojas vienā paraugā un tiek pētīti kopā.

Ja kopējais paraugs sniedz pozitīvu atbildi, to pēc tam var dekonvolutēt, testējot mazākas grupas vai atsevišķus elementus.

Apvienošana var samazināt sākotnējā posmā nepieciešamo mērījumu skaitu.

Kopa ne vienmēr uzvedas pilnīgi tāpat kā katrs no tās atsevišķajiem komponentiem.

Ietekmi var atstāt:

• koncentrāciju atšķirības;
• konkurence;
• šķīdība;
• agregācija;
• interferences;
• antagonistiskais efekts;
• testa piesātinājums.

Pozitīvā grupa tātad norāda uz grupu, kurai nepieciešami turpmāki pētījumi.

Tas nepierāda, ka katrs tajā ietvertais peptīds piemīt pētītajai īpašībai.

Kandidātu atlase un izvēle

Vispirks nosaki, ko īsti mēra tests

Screeninga rezultāta nozīme ir pilnībā atkarīga no mērītā galapunkta.

Saistīšanās skrīnings atbild uz jautājumu, vai peptīds mijiedarbojas ar noteiktu mērķi dotajos apstākļos.

Enzīmu substrātu skrīnings pēta, vai enzīms pārveido noteiktu peptīdu.

Inhibīcijas tests pārbauda, vai peptīds samazina noteiktu aktivitāti.

Šūnu tests mēra definētu atbildes reakciju šūnās.

Šie rezultāti nav līdzvērtīgi.

Peptīds var saistīties ar mērķi, to neaktivizējot un neinhibējot.

Tas var būt enzīma substrāts, bet neuzrādīt atbilstošu uzvedību šūnu sistēmā.

Savukārt šūnu atbilde var izrietēt no nejauša ceļa.

Tāpēc apzīmējums „aktīvais peptīds” bieži vien ir pārāk plašs, ja nav norādīts, kāda veida aktivitāte faktiski ir izmērīta.

Iteratīvā pētījumā, kurā izmantota mašīnmācīšanās, tika optimizēti peptīdu substrāti noteiktai enzīmu klasei, vairākkārt eksperimentāli testējot izvēlētos kandidātus. [3]

Secinājumi attiecās uz biochemiskajām funkcijām, kas tika mērītas šajā konkrētajā sistēmā.

Tie nepierāda, ka tās pašas sekvences darbotos citos, nesaistītos bioloģiskos lietojumos.

Kontroles palīdz atdalīt mērķa atpazīšanu no paša testa uzvedības

Atbilstoši izvēlētas kontroles palīdz molekulāro parādību atšķirt no citiem iespējamiem skaidrojumiem.

Atkarībā no testa tie var būt:

• virsmas bez mērķa molekulas;
• kontrole, kas satur tikai nesēju;
• nesaistīti molekulārie mērķi;
• pozitīvā kontrole;
• negatīva kontrole;
• fona mērījumi;
• konkurences eksperimenti;
• iekšējā kontrole, kas attiecas uz konkrētu sistēmu.

Virsma bez mērķa molekulas var uzrādīt nespecifisku saistīšanos ar testa materiālu.

Datu nesēja kontrole palīdz atklāt pašas prezentācijas sistēmas radītās atbildes.

Nesaistīts mērķis var sniegt informāciju par selektivitāti.

Pozitīvā kontrole parāda, vai tests spēj noteikt zināmu atbildi.

Negatīvā kontrole palīdz noteikt fona līmeni.

Tomēr kontrole ir jāizvēlas atbilstoši konkrētā eksperimenta faktiskajiem, iespējamajiem kļūdu avotiem.

Nav viena universāla kontroles peptīda, kas būtu bioloģiski neitrāla jebkurā iespējamā sistēmā.

Pētījums par polistirolu saistošajiem fāgiem parāda, kāpēc virsmas kontrole ir svarīga. Pētnieki atsevišķi analizēja saistīšanos un vairošanos un saistīja fagā bagātinājumu ar mijiedarbību ar testa virsmu, nevis pieņēma, ka faga atgūšana liecina par paredzētā mērķa atpazīšanu. [7]

Radniecība, selektivitāte un funkcija ir dažādas īpašības

Trīs jēdzieni, kurus bieži jauc kopā, ir:

radniecība, selektivitāte un funkcija.

Radniecība attiecas uz mijiedarbības spēku noteiktos apstākļos un atbilstošā mijiedarbības modelī.

Selektivitāte raksturo to, kādā mērā kandidāts priekšroku dod mijiedarbībai ar vienu mērķi salīdzinājumā ar atbilstošām alternatīvām.

Funkcija attiecas uz šādas mijiedarbības bioloģiskajām vai biķīmiskajām sekām.

Tādējādi peptīds var izrādīt:

• augsta radniecība, bet vāja selektivitāte;
• augstu selektivitāti, bet vāju saistīšanos;
• stingra saistīšanās bez gaidītā funkcionālā efekta;
• funkcionālo aktivitāti, izmantojot negaidītu mehānismu.

Šie nošķīrumi nosaka, kādi eksperimenti ir jāveic nākamie.

Piemēram:

uzrādītā saistīšanās ≠ uzrādītā inhibīcija.

Peptīdu, kas atrasts saistīšanās skrīningā, nedrīkst automātiski dēvēt par inhibitoru, ja tā inhibējošā darbība nav tieši izmērīta.

Kandidātus ir vērts novērtēt, pamatojoties uz vairākiem datu veidiem.

Kandidātu atlase ir uzticamāka, ja tā balstās uz vairākiem, nevis tikai vienu reitinga parametru.

Citu starpā var ņemt vērā:

• signāla lielums;
• atkārtojamība;
• fona uzvedība;
• sekvenšu identitāte;
• kopsavilkums pret sākotnējo vērtību;
• selektivitāte;
• secvences ģimeni;
• neatkarīgas sintēzes iespēja;
• šķīdība;
• testa atkārtojamība;
• iespēja veikt turpmāku validāciju.

Noderīga var būt arī secīgā dažādība atlasīto rezultātu vidū.

Vairāku dažādu secību saimju pārstāvju izpēte samazina atkarību no viena potenciāli maldinoša motīva vai klona.

Fāžu bibliotēkām īpaši noderīga ir skaita salīdzināšana pirms selekcijas un pēc selekcijas.

Secvence, kas izejas bibliotēkā jau bija sastopama ļoti bieži, pēc skrīninga var būt plaši pārstāvēta bez īpaši spēcīgas no mērķa atkarīgas bagātināšanās.

Dziļās sekvencēšanas pētījums par naivu fāgu bibliotēku uzrādīja nevienmērīgu sākotnējo pārstāvību. [4]

Pētījums par pavairošanas priekšrocību turklāt parāda, kāpēc pašu skaitliskumu nevajadzētu automātiski interpretēt kā radniecības mēru. [6]

Kopumā šie rezultāti runā par labu analīzei:

kādā veidā dotā secība tika bagātināta,

bet ne tikai:

kurš secinājums ieņēma pirmo vietu pēc atlases beigām.

Skrīninga rezultāts vēl nav validēts kandidāts

Hits jeb trāpījums ir kandidāts, kas atbilst sākotnējā skrīninga kritērijiem.

Šis ir vērtīgs rezultāts.

Tomēr tas nepabeidz validācijas procesu.

Apstiprinājumam cita starpā būtu jāsniedz atbildes uz jautājumiem, vai kandidāta rīcība:

• tas ir atkārtojams;
• saglabājas pēc attiecīgo kontroles pasākumu piemērošanas;
• notiek individuālās izpētes laikā;
• paliek redzams pēc atkārtotas sintēzes;
• var piešķirt paredzētajai molekulai;
• paliek būtisks attiecīgajā sekundārajā testā.

Turpmāka raksturošana var pēc tam ietvert konkrētam pētījuma mērķim būtiskas īpašības.

Atkārtota sintēze ir īpaši noderīga, ja sākotnējā skrīningā tika izmantots nesējs, lodīte, prezentācijas sistēma vai maisījums.

Neatkarīga sintēze ļauj atdalīt kandidātu no viņa sākotnējā pasniegšanas veida.

Identitātes un citu svarīgu parauga parametru apstiprinājums papildus pastiprina saikni starp novēroto rezultātu un paredzēto molekulu. Šajā posmā īpaši svarīga kļūst pareiza interpretācija peptīdu tīrības un laboratorisko pētījumu, jo HPLC rezultāts, masas apstiprinājums un faktiskais peptīda saturs sniedz atbildes uz dažādiem analītiskiem jautājumiem.

Pareizā secība ir šāda:

skrīninga atradums → apstiprināts atradums → raksturots kandidāts,

Vai tomēr nē:

trāpījums skrīningā → pierādīts funkcionāls peptīds.

Labvēlīgs rangs, vizuāli pārliecinošs dokēšanas modelis vai atkārtota līdzīga rezultāta iegūšana tajā pašā kļūdu ēnā esošajā testā automātiski neaizvieto neatkarīgu validāciju.

Secvenču projektēšana un paredzēšanas rīki

Projektēšana sākas ar molekulārā mērķa noteikšanu

Peptīda projektēšana var sākties ar:

• zināmā motīva;
• cilmes šūnu peptīdu;
• olbaltumvielu mijiedarbības virsmas;
• eksperimentāli iegūta trāpījuma;
• strukturālā modeļa;
• evolūcijas secībai;
• pētīto peptīdu datu kopas.

Pēc tam var analizēt tādas izmaiņas kā:

• aminoskābju aizvietojumi;
• secības saīsināšana;
• secvences pagarināšana;
• ciklizācija;
• galu modifikācijas;
• aminoskābju secības maiņa;
• citas strukturālās modifikācijas.

Mērķim ir jābūt skaidri definētam.

Piemēram:

saistīšanās prognozēšana

nav tas pats uzdevums kas:

enzīma atpazīšanas paredzēšana,

savukārt no a līdz z nav tas pats, kas:

šķīdības prognozēšana.

Modifikācija, kas uzlabo vienu īpašību, var neietekmēt citu vai pat iedarboties uz to nelabvēlīgi.

Tāpēc praktiska peptīdu projektēšana var prasīt vairāku savstarpēji konkurējošu mērķu līdzsvarošanu.

Eksperimentāli atbalstīts enzīmu substrātu pētījums parādīja mērķtiecīgu pieeju, kurā algoritms piedāvāja kandidātus, bioķīmiskie eksperimenti tos novērtēja un iegūtie rezultāti ietekmēja turpmākos lēmumus par secības izvēli. [3]

Aprēķini atbalstīja konkrētu eksperimentālo mērķi, nevis aizstāja mērījumus.

Uz secību balstīta predikcija ir atkarīga no apmācību datiem

Uz secvenci balstīts datora modelis apgūst attiecības starp peptīdu pazīmēm un etiķetēm vai mērījumu rezultātiem, kas atrodas treniņu kopā.

Atkarībā no modeļa rezultāts var būt:

• klasifikācija;
• varbūtībai līdzīgs rezultāts;
• reitinga vērtība;
• paredzamā kvantitatīvā īpašība;
• cita veida datornovērtējums.

Interpretācija ir atkarīga no tā, ko patiesībā nozīmēja apmācībai izmantotās etiķetes.

Piemēram, apzīmējums „aktīvs” var nozīmēt:

• piesaiste virs noteiktā sliekšņa;
• enzīma transformācija;
• pretstatīto mikrobu aktivitāti;
• šūnu atbilde;
• cits specifisks kritērijs konkrētam testam.

Šīs nav ekvivalentas īpašības.

Datu kopas var ietvert arī rezultātus, kas iegūti dažādos eksperimentālos apstākļos.

Nepārbaudītu peptīdu nevajag automātiski uzskatīt par apstiprinātu negatīvu rezultātu tikai tāpēc, ka tam nepastāv pozitīvs rezultāts.

Tikpat svarīga ir modeļa novērtēšana.

Ja gandrīz identiskas secības atrodas gan apmācību, gan testa kopā, prognozēšanas problēma var būt daudz vienkāršāka nekā patiesi jaunu peptīdu īpašību prognozēšana.

Tāpēc:

Augsta modeļa kopējā precizitāte pati par sevi nepierāda spēju ģeneralizēt uz jaunām secībām.

Vispārināšanai ir nepieciešams apzināts vērtējums

Vispārināšana raksturo modeļa spēju saglabāt lietderību ārpus piemēriem, kas izmantoti apmācības laikā.

Tam ir īpaša nozīme, kad piedāvātais peptīds būtiski atšķiras no treniņdatiem šādā ziņā:

• sekvences;
• garumi;
• strukturālās klases;
• ķīmisko modifikāciju;
• molekulārā ceļa;
• eksperimentālā konteksta.

Pētījumā par T limfocītu receptora saistīšanās predikciju tika analizēta treniņa un testa peptīdu atšķirību ietekme uz modeļu novērtējumu. [9]

Kopu sadalījumi, kas balstīti uz secību un struktūru līdzību, nedeva identiskus rezultātus.

Tas parāda, kāpēc viens treniņa un testa datu dalījums vai viena vērtība, kas raksturo modeļa efektivitāti, var pilnībā neatspoguļot tā uzvedību pret jauniem peptīdiem.

Tas nenozīmē, ka peptīdu paredzamie modeļi pēc dabas ir neuzticami.

Tas tomēr nozīmē, ka to novērtēšanas veidam vajadzētu līdzināties reālajam lietojumam, kuram tās ir paredzētas.

Ko paredz peptīdu docking?

Peptīdu dokēšana ir skaitļošanas metode, ko izmanto, lai prognozētu veidu, kādā peptīds var mijiedarboties ar receptoru vai citu molekulāro mērķi.

Aprēķini var analizēt dažādus:

• peptīda konformācijas;
• orientācija;
• pozīcijas;
• kontakti ar receptoru;
• mijiedarbības ģeometrija.

Pēc tam piedāvātie izvietojumi tiek novērtēti, izmantojot attiecīgu punktu vai enerģijas funkciju.

Dokēšanas rezultāts tāpēc var nodrošināt:

• saistīšanas potenciāla;
• piedāvāto mijiedarbībā iesaistīto atlikumu;
• strukturālo hipotēžu;
• kandidātu reitings;
• sākotnējo struktūru turpmākai datoranalīzei.

Tomēr jāpatur prātā:

Dokēšanas poza ir hipotēze, nevis eksperimentāli novērots komplekss.

Līdzīgi:

Dokēšanas rezultāts nav automātiski eksperimentāli izmērīta disociācijas konstante, šūnu aktivitāte vai bioloģiskās veiksmes varbūtība.

Interpretācija ir atkarīga no:

• punktfunkcijas;
• konformāciju samplinga metožu;
• receptora struktūras;
• receptora elastības;
• peptīda elastības;
• sākotnējo pieņēmumu;
• protonācijas un molekulārās reprezentācijas;
• kalibrācija konkrētam uzdevumam.

Peptīdu dokēšana var būt īpaši sarežģīta, jo peptīdi bieži vien ir ļoti elastīgi.

Saistīšanās laikā var būtiski mainīties gan to konformācija, gan novietojums attiecībā pret mērķi.

Rosetta FlexPepDock: refinement un global docking ir dažādas procedūras

Sākotnējā publikācija par FlexPepDock serveri apraksta augstas izšķirtspējas modeļa pilnveidošanu, sākot ar peptīdu, kas novietots aptuveni receptora saistīšanās reģionā. [10]

Tāpēc šo rīku nevajadzētu vienkārši raksturot kā universālu metodi jebkuras nezināmas saistīšanās vietas atklāšanai bez strukturālas informācijas.

PIPER-FlexPepDock paplašina šo koncepciju globālās dokēšanas virzienā, apvienojot peptīdu fragmentu izvietošanu ar sekojošu elastīgu modeļa pilnveidošanu. [11]

Publikācijā šī metode tika novērtēta ar ierobežotu, bet reprezentatīvu eksperimentāli noteiktu peptīdu-olbaltumvielu kompleksu kopu.

Panākumi benchmarkā parāda efektivitāti testētajos apstākļos.

Netiek garantēta pareiza predikcija katram jaunam receptor-peptīda pārim.

Oficiālā Rosetta dokumentācija izšķir:

• pilnveidošana;
• ab initio modelēšana tuvu aptuvenajai saistīšanās vieta;
• globālais PIPER-FlexPepDock darba plūsmas process. [12]

Tāpēc datora pārskats kļūst daudz informatīvāks, ja tajā ir norādīts:

kurš FlexPepDock protokols tika izmantots + kādi sākotnējie dati tika izmantoti + kā tika novērtētas iegūtās struktūras.

Pats apgalvojums:

„Rosetta dokošana ir pabeigta”

atstāj daudz svarīgas metodoloģiskās informācijas nenoteiktas.

Modificētiem peptīdiem ir nepieciešama atbilstoša reprezentācija

Datora modelim ir pareizi jāattēlo pētāmā molekulārā struktūra.

Secvence, kas pierakstīta, izmantojot tikai standarta vienas burta aminoskābju kodus, var ignorēt būtisku ķīmisko informāciju.

Starp tiem var būt:

• C-gala amidēšana;
• N-gala acetilēšana;
• netipiskās aminoskābes;
• D-aminoskābes;
• ciklizācija;
• kovalentas šķērssaites;
• fosforilācija;
• citas modifikācijas.

Pētījumā, kurā izmantots FlexPepDock, tika analizēta peptīdu-MHC modelēšana, kas ietver nestandarta atlikumus un atlasītas peptīdu modifikācijas. [13]

Autori ieguva noderīgus benchmarka rezultātus un novēroja sakarību starp aprēķinātajiem rezultātiem un eksperimentāli izmērīto relatīvo saistīšanos pētītajā kopā.

Tas atbalsta konkrētu testētā modelēšanas pielietojumu.

Tomēr tas nenozīmē, ka katra iespējamā modifikācija tiks automātiski pareizi attēlota vai ka dokošana aizstāj eksperimentālu saistīšanās mērījumu.

CHARMM-GUI, peptīdu modelēšana un C-gala amidācija

CHARMM-GUI nodrošina rīkus molekulāro sistēmu sagatavošanai simulācijām.

Oficiālā dokumentācija uzsver, ka modificētajiem atlikumiem ir nepieciešami atbilstoši strukturālie definīcijas un spēka lauka parametri. [14]

Tāpēc veiksmīga ievaddatu ģenerēšana simulācijai nozīmē, ka ir sagatavota sistēmas datoriskā reprezentācija.

Eksperimentāli neapstiprina:

• peptīda identitātes;
• saites;
• bioloģiskās funkcijas;
• stabilitātes;
• aktivitātes.

C-gala amidētam peptīdam gala ķīmiskā grupa ir amīds, nevis brīva karboksilgrupa.

Šī atšķirība var ietekmēt:

• formāla krava;
• ūdeņraža saites;
• elektrostatiskā mijiedarbība;
• konformācija;
• mijiedarbība ar apkārtējo molekulāro vidi.

Tāpēc simulācijā izmantotajai spēka lauka struktūrai, topoloģijai un parametriem ir jāatbilst tai pašai galīgajai formai, kas tiek pētīta eksperimentāli.

Pētījumā par maximin H5 tika apvienotas eksperimentālās un imitācijas metodes, lai novērtētu C-gala formas maiņas sekas. [15]

Novērotas atšķirības šī konkrētā peptīda struktūrā un mijiedarbībā ar membrānām.

Tas nenozīmē, ka amidēšana uzlabo katra peptīda īpašības.

Tā tomēr parāda, kāpēc gala grupu ķīmija nebūtu jāignorē molekulārajā aprakstā.

Tāpēc amidation iespēju meklēšanai peptīdu veidošanas programmā vajadzētu sākties ar ķīmisku jautājumu:

kāda tieši molekulārā forma ir jāmodelē?

Tikai pēc šī jautājuma definēšanas programmatūras iestatījumu izvēle iegūst jēgu.

Eksperimentālā validācija un atkārtojamība

Pētiet katru molekulu atsevišķi

Izvēlētajam kandidātam galu galā vajadzētu tikt izpētītam kā definētam molekulāram materiālam.

Svarīgas pazīmes var ietvert:

• precīzu secību;
• gala formu;
• noteiktas modifikācijas;
• molekulāro identitāti;
• citas eksperimentam svarīgas īpašības.

Ja sākotnējā skrīningā tika izmantota fāgu displeja tehnoloģija vai pie lodītēm piesaistīti peptīdi, turpmākos eksperimentos var pārbaudīt, vai izolētais peptīds saglabā mērīto īpašību ārpus sākotnējās prezentācijas sistēmas.

Agrīnā fāgu display pētījumā fāgos eksponētos peptīdus salīdzināja ar to ķīmiski sintetizētajiem analogiem. [1]

Tas parāda, kā neatkarīgs pētījums var saistīt bibliotēkas atlases rezultātu ar pašas peptīda molekulas uzvedību.

Nozīme ir arī parauga kvalitātei un raksturlielumiem.

Atšķirības attiecībā uz:

• norādītās koncentrācijas;
• šķīdības;
• tīrības;
• agregācija;
• galīgāsformas;
• ķīmisko modifikāciju

var ietekmēt eksperimentālos salīdzinājumus.

Divi paraugi ar to pašu peptīda nosaukumu var nebūt ķīmiski ekvivalenti, ja to attiecīgās molekulārās formas nav definētas. Tāpēc pirms eksperimenta interpretācijas ir lietderīgi nošķirt identitātes, tīrības un faktiskā materiāla daudzuma jēdzienus, kas sīkāk apskatīti rakstā par peptīdu tīrības un laboratoriskajiem pētījumiem.

Papildu testam ir vislielākā vērtība, ja tas atbild uz konkrētām šaubām

Ortogonālais tests pēta konkrētu īpašumu, izmantojot citu mērījumu principu vai atšķirīgu eksperimentālā izvietojuma veidu.

Tā lielākā vērtība ir iespēja pārbaudīt konkrētu alternatīvu skaidrojumu.

Otrs tests var, piemēram, palīdzēt noskaidrot, vai sākotnējais rezultāts bija saistīts ar:

• virsmas saites;
• marķiera interferences;
• no nesēja atkarīgas uzvedības;
• imobilizācijas sekas;
• citu artefaktu, kas raksturīgs pirmajam testam.

Pats par sevi divu dažādu ierīču modeļu izmantojums vēl nenozīmē, ka mērījumi ir ortogonāli.

Ja abi testi izmanto to pašu immobilizācijas metodi vai to pašu noteikšanas principu, tie var būt pakļauti identiskam kļūdas avotam.

Vissvarīgākais jautājums ir:

kādu alternatīvu skaidrojumu pārbauda otrais eksperiments?

Saskaņotība starp patiesi komplementārām metodēm parasti sniedz spēcīgāku atbalstu nekā vairākkārtēja tās pašas kļūdu iespējamībai pakļautās nolasījuma reizes atkārtošana.

Replikācija un bioloģiskais konteksts

Dažāda veida replikācija ļauj novērtēt dažādus nenoteiktības avotus.

Tehniskie atkārtojumi palīdz novērtēt atkārtojamību tā paša eksperimentālā izvietojuma ietvaros.

Neatkarīgi eksperimenta atkārtojumi var ņemt vērā papildu mainīgumu starp sagatavošanas reizēm vai pētījumu sērijām.

Eksperimentos, kuros izmanto bioloģiskos paraugus, var būt nepieciešams ņemt vērā arī atšķirības starp:

• donoriem;
• šūnu sagatavošanu;
• organismiem;
• Paldies;
• citiem bioloģiskā materiāla avotiem.

Pētījumā, kurā izmantoja pārklājošos peptīdus, tika analizēta T limfocītu atpazīšana paraugos no donoriem un izmantota bibliotēka atpazīto reģionu identificēšanai. [5]

Novērotās atbildes bija atkarīgas no bioloģiskā konteksta.

Rezultātu, kas iegūts vienam donoram vai vienai eksperimentālajai sistēmai, nevajadzētu automātiski attiecināt uz katru cilvēku vai katru bioloģisko sistēmu.

Tātad atkārtojamība nozīmē iespēju atveidot konkrētu apgalvojumu atbilstoši aprakstītos apstākļos.

Tas nenozīmē vienīgi cita līdzīga izskata grafika iegūšanu.

Dokumentācijai ir jāļauj atkārtot analīzi

Labi veikts peptīdu bibliotēkas pētījums prasa pietiekamu dokumentāciju, lai cits pētnieks varētu saprast, kā rezultāts tika iegūts.

Noderīgi eksperimentālie dati ietver:

• precīzu peptīda secību;
• peptīda garums;
• fināla grupas;
• ķīmiskās modifikācijas;
• bibliotēkas arhitektūru;
• paraugu identifikatori;
• skrīninga nosacījumi;
• izmērītais galapunkts;
• kontrole;
• atkārtojuma struktūru;
• fona noteikšanas veids;
• trāpījuma kvalifikācijas slieksnis;
• kandidātu atlases kritēriji;
• izmantotās analītiskās metodes.

Datorpētījumos svarīgi var būt:

• programmatūras nosaukums;
• versija;
• protokols;
• ievades struktūra;
• molekulas attēlošanas veids;
• parametru kopums;
• datu apstrāde;
• apmācības un testa kopu sadalīšanas veids;
• punktēšanas metode;
• kandidātu ranžēšanas procedūra;
• atlases kritēriji.

Tikai augstāk novērtētā modeļa, labākā dokstacijas attēla vai galīgās secības saglabāšana var neļaut vēlāk atjaunot rezultāta sasniegšanas veidu.

Pašas bibliotēkas raksturojums arī ir atkārtojamības elements.

Fāgu bibliotēku sastāva un lodīšu noslodzes pētījumi liecina, ka mainība var pastāvēt jau pirms skrīninga uzsākšanas. [4] [8]

Tāpēc tikai gala mērķa dokumentēšana var izlaist svarīgu informāciju par izejmateriālu.

Pozitīvas predikcijas un negatīvi rezultāti ir vienlīdz būtiski

Ar datoru paredzēts kandidāts, kurš nav eksperimentāli apstiprinājies, joprojām var sniegt noderīgu informāciju.

Var atklāt:

• modeļa ierobežojumi;
• kļūdīgs mehānisks pieņēmums;
• nepietiekama ķīmiskās pazīmes atveidošana;
• problēma ar testa hipotezi;
• secenciālās telpas reģions, kurā modelim ir vāja ģeneralizācija.

Šādus rezultātus nevajadzētu dzēst no novērtējuma tikai tāpēc, ka tie neapstiprināja sākotnējo paredzējumu.

Iteratīvā projektēšana kļūst vērtīgāka, kad eksperimentālie novērojumi — arī negaidīti un negatīvi rezultāti — ietekmē turpmākos lēmumus.

Pētījumā par enzīmu substrātu projektēšanu tika izmantots vispārējais cikls:

prognoze → eksperimentālais mērījums → modeļa uzlabošana, balstoties uz datiem. [3]

Viņa zinātniskā vērtība izrietēja din aprēķinu apvienošanas ar novērojumiem, nevis no pirmā reitinga uztveršanas par galīgo atbildi.

Tāpēc spēcīgākajam secinājumam vajadzētu precīzi definēt, kas tika pierādīts:

• bagātināšana;
• saite;
• uzvedība kā enzīma substrāts;
• inhibīcija;
• šūnu atbilde;
• datoru paredzēšana;
• efektivitāte strukturālajā benčmārkā.

Katrs no šiem rezultātiem var būt zinātniski vērtīgs.

Tomēr nevajadzētu aizstāt vienu ar otru.

Biežākās kļūdas peptīdu bibliotēku interpretācijā

Peptīdu bibliotēku izpētes rezultāti var kļūt mulsinoši, ja secinājumi pārsniedz to, kas patiesībā tika izmērīts.

Viens no biežākajiem kļūdām ir teorētiskā bibliotēkas lieluma uztveršana kā eksperimentāli apstiprināta daudzveidība. Fiziskas bibliotēkas var raksturot nevienmērīga pārstāvība, trūkstoši elementi, dublikāti vai sintēzes procesa radītas nobīdes. [4]

Vēl viena kļūda ir bagātināšanas uzskatīšana par radniecības pierādījumu. Bagātināšana var izrietēt arī no pavairošanas priekšrocības, saistīšanās ar virsmu vai citām ar selekcijas procesu saistītām īpašībām. [6] [7]

Trešā problēma ir saistīšanas pielīdzināšana funkcijai. Peptīds var mijiedarboties ar mērķi, neizraisot piedāvāto bioloģisko efektu.

Tāpat dockinga rezultātu nevajadzētu uztvert kā eksperimentālu afinitātes mērījumu. Rezultāti punktu izteiksmē ir iegūti no datoru modeļiem, un tiem ir nepieciešama validācija, pirms tos var uzskatīt par kvantitatīvu saistīšanās pierādījumu. [10] [11] [13]

Virtuālais peptīds arī automātiski nav peptīds, ko var viegli iegūt pareizā ķīmiskajā formā. Sintēze, šķīstība, molekulārā identitāte un parauga raksturojums joprojām ir eksperimentāli jautājumi.

Visbeidzot, rezultāts, kas iegūts ar fāgam prezentētu peptīdu, kurš ir immobilizēts uz virsmas vai saistīts ar lodīti, var netikt atkārtots ar tam atbilstošu brīvu molekulu, jo pati prezentācijas metode var ietekmēt konformāciju, pieejamību, lokālo blīvumu un aviditāti.

Šie ierobežojumi nemazina peptīdu bibliotēku vērtību.

Turpretim tās nosaka veidu, kā jāinterpretē to sniegtie pierādījumi.

Biežāk uzdotie jautājumi

1. Kas ir pārklājošos peptīdu bibliotēka?

Pārklājošos peptīdu bibliotēka ir fragmentu kopa, kas aptver garāku mātes sekvenci, turklāt blakus esošajiem peptīdiem ir daļa kopīgas aminosābju sekvences. Šāds risinājums palīdz pētniekiem identificēt reģionus, kas saistīti ar atpazīšanu vai citu mērītu atbildes reakciju. Pētījums, kurā tika izmantoti pārklājošies meningokoku olbaltumvielas fragmenti, parādīja šīs metodes pielietojumu T limfocītu atbildes kartēšanai paraugos, kas iegūti no donoriem. [5] Tomēr pozitīvs rezultāts fragmentam automātiski neidentificē minimālo epitopu, nepierāda, ka katrs kopīgais atlikums ir nepieciešams, un nenozīmē, ka fragments precīzi atveido veselas olbaltumvielas struktūru un apstrādi.

2. Vai datoru prognozes var aizstāt eksperimentus?

Nē. Datora prognozes var palīdzēt noteikt kandidātu prioritātes, identificēt likumsakarības, izveidot strukturālas hipotēzes un samazināt to secību skaitu, kurām nepieciešama tūlītēja eksperimentāla pārbaude. Tomēr to ticamība ir atkarīga no modeļa, apmācības datiem, molekulu attēlojuma veida, pieņemtajiem pieņēmumiem un konkrētā uzdevuma. Pētījumā par enzīmu substrātu dizainu vairākkārt tika testēti ar algoritmu izvēlēti peptīdi un eksperimentālie rezultāti tika izmantoti nākamajām atlases kārtām. [3] Tas parāda skaitļošanas metožu sadarbību ar eksperimentu, nevis eksperimenta aizstāšanu ar modeli. Kandidāts paliek datora prognoze, līdz tā attiecīgā īpašība tiek eksperimentāli novērtēta.

3. Vai peptīdu bibliotēka ir fiziska kolekcija vai datubāze?

Tas var būt gan viens, gan otrs. Fiziskās bibliotēkas satur daļiņas, kuras var tieši pētīt eksperimentāli, savukārt virtuālās bibliotēkas satur digitālas secības, molekulārās struktūras vai citus datorizētus attēlojumus. Pirmie pētījumi, kas balstījās uz metodi "viena lodīte – viens peptīds" (one-bead–one-peptide), attiecās uz fiziskajām sintētiskajām bibliotēkām, bet datorizētās projektēšanas metodes analizē molekulāros attēlojumus pirms atlasīto kandidātu sintēzes. [2] [3] Pati secības klātbūtne virtuālajā bibliotēkā neapstiprina, ka tai atbilstošais peptīds ir pareizi sintezēts, tam ir paredzētā ķīmiskā forma vai tas uzrāda paredzēto īpašību. Tāpēc, apspriežot bibliotēkas izmēru vai skrīninga rezultātus, vienmēr ir jānorāda tās formāts.

4. Vai lielāka bibliotēka vienmēr nodrošina labāku kandidātu atrašanu?

Nē. Bibliotēkas lielums ir svarīgs tikai tad, ja tā ietver būtisku, pieejamu, identificējamu un atbilstoši pārstāvētu daudzveidību. Fāgu bibliotēkas dziļā sekvenēšana uzrādīja nevienmērīgu sekvenču skaitu un faktorus, kas samazina efektīvo daudzveidību par spīti plaši plānotajam dizainam. [4] Ļoti lielas bibliotēkas var arī palielināt ar paraugu ņemšanu un interpretāciju saistītās problēmas, jo ne katram teorētiski iespējamajam elementam ir faktiski jābūt klāt vai atbilstoši izpētītam. Tādējādi kandidātu kvalitāte ir atkarīga no bibliotēkas sastāva, skrīninga dizaina, testa kvalitātes, kontroles un validācijas, nevis tikai no reklamētā iespējamo sekvenču skaita.

5. Vai nejaušās peptīdu bibliotēkas tiešām nesatur novirzes?

Ne vienmēr. Randomizēts dizains joprojām var novest to nevienlīdzīgas nukleotīdu, aminoskābju un veselu sekvenču reprezentācijas. Bioloģiskā ražošana, pavairošana, sintēzes ķīmija un paraugu ņemšana var ieviest papildu kļūdu avotus. Komerciālas fāgu bibliotēkas dziļā sekvencēšana uzrādīja nevienlīdzīgu reprezentāciju jau pirms selekcijas uzsākšanas pret mērķi. [4] Tas nenozīmē, ka katra nejaušā bibliotēka ir neuzticama. Tas tomēr parāda, ka „nejaušs dizains” un „eksperimentāli apstiprināta vienmērīgums” ir divi dažādi apgalvojumi. Sākotnējās bibliotēkas raksturojums palīdz atšķirt lielu izejas skaitu no reālas no selekcijas atkarīgas bagātināšanās.

6. Kā fāgu display metode ļauj identificēt peptīda secību?

Fāgu displejs saista uz bakteriofāga virsmas prezentētu peptīdu ar ģenētisko informāciju, kas atrodas pašas daļiņas iekšienē. Atlasītos fāgus var tātad atgūt, un tiem atbilstošās peptīdu sekvences noteikt, pamatojoties uz saistīto ģenētisko materiālu. Agrīnie pētījumi ar nejaušiem peptīdiem, kas tika prezentēti uz diegveida fāgiem, izmantoja šo sakarību starp genotipu un fenotipu, lai atgūtu un raksturotu saistošos ligandus. [1] Tomēr fāga atgūšana vien nepierāda specifiskumu pret mērķi, jo skaitu var ietekmēt mijiedarbība ar virsmu, atšķirības pavairošanā un citi selektīvie spiedieni. Ģenētiskā saistība ļauj noteikt kandidāta identitāti, un turpmāki eksperimenti palīdz noskaidrot tā atlases iemeslu.

7. Kāpēc fāgu var bagātināt bez saistīšanās ar paredzēto mērķi?

Pie bagātināšanas, kas nav saistīta ar konkrēto mērķi, var novest vairāki mehānismi. Fāgs var mijiedarboties ar testa virsmu, izcili labi tolerēt selekcijas apstākļus vai vairoties veiksmīgāk nekā konkurējošie kloni. Atsevišķos pētījumos ir pierādīta polistirola izraisīta atgūšana un ar propagācijas priekšrocību saistīta bagātināšana. [6] [7] Tie ir dažādi mehānismi, un tiem ir nepieciešamas dažādas kontroles. Tāpēc bagātināšana ir jāinterpretē kā pierādījums tam, ka klons ir izdzīvojis un palielinājis savu pārstāvību selekcijas procesa laikā. Lai pierādītu specifisku mērķa atpazīšanu, ir vajadzīgi papildu pierādījumi, kas ļauj atšķirt šo iespēju no alternatīviem skaidrojumiem.

8. Ko nozīmē "viena lodīte – viens savienojums" (one-bead–one-compound)?

Metode "viena lodīte – viens savienojums" nozīmē, ka katrai lodītei pēc definīcijas ir jāuzrāda vairākas viena konkrētā savienojuma kopijas, lai atlasīto lodīti galu galā varētu saistīt ar vienu bibliotēkas elementu. Šī koncepcija ļauj izveidot lielas kombinatoriskas sintētiskās bibliotēkas un tika prezentēta agrīnos pētījumos par metodi "viena lodīte – viens peptīds". [2] Tomēr šis termins apraksta bibliotēkas paredzēto organizāciju, nevis garantē identisku noslodzi, nevainojamu sintēzi vai katras lodītes ķīmisko viendabīgumu. Vēlāki atsevišķu lodīšu mērījumi uzrādīja būtiskas atšķirības uzrādītā peptīda daudzumā. [8] Tādējādi materiāla kvalitāte un noslodze joprojām ir īpašības, kurām nepieciešams eksperimentāls novērtējums.

9. Vai peptīda daudzums uz lodītes var ietekmēt skrīninga rezultātu?

Labi. Lodīte, uz kuras ir vairāk pieejamā peptīda, var radīt spēcīgāku testa signālu pat tad, ja pati molekulārā mijiedarbība nav spēcīgāka. Pētījumā, kurā tika izmantota Ramana spektroskopija vienas lodītes un viena savienojuma bibliotēku analīzei, tika konstatēta ievērojama peptīda daudzuma mainība, īpaši garāku secību gadījumā. [8] Pētījumā nav noteikta slodzes ietekme katrā iespējamajā skrīninga sistēmā, taču tajā ir identificēts mainības avots, kas var ietekmēt signāla intensitāti. Tāpēc skrīninga rezultāti uz lodītēm ir jāinterpretē gan pašas molekulārās mijiedarbības, gan uzrādītā materiāla blīvuma kontekstā.

10. Vai saistīšanās ir tas pats, kas bioloģiskā aktivitāte?

Nē. Saistīšanās nozīmē molekulu mijiedarbību noteiktos apstākļos. Bioloģiskai vai biķīmiskai aktivitātei ir nepieciešams atsevišķi definēts galapunkts. Peptīds var saistīties ar olbaltumvielu, bet to neaktivizēt vai neinhibēt, un šūnu atbilde var rasties, izmantojot mehānismu, kas atšķiras no paredzētās mijiedarbības ar mērķi. Fāgu display (phage display) pētījumi galvenokārt koncentrējās uz saistīšanos, savukārt pētījumā, kurā izmantota mašīnmācīšanās, tika apskatīta peptīdu kā enzīmu substrātu uzvedība. [1] [3] Tie ir dažādi zinātniski jautājumi. Tāpēc skrīninga rezultāts (trāpījums) ir jāraksturo atbilstoši īpašībai, kas faktiski tika izmērīta, nepiedēvējot tam plašāku darbību.

11. Kāpēc šo vielas atradumu ir vērts atkārtoti sintezēt un izpētīt individuāli?

Neatkarīga sintēze palīdz noteikt, vai konkrēts definēts peptīds patiešām atveido novēroto uzvedību ārpus sākotnējās bibliotēkas sistēmas. Piesaiste fāgam, materiāla daudzums uz lodītes, maisījuma efekti, mijiedarbība ar nesēju vai citi skrīninga elementi var ietekmēt sākotnējo rezultātu. Agrīnajos fāgu display pētījumos prezentētie ligandi tika salīdzināti ar peptīdiem, kas iegūti ķīmiskās sintēzes ceļā, kas ilustrē šo apstiprinošo posmu. [1] Atkārtota sintēze ir visinformatīvāka tad, ja iegūtais materiāls tiek atbilstoši raksturots un pārbaudīts testā, kas attiecas uz sākotnējo apgalvojumu. Pati sintēze vēl neapstiprina ne funkciju, ne mehānismu.

12. Ko paredz Rosetta FlexPepDock?

Rosetta FlexPepDock modelē peptīdu un olbaltumvielu kompleksu struktūras, taču atsevišķas procedūras, kas saistītas ar FlexPepDock, paredz dažādus sākotnējās informācijas apjomus. Sākotnējā publikācija par serveri galvenokārt apraksta tāda peptīda modeļa augstas izšķirtspējas pilnveidošanu, kurš jau atrodas aptuveni receptora saistīšanās vietas tuvumā. [10] PIPER-FlexPepDock izmanto plašāku globālās dokošanas stratēģiju, kurai seko modeļa elastīga pilnveidošana. [11] Salīdzinošās testēšanas (benčmārkinga) rezultāti negarantē pareizību katram jaunam peptīda un olbaltumvielu pārim. Tāpēc noderīgā ziņojumā ir jānorāda izmantotais protokols, sākotnējā informācija un prognozēto struktūru novērtēšanas veids.

13. Vai labvēlīgs dokošanas rezultāts apstiprina spēcīgu saistīšanos?

Nē. Dokēšanas rezultāts ir datora punktu funkcijas ģenerēta vērtība, un tas nav automātiski pielīdzināms eksperimentāli izmērītai afinitātei, piemēram, disociācijas konstantei. Tā nozīme ir atkarīga no dokēšanas protokola, molekulārā attēlojuma, konformācijas parauguņemšanas veida, pētāmā mērķa un kalibrēšanas. FlexPepDock pētījumā par peptīdu un MHC kompleksiem aprēķinu rezultāti tika salīdzināti ar relatīviem saistīšanās mērījumiem noteiktā datu kopā, parādot, ka šādas sakarības ir jāpēta, nevis jāpieņem par pašsaprotamām. [13] Labvēlīgs dokēšanas rezultāts var palīdzēt noteikt kandidātu prioritātes vai atbalstīt strukturālu hipotezi, taču spēcīgai saistīšanai ir nepieciešami atbilstoši eksperimentāli pierādījumi.

14. Kāpēc C-gala amidēšanai ir nozīme peptīda modelēšanā?

C-gala amidēšana izmaina ķīmisko grupu, kas atrodas peptīda galā, un var ietekmēt formālo lādiņu, ūdeņraža saites, elektrostatiskās mijiedarbības, kā arī molekulas konformāciju. Tāpēc datorģenerētam modelim ir jāatspoguļo tā pati galu ķīmiskā struktūra, kāda piemīt eksperimentāli pētītajam peptīdam. Maximin H5 pētījumos tika novērotas atšķirības struktūrā un mijiedarbībā ar membrānām, kas bija saistītas ar gala formas maiņu. [15] Tas nepierāda, ka amidēšana vienmēr uzlabo peptīdu īpašības. Tas tomēr parāda, kāpēc gala grupu ķīmiskajam sastāvam jābūt pareizi definētam un atveidotam modelī.

15. Vai modeļa ģenerēšana programmā CHARMM-GUI apstiprina peptīda īpašības?

Nē. CHARMM-GUI palīdz sagatavot molekulārās sistēmas simulācijām. Sekmīga struktūras vai ievades failu izveide nozīmē, ka ir izveidots pētāmās sistēmas datoriskais attēlojums; tā eksperimentāli neapstiprina saistīšanos, bioloģisko aktivitāti, stabilitāti vai klīnisko nozīmīgumu. Oficiālā dokumentācija arī norāda, ka modificētajiem atlikumiem ir nepieciešamas atbilstošas strukturālās definīcijas un parametri. [14] Tādējādi datoriskā modeļa sagatavošana ir sākumpunkts tālākai modelēšanai. Tas, vai reālā molekula uzvedas tā, kā paredzēts, paliek atsevišķs eksperimentāls jautājums.

16. Kāpēc paredzamais modelis var neizdoties jauna peptīda gadījumā?

Jauns peptīds var atšķirties no apmācīšanās laikā izmantotajiem piemēriem tādā veidā, ko modelis nav iemācījies pareizi attēlot. Atšķirības var attiekties uz sekvenci, struktūru, garumu, modifikācijām, molekulāro mērķi vai citām pazīmēm. Pētījums par modeļiem, kas paredz T limfocītu receptoru saistīšanos, parādīja, ka efektivitātes novērtējums mainījās atkarībā no tā, kā tika ņemta vērā sekvenču un strukturālā līdzība starp apmācības un testa peptīdiem. [9] Tas nenozīmē, ka katra jaunas sekvences prognoze būs kļūdaina. Tomēr tas parāda, ka modeļa vispārējā efektivitātes statistika ir jāinterpretē kontekstā ar to, cik ļoti testa apstākļi līdzinās tā paredzētajam lietojumam.

17. Kas nodrošina peptīdu bibliotēku izpētes rezultātu reproducējamību?

Atkārtojamība prasa pietiekami daudz informācijas, lai definētu bibliotēku, kandidātu molekulu, eksperimentālos apstākļus, kontroles, analīzes metodi un kritērijus rezultāta atzīšanai par trāpījumu. Pētījumi par fāgu bibliotēku sastāvu un peptīda daudzumu uz lodītēm parāda, ka mainība var pastāvēt jau pirms skrīninga sākuma. [4] [8] Tāpēc tikai galīgās sekvences un punktu skaita rezultāta sniegšana izlaiž potenciāli svarīgus atšķirību avotus. Atkārtojami pētījumi prasa skaidru sekvenču, modifikāciju, bibliotēkas arhitektūras, paraugu identifikatoru, testa gala punktu, kontroļu, analītisko kritēriju, datora parametru un galvenā rezultāta neatkarīgas apstiprināšanas ziņošanu.

18. Vai visvairāk bagātinātajam peptīdam ir jābūt labākajam ligandam?

Nē. Liela bagātināšanās var izrietēt no saistīšanās ar mērķi, taču to var ietekmēt arī sākotnējais sekvenču skaits, amplifikācijas efektivitāte, nespecifiskas mijiedarbības ar virsmu un citas ar atlasi saistītās īpašības. Dziļā sekvenēšana ir parādījusi fāgu bibliotēku nevienmērīgu sākotnējo pārstāvnību, un citi pētījumi ir dokumentējuši bagātināšanos, kas saistīta ar priekšrocībām amplifikācijā. [4] [6] Tāpēc vislielāko skaitu sasniegušo gala sekvenci nevajadzētu automātiski pielīdzināt ligandam ar visaugstāko radniecību (afinitāti). Stingrākus pierādījumus nodrošina sākotnējā un galīgā skaita salīdzināšana, atbilstošas kontroles un neatkarīgs saistīšanās mērījums.

19. Vai paredzētā peptīda sekvence pierāda, ka to var veiksmīgi sintetizēt?

Nē. Datora projekts rada molekulāru sekvenci vai hipotēzi, bet tas neapstiprina sintēzes panākumus. Dažas sekvences var izraisīt problēmas, kas saistītas ar savienošanas efektivitāti, agregāciju, attīrīšanu, šķīstību vai ķīmisko modifikāciju. Tādējādi virtuālā bibliotēka var saturēt kandidātus ar ļoti atšķirīgu praktisko sintētisko realizējamību. Tikai eksperimentāla materiāla iegūšana un tā analītiskā raksturošana ļauj noteikt, vai paredzētā molekula tiešām ir iegūta. Datorizētā prioritāšu noteikšana un ķīmiskā realizējamība ir saistīti, bet atsevišķi pētījumu posmi.

Vai fāgu display metodē izvēlēts peptīds var uzvesties citādi kā brīva molekula?

Tā tad phage display metodei izmantotais peptīds atrodas ar nesēju saistītā vidē, kas var ietekmēt tā konformāciju, orientāciju, pieejamību, lokālo blīvumu un aviditāti. Brīvam peptīklam dažu no šīm īpašībām nav, un tāpēc tas saistīšanās laikā var uzrādīt citādu šķietamo uzvedību. Agrīnos phage display pētījumos fāgos prezentētos ligandus salīdzināja ar to ķīmiski sintetizētajiem analogiem, kas parāda šīs eksperimentālās atšķirības nozīmi. [1] Tāpēc sekmīga fāgu selekcija sniedz vērtīgus pierādījumus par prezentēto sekvenci, savukārt, lai noteiktu tai atbilstošā brīvā peptīda uzvedību, ir nepieciešams neatkarīgs pētījums.

Pierādījumu ierobežojumi no peptīdu bibliotēkām un prognozēm

Interpretējot peptīdu bibliotēku pētījumus, ir jāpatur prātā vairāki ierobežojumi.

Pirmkārt, teorētiskā dažādība nav tas pats, kas faktiskā eksperimentālā dažādība. Nevienlīdzīga pārstāvība, sintētiskās problēmas, pavairošanas atšķirības un paraugu ņemšanas veids var mainīt bibliotēkas faktisko sastāvu. [4]

Otrkārt, bagātināšana skrīninga laikā automātiski nepstiprina specifisku saistīšanos ar mērķi. Virsmas mijiedarbība un priekšrocības pavairošanā var izraisīt bagātināšanu, izmantojot citus mehānismus. [6] [7]

Treškārt, prezentācijas veidam ir nozīme. Peptīdi, kas piesaistīti fāgiem, lodītēm vai virsmām, var uzvesties citādi nekā tās pašas molekulas šķīdumā, pateicoties pieejamībai, orientācijai, lokālajam blīvumam vai aviditātei. [1] [8]

Ceturtkārt, saistīšanās, selektivitāte un funkcija ir dažādas īpašības. Vienas no tām pierādīšana automātiski neapstiprina pārējās.

Piektkārt, datoriskā predikcija ir atkarīga no modeļa. Apmācību dati, novērtēšanas veids, molekulārais attēlojums un pieņemtie pieņēmumi nosaka, kādu nozīmi var piešķirt rezultātam. [3] [9]

Sestkārt, dokēšanas rezultāti nav eksperimentāli afinitātes mērījumi. Strukturālie modeļi un vērtēšanas funkcijas var palīdzēt hipotēžu izvēlē, bet faktiskajai saistīšanās uzvedībai ir nepieciešami eksperimentāli mērījumi. [10] [11] [13]

Septītkārt, ķīmiskajai formai ir nozīme. Gala grupām, netipiskām aminoskābēm, stereochemijai un citām modifikācijām jābūt pareizi attēlotām gan eksperimentālajos aprakstos, gan datormodeļos. [13] [14] [15]

Visbeidzot, skrīninga rezultāts ir validācijas sākums, nevis beigas. Neatkarīga materiāla sagatavošana, molekulārā raksturošana, kontrole, komplementāri testi un replikācija pakāpeniski stiprina pieejamos pierādījumus.

Kopsavilkums

Peptīdu bibliotēkas nodrošina sistemātisku milzīgās iespējamo molekulāro secību telpas izpēti.

Tie ļauj salīdzināt vairākus kandidātus un analizēt jautājumus, kas saistīti ar:

• molekulāro atpazīšanu;
• fermentu substrāti;
• secenciāliem motīviem;
• saistīšanai;
• struktūras un aktivitātes sakarībām;
• šūnu atbildes reakcijām;
• datoriskajām prognozēm.

Tomēr apzīmējums „peptīdu bibliotēka” ietver vairākus būtiski atšķirīgus pētniecības formātus.

Pārklājošos peptīdu bibliotēka palīdz kartēt garākas secības reģionus.

Mērķtiecīga aizstāšanas bibliotēka ļauj analizēt atsevišķu pozīciju nozīmi.

Fāžu display bibliotēka saista prezentēto peptīdu ar ģenētisko informāciju un nodrošina selekciju.

Bibliotēka one-bead–one-compound organizē sintētiskos kandidātus uz atsevišķām lodītēm.

Virtuālā bibliotēka pastāv digitālā formātā, un to var izmantot secību prioritāšu noteikšanai pirms eksperimentālo pētījumu uzsākšanas.

Šos formātus nevajadzētu uzskatīt už savstarpēji aizvietojamiem.

Arī bibliotēkas lielums prasa uzmanīgu interpretāciju.

Teorētiskā kolekcija, kas ietver miljoniem iespējamu sekvenču, nepierāda, ka katrs tās elements ir fiziski klātesošs, vienmērīgi pārstāvēts, ķīmiski pareizs un faktiski pakļauts skrīningam. Pētījumi, kuros izmantota dziļā sekvenēšana, parāda, kāpēc bibliotēkas faktiskais sastāvs var atšķirties no plānotās daudzveidības. [4]

Līdzīgi bagātināšana nav sinonīms specifiskai radniecībai pret mērķi.

Fāgu kloni var tikt bagātināti ar mehānismiem, kas nav saistīti ar paredzēto mērķi, piemēram, mijiedarbību ar virsmu vai priekšrocību pavairošanā. [6] [7]

Tāpēc atbilstošas pārbaudes un neatkarīgi pētījumi ir tik svarīgi.

Tas pats piesardzības pasākums attiecas uz datorizētu peptīdu projektēšanu.

Secvenciālie modeļi un dokošanas rīki var palīdzēt identificēt daudzsološus kandidātus un izstrādāt mehānistiskas hipotēzes, taču to prognozes ir atkarīgas no apmācību datiem, strukturālajiem attēlojumiem, punktu skaitīšanas funkcijām un sākotnējiem pieņēmumiem. [3] [9] [10] [11]

Labvēlīgs dokēšanas rezultāts pats par sevi neapstiprina spēcīgu eksperimentālo saistīšanos.

Datora ģenerēta sekwence nepierāda, ka to var pareizi sintezēt.

Paredzētā mijiedarbība neapstiprina bioloģisko funkciju.

Visinformatīvākais peptīdu atklāšanas process tāpēc uzskata atsevišķus pierādījumu veidus par atsevišķiem, bet savstarpēji papildinošiem posmiem:

projektēšana → bibliotēkas konstrukcija → skrīnings → trāpījumu identifikācija → neatkarīgs apstiprinājums → raksturojums → skaitļošanas pilnveide → eksperimentālā validācija.

Galīgā secinājuma spēks ir atkarīgs no tā, cik rūpīgi šie posmi ir savstarpēji savienoti.

Vissvarīgāko likumu var izteikt vienkārši:

bibliotēka norāda uz iespējām, skrīninga metode identificē signālus, modelis ģenerē prognozes, savukārt validācija nosaka, kuri secinājumi patiesi balstās uz eksperimentāliem pierādījumiem.

Atruna

Rakstam ir tikai izglītojošs un zinātniski informatīvs raksturs. Tajā ir aprakstīti vispārīgi principi attiecībā uz peptīdu bibliotēkām, fāgu display tehnoloģiju, sintētisko peptīdu skrīningu, secību izstrādi, datorprognozēšanu, peptīdu dokingu, molekulāro modelēšanu, eksperimentālo validāciju un pētījumu reproducējamību. Tas nav medicīnisks padoms, terapeitisks ieteikums, instrukcija par peptīdu lietošanu, informācija par devām vai norādījumi par to ievadīšanu cilvēkiem. Datorprognozes, skrīninga laikā iegūtos "hitus", dokinga rezultātus un preklīniskos eksperimentālos rezultātus nevajadzētu interpretēt kā pierādījumu tam, ka konkrēts peptīds ir drošs, efektīvs, klīniski validēts vai piemērots lietošanai cilvēkiem.

Atsauces

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. Daba, 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), 52.5. pants. 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. Vīrusi, 14(11), 2402. pants. 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). Meningokoka 1. klases ārējās membrānas olbaltumvielā esošo T šūnu epitopu identifikācija, izmantojot pārklājošos peptīdus, kas sintezēti ar vienlaicīgu vairāku peptīdu sintēzi. 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). Balta plāksne, kas saistīta ar genoma delēciju un ir iegūta no M13KE balstītas peptīdu bibliotēkas, fāgu display biopanēšanas laikā tiek bagātināta ar mērķim nesaistītu veidu tās izplatīšanās priekšrocības dēļ. International Journal of Molecular Sciences, 23(6), 3308. pants. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). Polistirolu saistošs uz mērķi neorientēts peptīds, kas izolēts fāgu display bibliotēkas skrīningā. 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. Analītiskā ķīmija, 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), e0324011. panta. 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(Tīmekļa serveris), 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). Augstas izšķirtspējas globālā peptīdu un olbaltumvielu dokošana, izmantojot uz fragmentiem balstītu PIPER-FlexPepDock metodi. PLOS Computational Biology, 13(12), e1005905. pants. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (bez datuma). FlexPepDock. Skatīts 2026. gada 20. septembrī, no Oficiālā dokumentācija
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock peptīdu-MHC saistīšanās prognozēšanai: pieeja nekanoniskām aminoskābēm. PLOS ONE, 17(12), 3. pants e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.g.). Bieži uzdotie jautājumi. Skatīts 2026. gada 20. septembrī, no Oficiālā dokumentācija
15. Dennison, S. R., Mura, M., Harris, F., Mortons, L. H. G., Zvelindovskis, A., un Fīnikss, D. A. (2015). C-gala amidēšanas loma anjono pretmikrobu peptīda maximin H5 mijiedarbībā ar membrānu. Biochimica et Biophysica Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014