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:

• niepełne sprzęganie;
• delecijas sekvences;
• agregację;
• trudności z oczyszczaniem;
• słabą rozpuszczalność;
• reakcje uboczne;
• niestabilność modyfikacji;
• problemy syntetyczne zależne od sekwencji.

Tāpēc:

zaprojektowana różnorodność chemiczna ≠ eksperymentalnie potwierdzona różnorodność chemiczna.

Genetycznie kodowane systemy prezentacji i synteza chemiczna obejmują więc częściowo nakładające się, ale nieidentyczne przestrzenie molekularne.

Zmodyfikowane technologie prezentacji mogą dodatkowo rozszerzać zakres chemii dostępnej w systemach biologicznych, dlatego nie należy upraszczać tego rozróżnienia do stwierdzenia, że biblioteki biologiczne mogą zawierać wyłącznie niemodyfikowane standardowe peptydy.

Biblioteki one-bead–one-compound

W bibliotece one-bead–one-compound (OBOC) każda kulka ma w założeniu zawierać wiele kopii jednego konkretnego związku.

Jedną z często stosowanych strategii jest synteza typu split-and-pool.

Kulki dzieli się na grupy, każdą grupę poddaje reakcji z innym elementem budulcowym, następnie wszystkie kulki ponownie się łączy i ponownie dzieli przed kolejnym etapem syntezy.

Powtarzanie tego procesu może prowadzić do powstania dużej biblioteki kombinatorycznej, przy jednoczesnym zachowaniu planowanego powiązania pomiędzy pojedynczą kulką a konkretną sekwencją.

Pierwsze badania dotyczące systemu one-bead–one-peptide przedstawiły metodę tworzenia i screeningu dużych syntetycznych bibliotek peptydowych pod kątem wiązania ligandów. [2]

Określenie one bead–one compound opisuje jednak zasadę organizacji biblioteki.

Nenorāda, ka:

• każda kulka zawiera chemicznie idealny peptyd;
• każda kulka ma identyczne obciążenie peptydem;
• wszystkie reakcje sprzęgania zachodziły z taką samą wydajnością;
• peptyd na każdej kulce jest równie dostępny.

W późniejszym badaniu pojedynczych kulek wykorzystano spektroskopię Ramana do oceny ilości peptydu.

Badacze zaobserwowali znaczną zmienność między kulkami biblioteki, szczególnie w przypadku dłuższych sekwencji, mimo bardziej równomiernego obciążenia materiału początkowego. [8]

Ma to znaczenie, ponieważ intensywność sygnału podczas screeningu może zależeć zarówno od:

siły interakcji,

jak i od:

ilości dostępnego peptydu prezentowanego na kulce.

Macierze, indywidualnie syntetyzowane zestawy i badania pulowane

Biblioteki peptydów mogą być również organizowane w postaci macierzy lub indywidualnie syntetyzowanych zestawów.

W macierzy peptydowej zdefiniowane peptydy znajdują się w znanych fizycznych pozycjach.

Zapewnia to bezpośrednie połączenie:

położenie → tożsamość sekwencji → sygnał testu.

Należy jednak pamiętać, że unieruchomienie na powierzchni może wpływać na konformację i dostępność peptydu.

Innym rozwiązaniem jest screening pulowany.

Kilka peptydów łączy się w jednej próbce i bada razem.

Jeżeli pula daje pozytywną odpowiedź, można następnie przeprowadzić jej dekonwolucję, testując mniejsze grupy lub poszczególne elementy.

Pooling może zmniejszyć liczbę pomiarów potrzebnych na początkowym etapie.

Pula nie zawsze zachowuje się jednak dokładnie tak samo jak każdy z jej pojedynczych składników.

Wpływ mogą mieć:

• różnice stężeń;
• konkurencja;
• šķīdība;
• agregacja;
• interferencje;
• efekty antagonistyczne;
• nasycenie testu.

Pozytywna pula wskazuje więc grupę wymagającą dalszych badań.

Nie dowodzi, że każdy zawarty w niej peptyd posiada badaną właściwość.

Screening i wybór kandydatów

Najpierw określ, co właściwie mierzy test

Znaczenie wyniku screeningu zależy całkowicie od mierzonego punktu końcowego.

Screening wiązania odpowiada na pytanie, czy peptyd oddziałuje z określonym celem w danych warunkach.

Screening substratów enzymatycznych bada, czy enzym przekształca określony peptyd.

Test inhibicji sprawdza, czy peptyd zmniejsza określoną aktywność.

Test komórkowy mierzy zdefiniowaną odpowiedź w komórkach.

Wyniki te nie są równoważne.

Peptyd może wiązać się z celem, nie aktywując go ani nie hamując.

Może być substratem enzymu, ale nie wykazywać odpowiedniego zachowania w układzie komórkowym.

Odpowiedź komórkowa może natomiast wynikać z niezamierzonego szlaku.

Dlatego określenie „aktywny peptyd” jest często zbyt szerokie, jeśli nie podano, jakiego rodzaju aktywność faktycznie zmierzono.

W iteracyjnym badaniu wykorzystującym uczenie maszynowe optymalizowano substraty peptydowe dla określonej klasy enzymów poprzez wielokrotne eksperymentalne testowanie wybranych kandydatów. [3]

Wnioski dotyczyły funkcji biochemicznych zmierzonych w tym konkretnym systemie.

Nie dowodzą, że te same sekwencje sprawdziłyby się w innych, niezwiązanych zastosowaniach biologicznych.

Kontrole pomagają oddzielić rozpoznawanie celu od zachowania samego testu

Odpowiednio dobrane kontrole pomagają odróżnić zamierzone zjawisko molekularne od innych możliwych wyjaśnień.

W zależności od testu mogą to być:

• powierzchnie bez docelowej cząsteczki;
• kontrole zawierające sam nośnik;
• niepowiązane cele molekularne;
• kontrole dodatnie;
• kontrole ujemne;
• pomiary tła;
• eksperymenty konkurencyjne;
• inne kontrole właściwe dla konkretnego systemu.

Powierzchnia bez docelowej cząsteczki może ujawnić nieswoiste wiązanie z materiałem testowym.

Kontrola nośnika pomaga wykryć odpowiedzi powodowane przez sam system prezentacji.

Niepowiązany cel może dostarczać informacji o selektywności.

Kontrola dodatnia pokazuje, czy test jest zdolny wykryć znaną odpowiedź.

Kontrola ujemna pomaga określić poziom tła.

Kontrole należy jednak dobierać do rzeczywistych możliwych źródeł błędów danego eksperymentu.

Nie istnieje jeden uniwersalny peptyd kontrolny, który byłby biologicznie obojętny w każdym możliwym systemie.

Badanie dotyczące fagów wiążących polistyren pokazuje, dlaczego kontrola powierzchni jest ważna. Badacze analizowali oddzielnie wiązanie i namnażanie oraz przypisali wzbogacenie oddziaływaniu z powierzchnią testową, zamiast zakładać, że odzyskanie faga dowodzi rozpoznania zamierzonego celu. [7]

Powinowactwo, selektywność i funkcja to różne właściwości

Trzy pojęcia, które często są ze sobą mylone, to:

powinowactwo, selektywność i funkcja.

Powinowactwo dotyczy siły interakcji w określonych warunkach i w ramach odpowiedniego modelu oddziaływania.

Selektywność opisuje, w jakim stopniu kandydat preferencyjnie oddziałuje z jednym celem w porównaniu z odpowiednimi alternatywami.

Funkcja dotyczy biologicznych lub biochemicznych konsekwencji takiego oddziaływania.

Peptyd może więc wykazywać:

• wysokie powinowactwo, ale słabą selektywność;
• wysoką selektywność, ale słabe wiązanie;
• silne wiązanie bez oczekiwanego efektu funkcjonalnego;
• aktywność funkcjonalną poprzez nieoczekiwany mechanizm.

Rozróżnienia te decydują o tym, jakie eksperymenty należy wykonać w następnej kolejności.

Piemēram:

wykazane wiązanie ≠ wykazane hamowanie.

Peptydu znalezionego w screeningu wiązania nie należy automatycznie nazywać inhibitorem, jeśli jego działania hamującego nie zmierzono bezpośrednio.

Kandydatów warto oceniać na podstawie kilku rodzajów danych

Selekcja kandydatów jest bardziej wiarygodna, jeśli nie opiera się wyłącznie na jednym parametrze rankingowym.

Można brać pod uwagę między innymi:

• wielkość sygnału;
• powtarzalność;
• zachowanie tła;
• tożsamość sekwencji;
• wzbogacenie względem wartości początkowej;
• selektywność;
• rodzinę sekwencji;
• możliwość niezależnej syntezy;
• šķīdība;
• powtarzalność testu;
• możliwość dalszej walidacji.

Przydatna może być również różnorodność sekwencyjna wśród wybranych trafień.

Badanie przedstawicieli kilku różnych rodzin sekwencji zmniejsza zależność od jednego potencjalnie mylącego motywu lub klonu.

W przypadku bibliotek fagowych szczególnie przydatne jest porównanie liczebności przed selekcją i po selekcji.

Sekwencja, która już w bibliotece wyjściowej występowała bardzo często, może być licznie reprezentowana po screeningu bez wyjątkowo silnego wzbogacenia zależnego od celu.

Badanie głębokiego sekwencjonowania naiwnej biblioteki fagowej wykazało nierówną reprezentację początkową. [4]

Badanie dotyczące przewagi w namnażaniu pokazuje dodatkowo, dlaczego samej liczebności nie należy automatycznie interpretować jako miary powinowactwa. [6]

Łącznie wyniki te przemawiają za analizą:

w jaki sposób dana sekwencja została wzbogacona,

a nie tylko:

która sekwencja zajęła pierwsze miejsce po zakończeniu selekcji.

Trafienie ze screeningu nie jest jeszcze zwalidowanym kandydatem

Hit, czyli trafienie, jest kandydatem spełniającym kryteria początkowego screeningu.

Jest to wartościowy wynik.

Nie kończy jednak procesu walidacji.

Potwierdzenie powinno odpowiedzieć między innymi na pytania, czy zachowanie kandydata:

• jest powtarzalne;
• utrzymuje się po zastosowaniu odpowiednich kontroli;
• występuje podczas indywidualnego badania;
• pozostaje widoczne po ponownej syntezie;
• można przypisać zamierzonej cząsteczce;
• pozostaje istotne w odpowiednim teście wtórnym.

Dalsza charakterystyka może następnie obejmować właściwości istotne dla konkretnego celu badawczego.

Ponowna synteza jest szczególnie przydatna, jeśli pierwotny screening wykorzystywał nośnik, kulkę, system prezentacji lub mieszaninę.

Niezależna synteza pozwala oddzielić kandydata od pierwotnego sposobu jego prezentacji.

Potwierdzenie tożsamości i innych istotnych parametrów próbki dodatkowo wzmacnia związek między zaobserwowanym wynikiem a zamierzoną cząsteczką. W tym miejscu szczególnie ważna staje się właściwa interpretacja czystości peptydów i badań laboratoryjnych, ponieważ wynik HPLC, potwierdzenie masy i rzeczywista zawartość peptydu odpowiadają na różne pytania analityczne.

Prawidłowa kolejność wygląda więc następująco:

trafienie w screeningu → potwierdzone trafienie → scharakteryzowany kandydat,

a nie:

trafienie w screeningu → udowodniony funkcjonalny peptyd.

Korzystny ranking, przekonujący wizualnie model dokowania czy wielokrotne uzyskanie podobnego wyniku w tym samym podatnym na błędy teście nie zastępują automatycznie niezależnej walidacji.

Projektowanie sekwencji i narzędzia predykcyjne

Projektowanie rozpoczyna się od określenia celu molekularnego

Projektowanie peptydu może rozpoczynać się od:

• zināmā motīva;
• cilmes šūnu peptīdu;
• powierzchni oddziaływania białek;
• trafienia uzyskanego eksperymentalnie;
• modelu strukturalnego;
• sekwencji ewolucyjnej;
• zbioru danych dotyczących przebadanych peptydów.

Następnie można analizować zmiany takie jak:

• podstawienia aminokwasów;
• skracanie sekwencji;
• wydłużanie sekwencji;
• ciklizācija;
• galu modifikācijas;
• zmiana kolejności aminokwasów;
• inne modyfikacje strukturalne.

Cel musi być jasno określony.

Piemēram:

przewidywanie wiązania

nie jest tym samym zadaniem co:

przewidywanie rozpoznawania przez enzym,

a to z kolei nie jest tym samym co:

przewidywanie rozpuszczalności.

Modyfikacja poprawiająca jedną właściwość może nie wpływać na inną albo nawet działać na nią niekorzystnie.

Praktyczne projektowanie peptydów może więc wymagać równoważenia kilku konkurujących ze sobą celów.

Eksperymentalnie wspomagane badanie substratów enzymatycznych pokazało ukierunkowane podejście, w którym algorytm proponował kandydatów, eksperymenty biochemiczne je oceniały, a uzyskane wyniki wpływały na kolejne decyzje dotyczące wyboru sekwencji. [3]

Obliczenia wspierały konkretny cel eksperymentalny, a nie zastępowały pomiarów.

Predykcja oparta na sekwencji zależy od danych treningowych

Model komputerowy oparty na sekwencji uczy się zależności pomiędzy cechami peptydów a etykietami lub wynikami pomiarów znajdującymi się w zbiorze treningowym.

W zależności od modelu wynikiem może być:

• klasyfikacja;
• wynik przypominający prawdopodobieństwo;
• wartość rankingowa;
• przewidywana właściwość ilościowa;
• inny rodzaj oszacowania komputerowego.

Interpretacja zależy od tego, co faktycznie oznaczały etykiety wykorzystane podczas treningu.

Przykładowo określenie „aktywny” może oznaczać:

• wiązanie powyżej określonego progu;
• przekształcanie przez enzym;
• aktywność przeciwdrobnoustrojową;
• odpowiedź komórkową;
• inne kryterium specyficzne dla konkretnego testu.

Nie są to równoważne właściwości.

Zbiory danych mogą również zawierać wyniki uzyskane w różnych warunkach eksperymentalnych.

Nieprzebadanego peptydu nie należy automatycznie uznawać za potwierdzony wynik negatywny tylko dlatego, że nie istnieje dla niego wynik pozytywny.

Równie ważna jest ocena modelu.

Jeżeli niemal identyczne sekwencje znajdują się zarówno w zbiorze treningowym, jak i testowym, problem predykcyjny może być znacznie łatwiejszy niż przewidywanie właściwości naprawdę nowych peptydów.

Tāpēc:

wysoka ogólna dokładność modelu nie dowodzi sama w sobie zdolności do generalizacji na nowe sekwencje.

Generalizacja wymaga świadomej oceny

Generalizacja opisuje zdolność modelu do zachowania użyteczności poza przykładami wykorzystanymi podczas treningu.

Ma to szczególne znaczenie, gdy proponowany peptyd znacznie różni się od danych treningowych pod względem:

• sekwencji;
• garumi;
• klasy strukturalnej;
• ķīmisko modifikāciju;
• celu molekularnego;
• kontekstu eksperymentalnego.

W badaniu dotyczącym predykcji wiązania receptora limfocytów T analizowano wpływ różnic pomiędzy peptydami treningowymi i testowymi na ocenę modeli. [9]

Podziały zbiorów oparte na podobieństwie sekwencji i struktur nie dawały identycznych rezultatów.

Pokazuje to, dlaczego pojedynczy podział danych treningowych i testowych lub jedna wartość opisująca skuteczność modelu mogą nie oddawać w pełni jego zachowania wobec nowych peptydów.

Nie oznacza to, że modele predykcyjne peptydów są z natury niewiarygodne.

Oznacza natomiast, że sposób ich oceny powinien przypominać rzeczywiste zastosowanie, do którego mają być używane.

Co przewiduje dokowanie peptydów?

Dokowanie peptydów to metoda komputerowa służąca do proponowania sposobu, w jaki peptyd może oddziaływać z receptorem lub innym celem molekularnym.

Obliczenia mogą analizować różne:

• konformacje peptydu;
• orientacje;
• pozycje;
• kontakty z receptorem;
• geometrie oddziaływania.

Następnie proponowane układy oceniane są za pomocą odpowiedniej funkcji punktowej lub energetycznej.

Wynik dokowania może więc dostarczać:

• potencjalnej pozy wiązania;
• proponowanych reszt uczestniczących w interakcji;
• hipotez strukturalnych;
• rankingu kandydatów;
• struktur początkowych do dalszych analiz komputerowych.

Należy jednak pamiętać:

poza dokowania jest hipotezą, a nie eksperymentalnie zaobserwowanym kompleksem.

Līdzīgi:

wynik punktowy dokowania nie jest automatycznie eksperymentalnie zmierzoną stałą dysocjacji, aktywnością komórkową ani prawdopodobieństwem powodzenia biologicznego.

Interpretacja zależy od:

• funkcji punktowej;
• sposobu próbkowania konformacji;
• struktury receptora;
• elastyczności receptora;
• elastyczności peptydu;
• założeń początkowych;
• protonacji i reprezentacji molekularnej;
• kalibracji dla konkretnego zadania.

Dokowanie peptydów może być szczególnie wymagające, ponieważ peptydy często są bardzo elastyczne.

Podczas wiązania znacząco może zmieniać się zarówno ich konformacja, jak i położenie względem celu.

Rosetta FlexPepDock: refinement i global docking to różne procedury

Pierwotna publikacja dotycząca serwera FlexPepDock opisuje wysokorozdzielcze udoskonalanie modelu rozpoczynające się od peptydu umieszczonego w przybliżeniu w regionie wiązania receptora. [10]

Nie należy więc opisywać tego narzędzia po prostu jako uniwersalnej metody pozwalającej odkryć dowolne nieznane miejsce wiązania bez informacji strukturalnej.

PIPER-FlexPepDock rozszerza tę koncepcję w kierunku dokowania globalnego poprzez połączenie umieszczania fragmentów peptydowych z późniejszym elastycznym udoskonalaniem modelu. [11]

W publikacji oceniono tę metodę na ograniczonym, ale reprezentatywnym zbiorze eksperymentalnie określonych kompleksów peptyd–białko.

Sukces w benchmarku pokazuje skuteczność w testowanych warunkach.

Nie gwarantuje prawidłowej predykcji dla każdej nowej pary receptor–peptyd.

Oficjalna dokumentacja Rosetta rozróżnia:

• refinement;
• modelowanie ab initio w pobliżu przybliżonego miejsca wiązania;
• globalny workflow PIPER-FlexPepDock. [12]

Dlatego raport komputerowy staje się znacznie bardziej informacyjny, jeśli określa:

który protokół FlexPepDock zastosowano + jakie dane początkowe wykorzystano + jak oceniano otrzymane struktury.

Pats apgalvojums:

„wykonano dokowanie Rosetta”

pozostawia wiele istotnych informacji metodologicznych nieokreślonych.

Zmodyfikowane peptydy wymagają odpowiedniej reprezentacji

Model komputerowy musi prawidłowo przedstawiać badaną strukturę molekularną.

Sekwencja zapisana wyłącznie za pomocą standardowych jednoliterowych kodów aminokwasów może pomijać istotne informacje chemiczne.

Mogą to być między innymi:

• amidacja C-końca;
• acetylacja N-końca;
• aminokwasy niestandardowe;
• D-aminokwasy;
• ciklizācija;
• kowalencyjne wiązania poprzeczne;
• fosforylacja;
• inne modyfikacje.

W badaniu wykorzystującym FlexPepDock analizowano modelowanie peptyd–MHC obejmujące niestandardowe reszty i wybrane modyfikacje peptydów. [13]

Autorzy uzyskali użyteczne wyniki benchmarkowe oraz zaobserwowali zależność między obliczonymi wynikami a względnym wiązaniem zmierzonym eksperymentalnie w badanym zbiorze.

Wspiera to konkretne zastosowanie modelowania, które zostało przetestowane.

Nie oznacza natomiast, że każda możliwa modyfikacja będzie automatycznie prawidłowo reprezentowana ani że dokowanie zastępuje eksperymentalny pomiar wiązania.

CHARMM-GUI, modele peptydów i amidacja C-końca

CHARMM-GUI udostępnia narzędzia do przygotowywania układów molekularnych do symulacji.

Oficjalna dokumentacja podkreśla, że zmodyfikowane reszty wymagają odpowiednich definicji strukturalnych i parametrów pola siłowego. [14]

Pomyślne wygenerowanie danych wejściowych do symulacji oznacza więc, że przygotowano komputerową reprezentację układu.

Nie potwierdza eksperymentalnie:

• tożsamości peptydu;
• wiązania;
• funkcji biologicznej;
• stabilitātes;
• aktywności.

W przypadku peptydu amidowanego na C-końcu końcowa grupa chemiczna jest amidem, a nie wolną grupą karboksylową.

Różnica ta może wpływać na:

• formalny ładunek;
• wiązania wodorowe;
• oddziaływania elektrostatyczne;
• konformację;
• interakcje z otaczającym środowiskiem molekularnym.

Struktura, topologia i parametry pola siłowego wykorzystane w symulacji powinny więc reprezentować tę samą formę końcową, która jest badana eksperymentalnie.

W badaniu dotyczącym maximin H5 połączono metody eksperymentalne i symulacyjne, aby ocenić konsekwencje zmiany formy C-końca. [15]

Zaobserwowano różnice w strukturze i oddziaływaniach z błonami dla tego konkretnego peptydu.

Nie oznacza to, że amidacja poprawia właściwości każdego peptydu.

Pokazuje natomiast, dlaczego chemia grup końcowych nie powinna być pomijana w opisie molekularnym.

Dlatego poszukiwanie opcji amidacji w programie do budowania peptydów powinno rozpoczynać się od pytania chemicznego:

jaka dokładnie forma molekularna ma być modelowana?

Dopiero po zdefiniowaniu tej kwestii wybór ustawień oprogramowania nabiera znaczenia.

Walidacja eksperymentalna i powtarzalność

Badaj niezależnie właściwą cząsteczkę

Wybrany kandydat powinien ostatecznie zostać zbadany jako zdefiniowany materiał molekularny.

Istotne cechy mogą obejmować:

• dokładną sekwencję;
• formę końców;
• określone modyfikacje;
• tożsamość molekularną;
• inne właściwości istotne dla eksperymentu.

Jeżeli pierwotny screening wykorzystywał phage display lub peptydy przyłączone do kulek, kolejne eksperymenty mogą sprawdzić, czy izolowany peptyd zachowuje mierzoną właściwość poza pierwotnym systemem prezentacji.

We wczesnym badaniu phage display porównywano peptydy prezentowane na fagach z ich chemicznie syntetyzowanymi odpowiednikami. [1]

Pokazuje to, jak niezależne badanie może połączyć wynik selekcji biblioteki z zachowaniem samej cząsteczki peptydowej.

Znaczenie ma również jakość i charakterystyka próbki.

Różnice dotyczące:

• oznaczonego stężenia;
• šķīdības;
• tīrības;
• agregācija;
• formy końcowej;
• modyfikacji chemicznych

mogą wpływać na porównania eksperymentalne.

Dwie próbki określane tą samą nazwą peptydu nie muszą być chemicznie równoważne, jeżeli ich odpowiednie formy molekularne nie zostały zdefiniowane. Dlatego przed interpretacją eksperymentu przydatne jest rozdzielenie pojęć tożsamości, czystości i rzeczywistej ilości materiału, szerzej omówionych w artykule o czystości peptydów i badaniach laboratoryjnych.

Dodatkowy test ma największą wartość, gdy odpowiada na konkretną wątpliwość

Test ortogonalny bada określoną właściwość przy użyciu innej zasady pomiarowej lub odmiennego sposobu prezentacji eksperymentalnej.

Jego największą wartością jest możliwość sprawdzenia konkretnego alternatywnego wyjaśnienia.

Drugi test może na przykład pomóc ustalić, czy początkowy wynik wynikał z:

• wiązania do powierzchni;
• interferencji znacznika;
• zachowania zależnego od nośnika;
• efektów unieruchomienia;
• innego artefaktu charakterystycznego dla pierwszego testu.

Samo użycie dwóch różnych modeli urządzeń nie oznacza jeszcze, że pomiary są ortogonalne.

Jeżeli oba testy wykorzystują ten sam sposób unieruchomienia lub tę samą zasadę detekcji, mogą być podatne na identyczne źródło błędu.

Najważniejsze pytanie brzmi:

jakie alternatywne wyjaśnienie sprawdza drugi eksperyment?

Zgodność pomiędzy rzeczywiście komplementarnymi metodami zazwyczaj stanowi silniejsze wsparcie niż wielokrotne powtarzanie tego samego podatnego na błędy odczytu.

Replikacja i kontekst biologiczny

Różne rodzaje replikacji pozwalają oceniać różne źródła niepewności.

Powtórzenia techniczne pomagają ocenić powtarzalność w ramach tego samego układu eksperymentalnego.

Niezależne powtórzenia eksperymentu mogą uwzględniać dodatkową zmienność pomiędzy przygotowaniami lub seriami badań.

Eksperymenty wykorzystujące próbki biologiczne mogą również wymagać uwzględnienia różnic pomiędzy:

• dawcami;
• przygotowaniami komórkowymi;
• organizmami;
• tkankami;
• innymi źródłami materiału biologicznego.

W badaniu wykorzystującym nakładające się peptydy analizowano rozpoznawanie przez limfocyty T w próbkach pochodzących od dawców i wykorzystywano bibliotekę do identyfikowania rozpoznawanych regionów. [5]

Zaobserwowane odpowiedzi zależały od kontekstu biologicznego.

Wyniku uzyskanego dla jednego dawcy lub jednego systemu eksperymentalnego nie należy automatycznie uogólniać na każdą osobę czy każdy układ biologiczny.

Powtarzalność oznacza więc możliwość odtworzenia konkretnego twierdzenia w odpowiednio opisanych warunkach.

Nie oznacza jedynie uzyskania kolejnego wykresu o podobnym wyglądzie.

Dokumentacja powinna pozwalać odtworzyć analizę

Dobre badanie biblioteki peptydowej wymaga wystarczającej dokumentacji, aby inny badacz mógł zrozumieć, w jaki sposób uzyskano wynik.

Przydatne dane eksperymentalne obejmują:

• dokładną sekwencję peptydu;
• długość peptydu;
• grupy końcowe;
• ķīmiskās modifikācijas;
• architekturę biblioteki;
• identyfikatory próbek;
• warunki screeningu;
• mierzony punkt końcowy;
• kontrole;
• strukturę powtórzeń;
• sposób określania tła;
• próg kwalifikacji trafienia;
• kryteria wyboru kandydatów;
• zastosowane metody analityczne.

W badaniach komputerowych ważne mogą być:

• nazwa oprogramowania;
• wersja;
• protokół;
• struktura wejściowa;
• sposób reprezentacji cząsteczki;
• zestaw parametrów;
• przetwarzanie danych;
• sposób podziału zbiorów treningowych i testowych;
• metoda punktacji;
• procedura rankingu kandydatów;
• kryteria selekcji.

Zachowanie wyłącznie najwyżej ocenionego modelu, najlepszego obrazu dokowania lub końcowej sekwencji może uniemożliwić późniejsze odtworzenie sposobu uzyskania wyniku.

Charakterystyka samej biblioteki również stanowi element powtarzalności.

Badania składu bibliotek fagowych i obciążenia kulek pokazują, że zmienność może istnieć jeszcze przed rozpoczęciem screeningu. [4] [8]

Dokumentowanie wyłącznie końcowego trafienia może więc pomijać ważne informacje dotyczące materiału początkowego.

Pozytywne predykcje i negatywne wyniki są równie istotne

Kandydat przewidziany komputerowo, który nie potwierdził się eksperymentalnie, nadal może dostarczać użytecznych informacji.

Może ujawnić:

• ograniczenia modelu;
• błędne założenie mechanistyczne;
• niewystarczające odwzorowanie cechy chemicznej;
• problem z hipotezą dotyczącą testu;
• region przestrzeni sekwencyjnej, w którym model słabo generalizuje.

Takich wyników nie należy usuwać z oceny tylko dlatego, że nie potwierdziły pierwotnej predykcji.

Iteracyjne projektowanie staje się bardziej wartościowe, gdy obserwacje eksperymentalne — również wyniki nieoczekiwane i negatywne — wpływają na kolejne decyzje.

Badanie dotyczące projektowania substratów enzymatycznych wykorzystywało ogólny cykl:

predykcja → pomiar eksperymentalny → udoskonalenie modelu na podstawie danych. [3]

Jego wartość naukowa wynikała z połączenia obliczeń z obserwacją, a nie z traktowania pierwszego rankingu jako ostatecznej odpowiedzi.

Najsilniejszy wniosek powinien więc dokładnie określać, co zostało wykazane:

• wzbogacenie;
• wiązanie;
• zachowanie jako substrat enzymu;
• inhibicja;
• odpowiedź komórkowa;
• predykcja komputerowa;
• skuteczność w benchmarku strukturalnym.

Każdy z tych wyników może być naukowo wartościowy.

Nie należy jednak zastępować jednego drugim.

Najczęstsze błędy w interpretacji bibliotek peptydowych

Wyniki badań bibliotek peptydowych mogą stać się mylące, jeśli wnioski wykraczają poza to, co rzeczywiście zmierzono.

Jednym z częstych błędów jest traktowanie teoretycznej wielkości biblioteki jako eksperymentalnie potwierdzonej różnorodności. Fizyczne biblioteki mogą charakteryzować się nierówną reprezentacją, brakującymi elementami, duplikatami lub obciążeniami wynikającymi z procesu syntezy. [4]

Kolejnym błędem jest traktowanie wzbogacenia jako dowodu powinowactwa. Wzbogacenie może również wynikać z przewagi w namnażaniu, wiązania z powierzchnią lub innych właściwości związanych z procesem selekcji. [6] [7]

Trzecim problemem jest utożsamianie wiązania z funkcją. Peptyd może oddziaływać z celem bez wywoływania proponowanego efektu biologicznego.

Podobnie nie należy traktować wyniku dokowania jako eksperymentalnego pomiaru powinowactwa. Wyniki punktowe pochodzą z modeli komputerowych i wymagają walidacji, zanim zostaną uznane za ilościowy dowód wiązania. [10] [11] [13]

Wirtualny peptyd nie jest również automatycznie peptydem możliwym do łatwego otrzymania w prawidłowej postaci chemicznej. Synteza, rozpuszczalność, tożsamość molekularna i charakterystyka próbki pozostają pytaniami eksperymentalnymi.

Wreszcie wynik uzyskany dla peptydu prezentowanego na fagu, unieruchomionego na powierzchni lub związanego z kulką może nie zostać odtworzony przez odpowiadającą mu wolną cząsteczkę, ponieważ sam sposób prezentacji może wpływać na konformację, dostępność, lokalną gęstość i awidność.

Ograniczenia te nie zmniejszają wartości bibliotek peptydowych.

Określają natomiast sposób, w jaki należy interpretować dostarczane przez nie dowody.

Biežāk uzdotie jautājumi

1. Czym jest biblioteka nakładających się peptydów?

Biblioteka nakładających się peptydów to zbiór fragmentów obejmujących dłuższą sekwencję macierzystą, przy czym sąsiadujące peptydy mają część wspólnej sekwencji aminokwasowej. Takie rozwiązanie pomaga badaczom identyfikować regiony związane z rozpoznawaniem lub inną mierzoną odpowiedzią. Badanie wykorzystujące nakładające się fragmenty białka meningokokowego pokazało zastosowanie tej metody do mapowania odpowiedzi limfocytów T w próbkach pochodzących od dawców. [5] Pozytywny wynik dla fragmentu nie identyfikuje jednak automatycznie minimalnego epitopu, nie dowodzi, że każda wspólna reszta jest konieczna i nie oznacza, że fragment dokładnie odtwarza strukturę oraz przetwarzanie całego białka.

2. Czy predykcje komputerowe mogą zastąpić eksperymenty?

Nie. Predykcje komputerowe mogą pomagać w ustalaniu priorytetów kandydatów, identyfikowaniu wzorców, tworzeniu hipotez strukturalnych i ograniczaniu liczby sekwencji wymagających natychmiastowego badania eksperymentalnego. Ich wiarygodność zależy jednak od modelu, danych treningowych, sposobu reprezentacji cząsteczek, przyjętych założeń i konkretnego zadania. W badaniu projektowania substratów enzymatycznych wielokrotnie testowano peptydy wybrane przez algorytm i wykorzystywano wyniki eksperymentalne do kolejnych rund selekcji. [3] Pokazuje to współpracę metod obliczeniowych z eksperymentem, a nie zastąpienie eksperymentu przez model. Kandydat pozostaje predykcją komputerową, dopóki jego odpowiednia właściwość nie zostanie oceniona eksperymentalnie.

3. Czy biblioteka peptydów jest fizycznym zbiorem czy bazą danych?

Może być jednym i drugim. Fizyczne biblioteki zawierają cząsteczki, które można bezpośrednio badać eksperymentalnie, natomiast biblioteki wirtualne zawierają cyfrowe sekwencje, struktury molekularne lub inne reprezentacje komputerowe. Pierwsze badania one-bead–one-peptide dotyczyły fizycznych bibliotek syntetycznych, natomiast metody projektowania komputerowego analizują reprezentacje molekularne przed syntezą wybranych kandydatów. [2] [3] Sama obecność sekwencji w wirtualnej bibliotece nie potwierdza, że odpowiadający jej peptyd został prawidłowo zsyntetyzowany, posiada zamierzoną formę chemiczną ani wykazuje przewidywaną właściwość. Dlatego podczas omawiania wielkości biblioteki lub wyników screeningu należy zawsze określić jej format.

4. Czy większa biblioteka zawsze prowadzi do znalezienia lepszych kandydatów?

Nie. Wielkość biblioteki ma znaczenie tylko wtedy, gdy zawiera ona istotną, dostępną, możliwą do zidentyfikowania i odpowiednio reprezentowaną różnorodność. Głębokie sekwencjonowanie biblioteki fagowej wykazało nierówne liczebności sekwencji oraz czynniki zmniejszające efektywną różnorodność mimo szerokiego planowanego projektu. [4] Bardzo duże biblioteki mogą również zwiększać problemy związane z próbkowaniem i interpretacją, ponieważ nie każdy teoretycznie możliwy element musi być rzeczywiście obecny lub odpowiednio zbadany. Jakość kandydatów zależy więc od składu biblioteki, projektu screeningu, jakości testu, kontroli i walidacji, a nie tylko od reklamowanej liczby możliwych sekwencji.

5. Czy losowe biblioteki peptydów są naprawdę pozbawione obciążeń?

Nie zawsze. Randomizowana konstrukcja nadal może prowadzić do nierównej reprezentacji nukleotydów, aminokwasów i całych sekwencji. Produkcja biologiczna, namnażanie, chemia syntezy i próbkowanie mogą wprowadzać kolejne źródła obciążeń. Głębokie sekwencjonowanie komercyjnej biblioteki fagowej wykazało nierówną reprezentację jeszcze przed rozpoczęciem selekcji względem celu. [4] Nie oznacza to, że każda losowa biblioteka jest niewiarygodna. Pokazuje natomiast, że „losowy projekt” i „eksperymentalnie potwierdzona równomierność” to dwa różne twierdzenia. Charakterystyka biblioteki początkowej pomaga odróżnić dużą liczebność wyjściową od rzeczywistego wzbogacenia zależnego od selekcji.

6. W jaki sposób phage display pozwala zidentyfikować sekwencję peptydu?

Phage display łączy peptyd prezentowany na powierzchni bakteriofaga z informacją genetyczną znajdującą się wewnątrz tej samej cząstki. Wybrane fagi można więc odzyskać, a odpowiadające im sekwencje peptydowe ustalić na podstawie powiązanego materiału genetycznego. Wczesne badania z losowymi peptydami prezentowanymi na fagach nitkowatych wykorzystywały tę zależność między genotypem i fenotypem do odzyskiwania oraz charakteryzowania ligandów wiążących. [1] Samo odzyskanie faga nie dowodzi jednak swoistości względem celu, ponieważ na liczebność mogą wpływać interakcje z powierzchnią, różnice w namnażaniu i inne presje selekcyjne. Powiązanie genetyczne pozwala ustalić tożsamość kandydata, a dalsze eksperymenty pomagają wyjaśnić przyczynę jego selekcji.

7. Dlaczego fag może zostać wzbogacony bez wiązania z zamierzonym celem?

Do wzbogacenia niezwiązanego z właściwym celem może prowadzić kilka mechanizmów. Fag może oddziaływać z powierzchnią testową, wyjątkowo dobrze tolerować warunki selekcji lub namnażać się skuteczniej od konkurujących klonów. W oddzielnych badaniach wykazano odzyskiwanie związane z polistyrenem oraz wzbogacenie powiązane z przewagą w propagacji. [6] [7] Są to różne mechanizmy i wymagają innych kontroli. Wzbogacenie należy więc interpretować jako dowód, że klon przetrwał i zwiększył swoją reprezentację podczas procesu selekcji. Wykazanie swoistego rozpoznawania celu wymaga dodatkowych dowodów pozwalających odróżnić tę możliwość od alternatywnych wyjaśnień.

8. Co oznacza one-bead–one-compound?

One-bead–one-compound oznacza, że każda kulka ma w założeniu prezentować wiele kopii jednego konkretnego związku, dzięki czemu wybraną kulkę można ostatecznie powiązać z pojedynczym elementem biblioteki. Koncepcja ta umożliwia tworzenie dużych kombinatorycznych bibliotek syntetycznych i została zaprezentowana we wczesnych badaniach one-bead–one-peptide. [2] Termin opisuje jednak zamierzoną organizację biblioteki, a nie gwarantuje identycznego obciążenia, doskonałej syntezy ani chemicznej jednorodności każdej kulki. Późniejsze pomiary pojedynczych kulek wykazały znaczne różnice w ilości prezentowanego peptydu. [8] Jakość materiału i obciążenie pozostają więc cechami wymagającymi eksperymentalnej oceny.

9. Czy ilość peptydu na kulce może wpływać na wynik screeningu?

Tak. Kulka prezentująca większą ilość dostępnego peptydu może generować silniejszy sygnał testu nawet wtedy, gdy sama interakcja molekularna nie jest silniejsza. W badaniu wykorzystującym spektroskopię Ramana do analizy bibliotek one-bead–one-compound stwierdzono znaczną zmienność ilości peptydu, szczególnie w przypadku dłuższych sekwencji. [8] Badanie nie określa wpływu obciążenia w każdym możliwym systemie przesiewowym, ale identyfikuje źródło zmienności, które może wpływać na intensywność sygnału. Wyniki screeningu na kulkach należy więc interpretować zarówno w kontekście samej interakcji molekularnej, jak i gęstości prezentowanego materiału.

10. Czy wiązanie jest tym samym co aktywność biologiczna?

Nie. Wiązanie oznacza oddziaływanie cząsteczek w określonych warunkach. Aktywność biologiczna lub biochemiczna wymaga osobno zdefiniowanego punktu końcowego. Peptyd może wiązać się z białkiem, ale go nie aktywować ani nie hamować, a odpowiedź komórkowa może powstawać poprzez mechanizm inny niż zakładane oddziaływanie z celem. Badania phage display koncentrowały się przede wszystkim na wiązaniu, natomiast badanie wykorzystujące uczenie maszynowe dotyczyło zachowania peptydów jako substratów enzymatycznych. [1] [3] Są to różne pytania naukowe. Trafienie ze screeningu powinno więc być opisywane zgodnie z właściwością, którą rzeczywiście zmierzono, bez przypisywania mu szerszego działania.

11. Dlaczego trafienie warto ponownie zsyntetyzować i zbadać indywidualnie?

Niezależna synteza pomaga ustalić, czy konkretny zdefiniowany peptyd rzeczywiście odtwarza obserwowane zachowanie poza pierwotnym systemem bibliotecznym. Przyłączenie do faga, ilość materiału na kulce, efekty mieszaniny, interakcje z nośnikiem lub inne elementy screeningu mogą wpływać na początkowy wynik. We wczesnych badaniach phage display porównywano prezentowane ligandy z peptydami otrzymanymi w drodze syntezy chemicznej, co ilustruje ten etap potwierdzający. [1] Ponowna synteza jest najbardziej informacyjna wtedy, gdy otrzymany materiał zostanie odpowiednio scharakteryzowany i przebadany w teście odnoszącym się do pierwotnego twierdzenia. Sama synteza nie potwierdza jeszcze funkcji ani mechanizmu.

12. Co przewiduje Rosetta FlexPepDock?

Rosetta FlexPepDock modeluje struktury kompleksów peptyd–białko, ale poszczególne procedury związane z FlexPepDock zakładają różny zakres informacji początkowych. Pierwotna publikacja dotycząca serwera opisuje przede wszystkim wysokorozdzielcze udoskonalanie modelu peptydu znajdującego się już w przybliżeniu w pobliżu miejsca wiązania receptora. [10] PIPER-FlexPepDock wykorzystuje szerszą strategię globalnego dokowania, po której następuje elastyczne udoskonalanie modelu. [11] Wyniki benchmarków nie gwarantują prawidłowości dla każdej nowej pary peptyd–białko. Dlatego użyteczny raport powinien podawać zastosowany protokół, informacje początkowe i sposób oceny przewidywanych struktur.

13. Czy korzystny wynik dokowania potwierdza silne wiązanie?

Nie. Wynik dokowania jest wartością wygenerowaną przez komputerową funkcję punktową i nie jest automatycznie równoważny eksperymentalnie zmierzonemu powinowactwu, takiemu jak stała dysocjacji. Jego znaczenie zależy od protokołu dokowania, reprezentacji molekularnej, sposobu próbkowania konformacji, badanego celu i kalibracji. W badaniu FlexPepDock dotyczącym kompleksów peptyd–MHC porównywano wyniki obliczeniowe z względnymi pomiarami wiązania w określonym zbiorze danych, pokazując, że takie zależności trzeba badać, a nie zakładać. [13] Korzystny wynik dokowania może pomóc ustalić priorytety kandydatów lub wesprzeć hipotezę strukturalną, ale silne wiązanie wymaga odpowiednich dowodów eksperymentalnych.

14. Dlaczego amidacja C-końca ma znaczenie w modelowaniu peptydu?

Amidacja C-końca zmienia grupę chemiczną znajdującą się na końcu peptydu i może wpływać na formalny ładunek, wiązania wodorowe, oddziaływania elektrostatyczne oraz konformację cząsteczki. Model komputerowy powinien więc przedstawiać tę samą chemię końca, którą posiada badany eksperymentalnie peptyd. W badaniach maximin H5 obserwowano różnice w strukturze i oddziaływaniach z błonami związane ze zmianą formy końcowej. [15] Nie dowodzi to, że amidacja zawsze poprawia właściwości peptydów. Pokazuje natomiast, dlaczego chemia grup końcowych powinna być prawidłowo określona i odwzorowana w modelu.

15. Czy wygenerowanie modelu w CHARMM-GUI potwierdza właściwości peptydu?

Nie. CHARMM-GUI pomaga przygotować układy molekularne do symulacji. Pomyślne utworzenie struktury lub plików wejściowych oznacza, że powstała komputerowa reprezentacja badanego układu; nie potwierdza eksperymentalnie wiązania, aktywności biologicznej, stabilności ani znaczenia klinicznego. Oficjalna dokumentacja wskazuje również, że zmodyfikowane reszty wymagają odpowiednich definicji strukturalnych i parametrów. [14] Przygotowanie modelu komputerowego jest więc punktem wyjścia do dalszego modelowania. To, czy rzeczywista cząsteczka zachowuje się zgodnie z przewidywaniami, pozostaje oddzielnym pytaniem eksperymentalnym.

16. Dlaczego model predykcyjny może zawieść w przypadku nowego peptydu?

Nowy peptyd może różnić się od przykładów wykorzystanych podczas treningu w sposób, którego model nie nauczył się prawidłowo reprezentować. Różnice mogą dotyczyć sekwencji, struktury, długości, modyfikacji, celu molekularnego lub innych cech. Badanie modeli przewidujących wiązanie receptorów limfocytów T wykazało, że ocena skuteczności zmieniała się zależnie od sposobu uwzględnienia podobieństwa sekwencyjnego i strukturalnego między peptydami treningowymi i testowymi. [9] Nie oznacza to, że każda predykcja nowej sekwencji będzie błędna. Pokazuje natomiast, że ogólne statystyki skuteczności modelu powinny być interpretowane w kontekście tego, jak bardzo warunki testowe przypominają jego planowane zastosowanie.

17. Co sprawia, że wyniki badań bibliotek peptydowych są powtarzalne?

Powtarzalność wymaga wystarczającej ilości informacji pozwalających zdefiniować bibliotekę, cząsteczkę kandydata, warunki eksperymentalne, kontrole, sposób analizy oraz kryteria uznania wyniku za trafienie. Badania składu bibliotek fagowych i ilości peptydu na kulkach pokazują, że zmienność może istnieć jeszcze przed rozpoczęciem screeningu. [4] [8] Podanie wyłącznie końcowej sekwencji i wyniku punktowego pomija więc potencjalnie ważne źródła różnic. Powtarzalne badania wymagają jasnego raportowania sekwencji, modyfikacji, architektury biblioteki, identyfikatorów próbek, punktów końcowych testu, kontroli, kryteriów analitycznych, parametrów komputerowych oraz niezależnego potwierdzenia głównego wyniku.

18. Czy najbardziej wzbogacony peptyd musi być najlepszym ligandem?

Nie. Duże wzbogacenie może wynikać z wiązania z celem, ale mogą na nie wpływać również początkowa liczebność sekwencji, efektywność namnażania, nieswoiste interakcje z powierzchnią i inne właściwości związane z selekcją. Głębokie sekwencjonowanie wykazało nierówną reprezentację początkową bibliotek fagowych, a inne badania udokumentowały wzbogacenie związane z przewagą w namnażaniu. [4] [6] Dlatego najliczniejszej końcowej sekwencji nie należy automatycznie utożsamiać z ligandem o najwyższym powinowactwie. Silniejsze dowody zapewnia porównanie liczebności początkowej i końcowej, odpowiednie kontrole oraz niezależny pomiar wiązania.

19. Czy przewidziana sekwencja peptydu dowodzi, że można ją skutecznie zsyntetyzować?

Nie. Projekt komputerowy tworzy sekwencję lub hipotezę molekularną, ale nie potwierdza powodzenia syntezy. Niektóre sekwencje mogą powodować problemy związane z wydajnością sprzęgania, agregacją, oczyszczaniem, rozpuszczalnością lub modyfikacjami chemicznymi. Biblioteka wirtualna może więc zawierać kandydatów o bardzo różnej praktycznej wykonalności syntetycznej. Dopiero eksperymentalne otrzymanie materiału oraz jego charakterystyka analityczna pozwalają ustalić, czy zamierzona cząsteczka rzeczywiście została uzyskana. Priorytetyzacja komputerowa i wykonalność chemiczna są powiązanymi, ale odrębnymi etapami badań.

20. Czy peptyd wyselekcjonowany w phage display może zachowywać się inaczej jako wolna cząsteczka?

Tak. W phage display peptyd znajduje się w środowisku związanym z nośnikiem, które może wpływać na jego konformację, orientację, dostępność, lokalną gęstość i awidność. Wolny peptyd nie posiada części tych cech i dlatego może wykazywać inne pozorne zachowanie podczas wiązania. We wczesnych badaniach phage display porównywano ligandy prezentowane na fagach z ich chemicznie syntetyzowanymi odpowiednikami, co pokazuje znaczenie tego rozróżnienia eksperymentalnego. [1] Udana selekcja fagowa stanowi więc wartościowy dowód dotyczący prezentowanej sekwencji, natomiast niezależne badanie jest potrzebne do ustalenia zachowania odpowiadającego jej wolnego peptydu.

Ograniczenia dowodów pochodzących z bibliotek peptydowych i predykcji

Podczas interpretowania badań bibliotek peptydowych należy pamiętać o kilku ograniczeniach.

Po pierwsze, różnorodność teoretyczna nie jest tym samym co rzeczywista różnorodność eksperymentalna. Nierówna reprezentacja, problemy syntetyczne, różnice w namnażaniu i sposób próbkowania mogą zmieniać rzeczywisty skład biblioteki. [4]

Po drugie, wzbogacenie podczas screeningu nie potwierdza automatycznie swoistego wiązania z celem. Interakcje z powierzchnią i przewaga w namnażaniu mogą prowadzić do wzbogacenia poprzez odmienne mechanizmy. [6] [7]

Po trzecie, sposób prezentacji ma znaczenie. Peptydy przyłączone do fagów, kulek lub powierzchni mogą zachowywać się inaczej niż te same cząsteczki w roztworze ze względu na dostępność, orientację, lokalną gęstość czy awidność. [1] [8]

Po czwarte, wiązanie, selektywność i funkcja są różnymi właściwościami. Wykazanie jednej z nich nie potwierdza automatycznie pozostałych.

Po piąte, predykcja komputerowa zależy od modelu. Dane treningowe, sposób oceny, reprezentacja molekularna i przyjęte założenia określają, jakie znaczenie można przypisać wynikowi. [3] [9]

Po szóste, wyniki dokowania nie są eksperymentalnymi pomiarami powinowactwa. Modele strukturalne i funkcje punktowe mogą pomagać w wyborze hipotez, ale rzeczywiste zachowanie podczas wiązania wymaga pomiarów eksperymentalnych. [10] [11] [13]

Po siódme, forma chemiczna ma znaczenie. Grupy końcowe, niestandardowe aminokwasy, stereochemia i inne modyfikacje powinny być prawidłowo przedstawiane zarówno w opisach eksperymentalnych, jak i modelach komputerowych. [13] [14] [15]

Wreszcie trafienie ze screeningu jest początkiem walidacji, a nie jej końcem. Niezależne przygotowanie materiału, charakterystyka molekularna, kontrole, komplementarne testy i replikacja stopniowo wzmacniają dostępne dowody.

Kopsavilkums

Biblioteki peptydów umożliwiają systematyczne badanie ogromnej przestrzeni możliwych sekwencji molekularnych.

Pozwalają porównywać wielu kandydatów i analizować zagadnienia związane z:

• rozpoznawaniem molekularnym;
• substratami enzymów;
• motywami sekwencyjnymi;
• wiązaniem;
• zależnościami struktura–aktywność;
• odpowiedziami komórkowymi;
• predykcjami komputerowymi.

Określenie „biblioteka peptydów” obejmuje jednak kilka zasadniczo różnych formatów badawczych.

Biblioteka nakładających się peptydów pomaga mapować regiony większej sekwencji.

Ukierunkowana biblioteka podstawień pozwala analizować znaczenie poszczególnych pozycji.

Biblioteka phage display łączy prezentowany peptyd z informacją genetyczną i umożliwia selekcję.

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

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

Formatów tych nie należy traktować jako zamiennych.

Ostrożnej interpretacji wymaga również wielkość biblioteki.

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

Podobnie wzbogacenie nie jest synonimem swoistego powinowactwa do celu.

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

Dlatego odpowiednie kontrole i niezależne badania są tak ważne.

Ta sama ostrożność dotyczy komputerowego projektowania peptydów.

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

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

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

Przewidywana interakcja nie potwierdza funkcji biologicznej.

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

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

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

Najważniejszą zasadę można ująć prosto:

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

Atruna

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

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. Nature, 354(6348), 82–84. https://doi.org/10.1038/354082a0
3. Tallorin, L., Wang, J., Kim, W. E., Sahu, S., Kosa, N. M., Yang, P., Thompson, M., Gilson, M. K., Frazier, P. I., Burkart, M. D., & Gianneschi, N. C. (2018). Discovering de novo peptide substrates for enzymes using machine learning. Nature Communications, 9(1), Article 5253. https://doi.org/10.1038/s41467-018-07717-6
4. Sloth, A. B., Bakhshinejad, B., Jensen, M., Stavnsbjerg, C., Liisberg, M. B., Rossing, M., & Kjaer, A. (2022). Analysis of compositional bias in a commercial phage display peptide library by next-generation sequencing. Viruses, 14(11), Article 2402. https://doi.org/10.3390/v14112402
5. Wiertz, E. J., van Gaans-van den Brink, J. A., Gausepohl, H., Prochnicka-Chalufour, A., Hoogerhout, P., & Poolman, J. T. (1992). Identification of T cell epitopes occurring in a meningococcal class 1 outer membrane protein using overlapping peptides assembled with simultaneous multiple peptide synthesis. Journal of Experimental Medicine, 176(1), 79–88. https://doi.org/10.1084/jem.176.1.79
6. Kamstrup Sell, D., Sloth, A. B., Bakhshinejad, B., & Kjaer, A. (2022). A white plaque, associated with genomic deletion, derived from M13KE-based peptide library is enriched in a target-unrelated manner during phage display biopanning due to propagation advantage. International Journal of Molecular Sciences, 23(6), Article 3308. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). A polystyrene binding target-unrelated peptide isolated in the screening of phage display library. Analytical Biochemistry, 512, 120–128. https://doi.org/10.1016/j.ab.2016.08.013
8. Tang, Y., Thillier, Y., Liu, R., Li, X., Lam, K. S., & Gao, T. (2017). Single-bead quantification of peptide loading distribution for one-bead one-compound library synthesis using confocal Raman spectroscopy. Analytical Chemistry, 89(13), 7000–7008. https://doi.org/10.1021/acs.analchem.7b00516
9. Castorina, L. V., Grazioli, F., Machart, P., Mösch, A., & Errica, F. (2025). Assessing the generalization capabilities of TCR binding predictors via peptide distance analysis. PLOS ONE, 20(5), Article e0324011. https://doi.org/10.1371/journal.pone.0324011
10. London, N., Raveh, B., Cohen, E., Fathi, G., & Schueler-Furman, O. (2011). Rosetta FlexPepDock web server–high resolution modeling of peptide-protein interactions. Nucleic Acids Research, 39(Web Server), W249–W253. https://doi.org/10.1093/nar/gkr431
11. Alam, N., Goldstein, O., Xia, B., Porter, K. A., Kozakov, D., & Schueler-Furman, O. (2017). High-resolution global peptide-protein docking using fragments-based PIPER-FlexPepDock. PLOS Computational Biology, 13(12), Article e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (n.d.). FlexPepDock. Retrieved September 20, 2026, from Official documentation
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock to predict peptide-MHC binding: An approach for non-canonical amino acids. PLOS ONE, 17(12), Article e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.d.). Frequently asked questions. Retrieved September 20, 2026, from Official documentation
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). The role of C-terminal amidation in the membrane interactions of the anionic antimicrobial peptide, maximin H5. Biochimica et Biophysica Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014