Knjižnice peptidov in načrtovanje: kako delujeta presejanje in napovedovanje?

Knjižnica peptidov je zbirka različnih peptidnih zaporedij, pripravljenih ali predstavljenih tako, da jih je mogoče sistematično primerjati. Namesto da bi preučevali posamezno zaporedje brez širše referenčne točke, lahko raziskovalci uporabijo knjižnico, da preverijo, kateri peptidi se vežejo na določeno molekularno tarčo, so encimski substrati, sprožijo merljiv odziv v danem testu, vsebujejo določen motiv, ki ga prepoznajo druge molekule, ali izkazujejo drugo definirano lastnost.

Niso vse knjižnice peptidov enake. Lahko obstajajo kot fizične zbirke sintetiziranih molekul, peptidi, predstavljeni na bioloških nosilcih, peptidi, povezani s kroglicami ali površinami, pa tudi kot popolnoma virtualne zbirke zaporedij in molekularnih struktur, ki se računalniško analizirajo.

Vsak od teh formatov odgovarja na nekoliko drugačna znanstvena vprašanja.

Peptid, za katerega je računalnik napovedal možnost vezave na določeno beljakovino, ni enak peptidu, ki je bil dejansko izbran v presejalnem poskusu. Podobno peptid, obogaten med presejanjem, ne postane avtomatsko potrjen biološki kandidat.

Raziskave, ki uporabljajo prikazovanje na fage (phage display), sintetične knjižnice na kroglicah, prekrivajoče se nabore peptidov in z računskimi metodami podprte eksperimente, prikazujejo enega od temeljnih načel odkrivanja peptidov:

Odkritje zanimivega signala raziskovalni proces začne in ne konča.

Moč končnih zaključkov je med drugim odvisna od:

• načina zasnove in kakovosti knjižnice;
• dejanske, in ne le teoretične raznolikosti;
• konstrukcije testa;
• ustreznih kontrol;
• molekularne identifikacije;
• ponovljivosti;
• izključitev alternativnih razlag;
• neodvisne eksperimentalne validacije. [1] [2] [3]

Zato je pri analizi peptidnih knjižnic vredno ločiti več zaporednih stopenj:

sestava knjižnice → presejanje → identifikacija zadetkov → potrditev → karakterizacija → predikcija ali optimizacija → neodvisna validacija.

Vsaka od teh stopenj zagotavlja drugačno raven dokazov.

Kaj je peptidna knjižnica?

Urejena množica različnih molekularnih variant

Kolekcija peptidov vsebuje med seboj povezane ali raznolike peptidne sekvence, organizirane okoli določenega raziskovalnega vprašanja.

Nkatere knjižnice služijo za preučevanje majhnih sprememb znotraj znanega peptida. Druge obsegajo precej večji prostor možnih zaporedij.

Posamezni elementi knjižnice se lahko razlikujejo glede na:

• dolžine peptida;
• vrste aminokislin;
• položajev posameznih ostankov;
• zaporedja aminokislin;
• končnih skupin;
• ciklizaciji;
• stereokemiji;
• kemijskih sprememb;
• drugih namerno spremenjenih strukturnih značilnosti.

Knjižnica mora ohraniti tudi možnost identifikacije zadevnega elementa.

V primeru peptidnega čipa je lahko identiteta peptida povezana z njegovim fizičnim položajem.

V knjižnici fagnega prikaza je predstavljeno peptidno zaporedje povezano z genetsko informacijo, ki se nahaja v bakteriofagu.

V sintetični knjižnici, nameščeni na kroglicah, morda bo treba peptid, prisoten na izbrani kroglici, kemično identificirati ali uporabiti dodaten sistem kodiranja.

Povezava med signalom in identiteto molekule je temeljnega pomena.

Močan eksperimentalni signal iz neznane zmesi še ne pove, katera molekula ga je povzročila.

Vrednost peptidne knjižnice je zato odvisna od števila v njej vključenih kandidatov ter tudi od možnosti povezovanja:

kandidat → identiteta → izmerjen odziv.

Naključne, ciljne in sistematske knjižnice

Različne knjižnične konstrukcije služijo za odgovarjanje na različna znanstvena vprašanja.

Naključna ali kombinatorična knjižnica vključuje kombinacije gradnikov na izbranih položajih.

Izraz „naključna” opisuje načrtovan način konstrukcije ali vzorčenja. To ne pomeni, da se vsako teoretično možno zaporedje dejansko pojavlja z enako pogostostjo.

Ciljna knjižnica omejuje variabilnost okoli:

• znanega motiva;
• matičnega peptida;
• določenega strukturnega ogrodja;
• vezalnega zaporedja;
• aktivnega območja;
• hipoteze o določenem molekularnem cilju.

Knjižnica sistematičnih substitucij na urejen način spreminja izbrane ostanke.

Na primer, aminokislino na enem mestu je mogoče zaporedoma nadomestiti z več drugimi aminokislinami, da se preveri, ali ta položaj vpliva na preučevano lastnost.

Kolekcija prekrivajočih se peptidov uporablja zaporedne odseke daljšega izvornega zaporedja, pri čemer imajo sosednji odseki skupne ostanke.

Tak pristop je še posebej uporabno pri določanju regij beljakovin, ki jih prepozna določen test.

Vsaka strategija ima svoje prednosti in omejitve.

Obsežna kombinatorična knjižnica lahko razkrije nepričakovan zaporedni motiv.

Usmerjena knjižnica omogoča natančnejše preučevanje že zanimive sekvence.

Sistematične substitucije lahko nakažejo, katere postavke se zdijo še posebej pomembne.

Knjižnica prekrivajočih se fragmentov pomaga lokalizirati aktivno ali prepoznavno regijo večjega protina.

Zato:

Večji prostor zaporedij ne pomeni samodejno boljše eksperimentalne informacije.

Ustrezna vrsta knjižnice je odvisna predvsem od raziskovalnega vprašanja.

Teoretična raznolikost ne pomeni dejanske reprezentacije

Prostor možnih peptidnih zaporedij narašča zelo hitro.

Če knjižnica dopušča vseh 20 standardnih aminokislin na vsakem od šestih položajev, je teoretično število možnih zaporedij:

20⁶ = 64.000.000 možnih kombinacij.

To je teoretična raznolikost.

To ne pomeni, da je v fizični knjižnici dejansko 64 milijonov različnih, pravilno predstavljenih peptidov.

Učinkovito raznolikost lahko med drugim zmanjšujejo ali izkrivljajo:

• neuspeli poskusi sinteze;
• neenakomerna učinkovitost sklapljanja;
• od zaporedja odvisne sintetične težave;
• biološka selekcija med tvorjenjem knjižnice;
• omejitve transformacije;
• razlike v razmnoževanju;
• ponavljajoče se sekvence;
• stroški sekvenciranja;
• omejitve vzorčenja;
• neenakomerno število posameznih elementov.

Pomembno je tudi, kolikšen del celotne knjižnice je bil dejansko uporabljen v posameznem eksperimentu.

Tudi če nabor teoretično vsebuje ogromno število zaporedij, lahko posamezen presejalni test zajame le del te pestrosti.

Globoko sekvencioniranje komercialne fagne knjižnice je razkrilo očitna odstopanja od enakomerne reprezentacije, vključno z razlikami v pogostosti peptidov in pristranskostmi glede sestave zaporedja. Raziskovalci so identificirali tudi dejavnike, ki zmanjšujejo učinkovito velikost knjižnice. [4]

Ti rezultati se nanašajo na konkretno analizirano knjižnico in jih ni mogoče avtomatsko količinsko posplošiti na vsako knjižnico fagnega prikaza (phage display).

Vendar pa prikazujejo pomembno načelo:

Teoretične raznolikosti ne gre obravnavati kot izmerjene eksperimentalne raznolikosti.

Kaj je knjižnica prekrivajočih se peptidov?

Knjižnica prekrivajočih se peptidov predstavlja daljšo izvorno zaporedje kot serijo krajših fragmentov.

Sosednji peptidi vsebujejo del skupnega zaporedja.

Upoštevajmo hipotetične odseke dolžine 15 ostankov:

• preostanek 1–15;
• preostanek 6–20;
• preostanek 11–25.

Vsak naslednji peptid se začne pet mest za prejšnjim.

To pomeni, da imajo sosednji odseki deset skupnih ostankov.

Takšna razporeditev pomaga lokalizirati regije, povezane z prepoznavanjem ali drugim merjenim odzivom.

Če dva sosednja peptida dajeta signal, lahko njuno skupno zaporedje pomaga zožiti območje, ki zahteva nadaljnje raziskave.

To pa še ne dokazuje, da:

• vsak ostanek v skupni regiji je obvezen;
• Že sama skupna sekvenca zadostuje za dosego učinka;
• minimalna aktivna sekvenca je bila identificirana;
• odsek se obnaša popolnoma enako kot ustrezen regij v celotnem proteinu.

Za rešitev teh vprašanj bodo morda potrebni dodatni poskusi.

V raziskavi z zunanjo membranskim proteinom meningokokov je bilo uporabljenih 45 prekrivajočih se sintetičnih peptidov za analizo prepoznavanja s strani T-limfocitov v celicah, pridobljenih od človeških darovalcev. [5]

Raziskava je pokazala tako uporabnost empiričnega kartiranja peptidov kot tudi omejitve takrat dostopnih napovednih algoritmov.

Opazovani odzivi so ostali specifični za uporabljeni nabor peptidov, pogoje testa in vzorce, pridobljene od preiskovanih darovalcev.

Fizične in virtualne knjižnice odgovarjajo na različna vprašanja

Izraz „peptidna knjižnica” se lahko nanaša na zelo različne eksperimentalne sisteme.

To razlikovanje je zelo pomembno:

Digitalni kandidat ni samodejno sintetizirana molekula in sintetizirana molekula ni samodejno eksperimentalno potrjen kandidat.

Prikaz na fágih in sintetične knjižnice

Kako fagni prikaz (phage display) povezuje peptid z njegovo zaporedjem?

Pri tehnologiji prikazovanja na faginih (phage display) je peptid predstavljen kot del proteina, ki se nahaja na površini bakteriofaga.

Fag hkrati vsebuje genetsko informacijo, ki kodira predstavljeno zaporedje.

Tako nastane uporabna povezava med:

s fenotipom – predstavljenim peptidom

a

genotipom – njemu ustreznim genetskim zaporedjem.

Raziskovalci lahko izpostavijo fagnovno knjižnico določenemu cilju ali testnemu sistemu, pridobijo izbrane delce, jih namnožijo ali analizirajo in ugotovijo, katere zaporedja so se obogatila.

Povezava z genetsko informacijo znatno olajša identifikacijo kandidatov v primerjavi z analizo neidentificirane molekularne mešanice.

Zgodnje raziskave z uporabo naključnih peptidov na nitastih fagih so pokazale možnost obogatitve ligandov protiteles z visoko afiniteto in primerjale obnašanje peptidov na fagih z rezultati vezave, dobljenimi za kemično sintetizirane peptide. [1]

To primerjanje je bilo še posebej pomembno, ker peptid na fagovem delcu in njemu ustrezni izolirani sintetični peptid ne predstavljata enake poskusne predstavitve.

Bogatenje je rezultat selekcije, ne pa popolna razlaga mehanizma

Zaporedje, katerega delež se v zaporednih stopnjah selekcije povečuje, se pogosto opredeljuje kot obogateno.

Obogatitev je pomembna informacija.

Vendar pa to ne pojasni samodejno, zakaj je določeno zaporedje postalo številčnejše.

Možni vzroki vključujejo:

• vezava z zamerjenim ciljem;
• vezava s površino, uporabljeno v testu;
• medsebojni vpliv z drugim elementom eksperimenta;
• boljše preživetje pogojev selekcije;
• večjo nalezljivost;
• učinkovitejše razmnoževanje;
• prednost med razmnoževanjem;
• drugo lastnost, odvisno od zaporedja ali določenega klona.

To so znanstveno različne razlage.

V eni od študij so identificirali fagni klon, katerega obogatitev je bila povezana s prednostjo pri razmnoževanju, ki je izvirala iz genomske delecije. [6]

Druga študija je analizirala predstavljeni peptid, ki se je vezal na polistiren namesto na predvideni cilj. [7]

Te raziskave prikazujejo dva različna mehanizma, preko katerih lahko prihaja do obogatitve, ki ni povezana s pravilnim ciljem raziskave.

To ne pomeni, da je vsaka obogatena fagna sekvenca artefakt.

Vendar pa kaže, zakaj:

Obogatitev identificira kandidata, ki zahteva pojasnilo; sama po sebi ne dokazuje specifičnega prepoznavanja molekularne tarče.

Način prezentacije lahko vpliva na opazovano vezavo

Peptid, predstavljen v sistemu fage display, je fizično povezan z nosilcem.

Njegovo vedenje se lahko zato razlikuje od vedenja iste molekule, ki se prosto nahaja v raztopini.

Pomemben pojem je tukaj avidnost.

Afiniteta se običajno nanaša na moč posamezne interakcije znotraj določenega modela.

Avidnost pa lahko izhaja iz več medsebojnih vplivov, ki potekajo hkrati.

Če več kopij predstavljenega peptida deluje istočasno z več vezavnimi mesti, se lahko skupna interakcija zdi močnejša kot posamična interakcija prostega peptida.

Priklop na medij lahko tudi:

• omejiti konformacijo peptida;
• spreminjati njegovo dostopnost;
• povečati lokalno koncentracijo;
• vplivati na orientacijo;
• povzročati sterične učinke;
• nameščati več kopij peptida blizu skupaj.

Zato se lahko peptid, ki je bil uspešno izbran v sistemu predstavitve, po neodvisni sintezi vede drugače.

Prav zato je preučevanje izolirane molekule pomembna potrditvena faza.

Primerjava ligandov, predstavljenih na fagih, z njihovimi kemično sintetiziranimi ustrezniki v zgodnjih raziskavah prikaza na fagih dobro ponazarja pomen povezave med rezultatom selekcije in neodvisnim vedenjem molekule. [1]

Sintetične knjižnice lahko zajemajo drugačen kemijski prostor

Sintetične peptidne knjižnice nastanejo s kemijskimi metodami in ne izključno z biološko ekspresijo.

Glede na uporabljeno metodo sinteze lahko potencialno vključujejo:

• neobstoječe aminokisline;
• izbrane D-aminokisline;
• modifikacije zaključkov;
• ciklizacijo;
• kemične oznake;
• spremenjene stranske verige;
• drugi sintetični gradbeni elementi.

To omogoča razširitev kemijskega prostora, ki je na voljo za raziskave.

Vendar pa samo načrtovanje zaporedja v preglednici ali računalniškem programu še ne dokazuje, da je ustrezno molekulo mogoče enostavno in pravilno sintetizirati.

Praktične težave lahko vključujejo:

• nepopolno sprezanje;
• zaporedja delecij;
• agregacijo;
• težave s čiščenjem;
• slaba topnost;
• Neželeni učinki;
• nestabilnost modifikacije;
• od sekvence odvisni sintetični problemi.

Zato:

načrtovana kemijska raznolikost ≠ eksperimentalno potrjena kemijska raznolikost.

Genetsko kodirani sistemi predstavitve in kemijska sinteza tako obsegata delno se prekrivajoče, vendar neidentične molekularne prostore.

Spremenjene tehnologije predstavitve lahko dodatno razširijo obseg kemije, ki je dostopna v bioloških sistemih, zato tega razlikovanja ne gre poenostavljati do trditve, da biološke knjižnice lahko vsebujejo izključno nemodificirane standardne peptide.

Knjižnice en kroglica–ena spojina

V knjižnici z enim delcem na spojino (OBOC) naj bi vsaka kroglica vsebovala več kopij ene same specifične spojine.

Ena od pogosto uporabljanih strategij je sinteza tipa razdeli-in-združi (split-and-pool).

Kroglice se razdeli v skupine, vsako skupino se izpostavi reakciji z drugim gradnikom, nato se vse kroglice ponovno združi in ponovno razdeli pred naslednjo stopnjo sinteze.

Ponavljanje tega postopka lahko vodi do nastanka velike kombinatorične knjižnice, hkrati pa ohranja načrtovano povezavo med posamezno kroglico in določeno zaporedje.

Prve raziskave o sistemu enak zrn – en peptid so predstavile metodo za ustvarjanje in presejanje velikih sintetičnih peptidnih knjižnic glede na vezavo ligandov. [2]

Izraz ena kroglica – ena spojina pa opisuje načelo organizacije knjižnice.

To ne dokazuje, da:

• vsaka kroglica vsebuje kemično popoln peptid;
• vsaka kroglica ima enako obremenitev s peptidom;
• vse reakcije sklapanja so potekale z enakim izkoristkom;
• peptid na vsaki kroglici je enakomerno dostopen.

V kasnejši raziskavi posameznih kroglic so uporabili Ramanovo spektroskopijo za oceno količine peptida.

Raziskovalci so opazili znatno variabilnost med kroglicami knjižnice, zlasti pri daljših zaporedjih, kljub bolj enakomerni obremenitvi začetnega materiala. [8]

To je pomembno, ker je intenzivnost signala med presejalnim testom lahko odvisna od obeh dejavnikov:

sile medsebojnega delovanja,

od in do

količine dostopnega peptida, predstavljenega na kroglici.

Matrike, individualno sintetizirani kompleti in združene preiskave

Peptidne knjižnice so lahko organizirane tudi v obliki matrik ali posamično sintetiziranih kompletov.

V peptidni matriki so definirani peptidi na znanih fizikalnih položajih.

To zagotavlja neposredno povezavo:

položaj → identičnost zaporedja → testni signal.

Vendar je treba upoštevati, da lahko imobilizacija na površini vpliva na konformacijo in dostopnost peptida.

Druga rešitev je združeno presejanje.

Nekaj peptidov se združi v enem vzorcu in se preučuje skupaj.

Če bazen da pozitiven rezultat, ga je mogoče naknadno dekonvoluirati z testiranjem manjših skupin ali posameznih elementov.

Združevanje vzorcev lahko zmanjša število meritev, potrebnih v začetni fazi.

Pulpa se ne obnaša vedno povsem enako kot vsak njen posamezni sestavni del.

Vpliv imajo lahko:

• koncentracijske razlike;
• konkurenca;
• topnost;
• agregacija;
• interference;
• antagonistični učinki;
• nasičenost testa.

Pozitivna skupina tako nakazuje skupino, ki potrebuje nadaljnje raziskave.

To ne dokazuje, da ima vsak v njem vsebovan peptid preučevano lastnost.

Selekcija in izbira kandidatov

Najprej določi, kaj test dejansko meri

Pomen rezultata presejanja je povsem odvisen od merjene končne točke.

Preverjanje vezave odgovarja na vprašanje, ali peptid deluje z določenim ciljem v danih pogojih.

Preskušanje encimskih substratov preverja, ali encim pretvarja določen peptid.

Test inhibicije preverja, ali peptid zmanjšuje določeno aktivnost.

Celoten test merja določeno reakcijo v celicah.

Ti rezultati niso enakovredni.

Peptid se lahko veže na cilj, ne da bi ga aktiviral ali inhibiral.

Lahko je substrat za encim, vendar ne kaže ustreznega delovanja v celičnem sistemu.

Odgovor celice pa lahko izvira iz neželenega poteka poti.

Zato je opredelitev „aktivnega peptida” pogosto preširoka, če ni navedeno, kakšno vrsto aktivnosti se dejansko meri.

V iterativnem raziskovanju z uporabo strojnega učenja so optimizirali peptidne substrate za določeno razred encimov z večkratnim eksperimentalnim testiranjem izbranih kandidatov. [3]

Vloge so se nanašale na biokemijske funkcije, merjene v tem konkretnem sistemu.

Ne dokazujejo, da bi te iste sekvence delovale tudi v drugih, nepovezanih bioloških aplikacijah.

Kontrole pomagajo ločiti prepoznavanje cilja od samega vedenja testa.

Ustrezno izbrana kontrola pomaga ločiti namerjen molekularni pojav od drugih možnih razlag.

Od testa je odvisno, ali gre za:

• področja brez ciljne molekule;
• kontrole, ki vključujejo sam nosilec;
• nevezane molekularne cilje;
• kontrole so pozitivne;
• negativni rezultati pregledov;
• merjenje ozadja;
• eksperimenti konkurenčne narave;
• drugi nadzori, ki veljajo za določen sistem.

Površina brez ciljne molekule lahko kaže na neustrezno vezavo na testni material.

Kontrola nosilca pomaga prepoznati odgovore, ki jih povzroča sam sistem za predstavljanje.

Nepovezani cilj lahko zagotavlja informacije o selektivnosti.

Pozitivni rezultat testa kaže, ali test lahko zazna znano reakcijo.

Kontrola negativnega rezultata pomaga določiti raven ozadja.

Kontrole pa je treba izbrati glede na dejanske možne vire napak določenega eksperimenta.

Ne obstaja en univerzalni kontrolni peptid, ki bi bil biološko neškodljiv v vseh možnih sistemih.

Raziskava o vezavnih fosfolipidih polistirena kaže, zakaj je kontrola površine pomembna. Raziskovalci so ločeno analizirali vezavo in množično sintezo ter povezali obogatitev z učinkom na testno površino, namesto da bi domnevali, da pridobitev faga potrjuje prepoznavanje cilja. [7]

Nujnost, selektivnost in funkcija so različne lastnosti

Tri pojma, ki se pogosto zamenjujejo, so:

zavezanost, selektivnost in funkcija.

Nujnost se nanaša na moč interakcije v določenih pogojih in v okviru ustreznega modela delovanja.

Selektivnost opisuje, v kakšnem obsegu kandidat prednostno sodeluje z enim ciljem v primerjavi z ustreznimi alternativami.

Funkcija se nanaša na biološke ali biokemijske posledice takšnega vpliva.

Peptid lahko torej kaže na:

• visoka afiniteta, vendar slaba selektivnost;
• visoko selektivnost, vendar slaba vezava;
• močno vezavo brez pričakovanega funkcionalnega učinka;
• funkcionalno aktivnost prek nepričakovanega mehanizma.

Te razlike odločajo, katere poskuse je treba opraviti v naslednji vrstici.

Na primer:

prikazano vezavo ≠ prikazano zaviranje.

Peptid, ki je bil ugotovljen v preizkusu vezave, ni treba samodejno označiti kot inhibitor, če njegovo zaviralno delovanje ni bilo neposredno določeno.

Kandidate je vredno ocenjevati na podlagi več vrst podatkov

Izbira kandidatov je bolj verodostojna, če ne temelji le na enem merilu za uvrščanje.

Med drugim je mogoče upoštevati:

• velikost signala;
• ponovljivost;
• hranjenje ozadja;
• identiteta zaporedja;
• povečanje vrednosti v primerjavi z začetno vrednostjo;
• selektivnost;
• družino zaporedij;
• možnost neodvisne sinteze;
• topnost;
• ponovljivost testa;
• Možnost nadaljnje validacije.

Uporabna je lahko tudi sekvenčna raznolikost med izbranimi zadetki.

Raziskava predstavnikov več različnih vrst sekvenc zmanjšuje odvisnost od enega potencialno zavajajočega motiva ali klona.

Pri fagovih knjižnicah je še posebej koristno primerjati število predmetov pred selekcijo in po njej.

Sekvenca, ki je že v izhodiščni zbirki pogosto nastajala, se lahko po pregledu številčno ponovi brez izjemno močne ciljno odvisne povečave.

Raziskava globokega sekvencioniranja naive fagijske knjižnice je pokazala neenakomerno začetno zastopanost. [4]

Raziskava o prevladi pri razmnoževanju dodatno kaže, da samega števila ne smemo samodejno interpretirati kot merilo dovzetnosti za nalezljivost. [6]

Skupaj ti rezultati govorijo v prid analizi:

kako je bila ta sekvenca obogatena,

in ne samo:

ki je sekvenca po zaključku selekcije zasedla prvo mesto.

Rezultat testa ne velja še za potrjenega kandidata

Hit, torej zadetek, je kandidat, ki izpolnjuje kriterije začetnega preverjanja.

To je pomemben rezultat.

Vendar ne konča postopka validacije.

Potrditev bi morala odgovoriti na vprašanja, kot so: Ali je kandidatovo vedenje:

• je ponavljajoče se;
• se ohranja po uporabi ustreznih kontrol;
• se pojavi med individualnim pregledom;
• ostaja vidno tudi po ponovni sintezi;
• lahko se pripiše namerjeni molekuli;
• Ostaja pomembno v ustreznem sekundarnem testu.

Dodatna karakterizacija lahko nato vključuje lastnosti, pomembne za določen raziskovalni cilj.

Ponovna sinteza je še posebej koristna, če je prvotni screening uporabljal nosilec, kroglo, sistem za predstavitev ali mešanico.

Samostojna sinteza omogoča ločitev kandidata od prvotnega načina njegovega predstavljanja.

Potrditev identitete in drugih pomembnih parametrov vzorca dodatno krepi povezavo med opaženim rezultatom in želenim delcem. V tem trenutku je še posebej pomembna ustrezna interpretacija Čistost peptidov in laboratorijske raziskave, Ker rezultati HPLC, potrditev mase in dejanska vsebnost peptida odgovarjajo na različna analitična vprašanja.

Ustrezna zaporedja so torej naslednja:

rezultat pregleda → potrjen rezultat pregleda → ocenjen kandidat,

in ne:

Ugotovitev v pregledu → dokazano funkcionalen peptid.

Ugoden razvrščeni rezultat, prepričljiv vizualni prikaz modela za določitev položaja ali večkratno doseganje podobnega rezultata v istem napaki, niso samodejno nadomestilo neodvisnega preverjanja.

Projektiranje sekvenc in prediktivna orodja

Projektiranje se začne z določitvijo molekularnega cilja

Projektiranje peptida se lahko začne s:

• znanega motiva;
• matičnega peptida;
• površina vpliva beljakovin;
• uspeh, dosežen eksperimentalno;
• strukturalnemu modelu;
• evolucijske verige;
• zbirke podatkov o preizkušeni peptidni skupini.

Nato je mogoče analizirati spremembe, kot so:

• pridobivanje aminokislin;
• skrajševanje sekvenc;
• podaljšanje zaporedja;
• ciklizacija;
• modifikacije zaključkov;
• preklopljanje aminokislin;
• drugi strukturni modificirni ukrepi.

Cilj mora biti jasno določen.

Na primer:

predvidevanje vezave

ni isto delo kot:

predvidevanje prepoznavanja s strani encima,

in to pa ni isto kot:

napovedanje topnosti.

Modifikacija, ki izboljša eno lastnost, morda ne vpliva na drugo ali pa celo negativno vpliva nanjo.

Praktično načrtovanje peptidov torej lahko zahteva uravnoteženje več sovražnih ciljev.

Eksperimentalno podprto raziskovanje encimske substrata je pokazalo ciljno usmerjen pristop, v katerem je algoritem predlagal kandidatne spojine, biokemijske poskuse jih je ocenjeval in pridobljeni rezultati so vplivali na nadaljnje odločitve glede izbire sekvence. [3]

Izračuni so podpirali specifičen eksperimentalni cilj in niso nadomestili meritev.

Napoved, ki temelji na zaporedju, je odvisna od treningnih podatkov.

Računalni model, ki temelji na sekvenci, se učijo odvisnosti med lastnostmi peptidov in oznakami ali rezultati meritev, ki so v vadbenem naboru.

Od modela lahko izhaja:

• razvrščanje;
• izid, ki spominja na verjetnost;
• vrednost uvrščanja;
• predvidena količinska lastnost;
• druga vrsta računalniškega ocenjevanja.

Razlaga je odvisna od tega, kaj so etikete, ki so bile uporabljene med treningom, dejansko pomenile.

Na primer, izraz „aktivni” lahko pomeni:

• vezava nad določenim pragom;
• preoblikovanje z encimom;
• protibakterijsko delovanje;
• celularna odgovornost;
• drugi kriterij, specifičen za posamezen test.

To niso enake lastnosti.

Zbirke podatkov lahko vključujejo tudi rezultate, pridobljene v različnih eksperimentalnih pogojih.

Nezarisanega peptida ni mogoče samodejno šteti za potrjen negativni rezultat le zato, ker za njega ni potrjen pozitiven rezultat.

Enako pomembna je ocena modela.

Če so skoraj enake sekvence prisotne tako v treningovnem kot tudi testnem naboru, je prediktivni problem lahko veliko lažji kot napovedovanje lastnosti resnično novih peptidov.

Zato:

Visoka splošna natančnost modela sama po sebi ne dokazuje sposobnosti za generalizacijo na nove sekvence.

Generalizacija zahteva premišljeno ocenjevanje

Generalizacija opisuje sposobnost modela, da ohrani uporabnost tudi izven primerov, ki so bili uporabljeni med treningom.

To je še posebej pomembno, kadar se predlagani peptid znatno razlikuje od podatkov treninga glede na:

• sekvence;
• dolžine;
• strukturni razredi;
• kemijskih sprememb;
• molekularni cilj;
• ekstremno kontekstualen.

V raziskavi o prediktivnosti vezave na receptor limfocitov T so analizirali vpliv razlik med treningovskimi in testnimi peptidi na oceno modelov. [9]

Razvrščanje zbirk na podlagi podobnosti zaporedij in struktur ni dalo enakih rezultatov.

To kaže, zakaj posamezen razdelitev treningov in testov ali ena vrednost, ki opisuje učinkovitost modela, morda ne bi v celoti odražala njegovega vedenja do novih peptidov.

To ne pomeni, da so prediktivni modeli peptidov po naravi neverjetni.

Namesto tega pa pomeni, da mora način njihove ocene spominjati na dejansko uporabo, za katero naj bi jih uporabljali.

Kaj predvideva vezava peptidov?

Peptidna vezava je računalniška metoda, ki služi za določitev načina, kako peptid lahko vpliva na receptor ali drug molekularni cilj.

Izračuni lahko analizirajo različne:

• konformacije peptida;
• naslednje smernice;
• položaje;
• stiki z prejemnikom;
• geometrija vpliva.

Nato se predlagani sistemi ocenjujejo z uporabo ustrezne točke ali energijske funkcije.

Rezultat tesnjenja lahko torej zagotavlja:

• potencialno pozitivno vezavo;
• predlaganih preostalih udeležencev v interakciji;
• strukturalne hipoteze;
• razvrščanje kandidatov;
• strukture začetnih podatkov za nadaljnje računalniške analize.

Vendar je treba upoštevati:

poleg dokazovanja gre za hipotezo, ne za eksperimentalno opazljivim kompleksom.

Podobno:

vrednost točk za vezavo ni samodejno eksperimentalno določena konstanta disociacije, aktivnost celic ali verjetnost biološkega uspeha.

Interpretacija je odvisna od:

• točka funkcija;
• način vzorčenja konformacij;
• strukture receptorjev;
• prilagodljivosti receptorja;
• prilagodljivost peptida;
• izhodiščnih predpostavk;
• protonacije in molekularne reprezentacije;
• kalibracije za določen nalog.

Zalivanje peptidov je lahko posebej zahtevno, saj so peptidi pogosto zelo elastični.

Med spajanjem se lahko znatno spremeni njihova oblika in položaj glede na cilj.

Rosetta FlexPepDock: izboljšanje in globalno sidranje različnih postopkov

Prvotna publikacija o FlexPepDock serverju opisuje visokoločljivostno izboljšavo modela, ki se začne s peptidom, ki se nahaja približno v regiji vezave receptorja. [10]

Zato tega orodja ni mogoče opisati le kot univerzalne metode za odkrivanje katerega koli neznanega mesta vezave brez strukturnih informacij.

PIPPER-FlexPepDock razširja to koncepcijo v smeri globalnega dokiranja z združevanjem vstavljanja peptidnih fragmentov z poznejšo prožno prilagoditvijo modela. [11]

V publikaciji je bila ta metoda ocenjena na omejenem, vendar reprezentativnem naboru eksperimentalno določenih peptid–beljakovinskih kompleksov.

Uspeh v benchmarku kaže na učinkovitost v preizkušeni razmerah.

Ne zagotavlja pravilne napovedi za vsako novo par receptor–peptid.

Uradna dokumentacija Rosetta razlikuje:

• prefinjenost;
• ab initio modeliranje v bližini približnega mesta vezave;
• celoviti potek dela PIPER-FlexPepDock. [12]

Zato računalniški poročili postanejo veliko bolj informativni, če določajo:

kateri protokol FlexPepDock je bil uporabljen + katere začetne podatke so bili uporabljeni + kako so bile ocenjene dobavljene strukture.

Samo dejstvo:

„Izveden je bil pristanek Rosetta”

ne pusti določenih ključnih metodoloških informacij.

Modificirani peptidi potrebujejo ustrezno reprezentacijo

Računalni model mora pravilno prikazati preučevano molekularno strukturo.

Sekvenca, zapisana izključno s standardnimi enoliternimi kodami aminokislin, lahko izpusti pomembne kemijske informacije.

To lahko med drugim vključuje:

• amidacija C-konca;
• acetilacija N-konca;
• nespecifične aminokisline;
• D-aminokisline;
• ciklizacija;
• kovalentne stranske vezi;
• fosforylacija;
• druge modifikacije.

V raziskavi, ki je uporabljala FlexPepDock, so analizirali modeliranje peptida–MHC, ki vključuje nestandardne dele in izbrane modifikacije peptidov. [13]

Avtorji so pridobili koristne benchmarkske rezultate in opazili povezavo med izračevanimi rezultati in relativnim vezanjem, merjenim eksperimentalno v obravnavanem naboru.

To podpira konkretno uporabo modeliranja, ki je bilo preizkušeno.

To pa ne pomeni, da bo vsaka možna sprememba samodejno ustrezno predstavljena ali da dokiranje nadomesti eksperimentalni izmerjanje vezave.

CHARMM-GUI, modeli peptidov in amidacija C-konca

CHARMM-GUI ponuja orodja za pripravo molekularnih struktur za simulacijo.

Uradna dokumentacija poudarja, da spremenjene ostanke zahtevajo ustrezne strukturne definicije in parametre silačnega polja. [14]

Uspešno ustvarjanje vhodnih podatkov za simulacijo pomeni torej, da je bila pripravljena računalniška reprezentacija sistema.

Ne potrjuje eksperimentalno:

• identiteta peptida;
• vezave;
• biološke funkcije;
• stabilnosti;
• aktivnosti.

Pri amidiranem peptidu je na C-koncu končna kemična skupina amid, ne pa proste karboksilne skupine.

Ta razlika lahko vpliva na:

• formalni tovor;
• vodne vezi;
• elektrostatični učinki;
• konformnost;
• interakcije z okolnim molekularnim okoljem.

Struktura, topologija in parametri silačnega polja, ki se uporabljajo v simulaciji, morajo torej predstavljati enako končno obliko, ki se eksperimentalno preučuje.

V raziskavi o maximinu H5 so se združili eksperimentalni in simulacijski pristopi za oceno posledic spremembe oblike C-konca. [15]

Za opazili so razlike v strukturi in interakcijah s membrano za ta specifičen peptid.

To ne pomeni, da amidacija izboljšuje lastnosti vsakega peptida.

Na drugi strani pa kaže, zakaj se kemija končnih skupin ne bi smela izpustiti iz molekularnega opisa.

Zato bi iskanje amidacijskih možnosti v programu za izdelavo peptidov moralo začeti s kemijskim vprašanjem:

Katera natančna oblika molekule naj bo modelirana?

Šele po določitvi te zadeve je izbira nastavitev programske opreme pomembna.

Eksperimentalna potrditev in ponovljivost

Neodvisno preglejte ustrezno molekulo

Izbran kandidat bi se končno moral preučiti kot definirani molekularni material.

Pomembne značilnosti lahko vključujejo:

• natančno zaporedje;
• obliko koncev;
• določene modifikacije;
• molekularna identiteta;
• druge lastnosti pomembne za poskus.

Če je bil prvotni screening izveden z uporabo phaga displaya ali peptidov, ki so bili pritrjeni na molekule, lahko nadaljnji poskusi preverijo, ali izolirani peptid ohranja merjeno lastnost tudi zunaj prvotnega sistema predstavljanja.

V zgodnjem raziskovanju phage displaya so primerjali peptide, ki so bili predstavljeni na fagih, z njihovimi kemično sintetiziranimi analogi. [1]

To kaže, kako neodvisno raziskovanje lahko združi rezultat selekcije biblioteke z ohranitvijo samega peptidnega molekula.

Pomembna sta tudi kakovost in značilnosti vzorca.

Razlike glede:

• označenega koncentracije;
• topnostjo;
• čistoče;
• agregacije;
• končna oblika;
• kemijske modifikacije

lahko vplivajo na eksperimentalne primerjave.

Dve vzorci, ki se imenujejo z isto imensko označbo za peptid, ne smejo biti kemijsko enakovredni, če niso določeni ustrezni molekularni oblici. Zato je pred interpretacijo eksperimenta koristno razčleniti pojme identitete, čistosti in dejanske količine snovi, kar je podrobneje opisano v članku o Čistoča peptidov in laboratorijske raziskave.

Dodatni test ima največjo vrednost, kadar odgovarja na konkretno vprašanje.

Ortogonalni test preverja določeno lastnost z uporabo drugega merilnega načela ali drugačnega načina predstavljanja eksperimenta.

Njegova največja vrednost je možnost preverjanja konkretnega alternativnega pojasnila.

Drugi test lahko na primer pomaga ugotoviti, ali je začetni rezultat posledica:

• vezave na površino;
• interferenca označevalnika;
• obnašanje, odvisno od nosilca;
• učinkov immobilizacije;
• drugi artefakt, značilen za prvi test.

Samo dejstvo, da uporabimo dva različna modela naprav, še ne pomeni, da so meritve ortogonalne.

Če oba testa uporabljata isti način za blokiranje gibanja ali enako zasnovo za zaznavanje, so lahko dovzetna za enak vir napake.

Najpomembnejše vprašanje je:

Katerega alternativnega razlaga drugi eksperiment preverja?

Uskladitev med dejansko komplementarnimi metodami običajno predstavlja močnejšo podporo kot večkratno ponavljanje istega napak pri branju.

Replikacija in biološki kontekst

Različne vrste replikacije omogočajo ocenjevanje različnih virov negotovosti.

Tehnična ponavljanja pomagajo oceniti ponovljivost v okviru istega eksperimentalnega sistema.

Neodvisni ponovi poskusa lahko vključujejo dodatno variabilnost med pripravami ali serijami raziskav.

Eksperimenti, ki uporabljajo biološke vzorce, lahko prav tako zahtevajo upoštevanje razlik med:

• darovalci;
• z uporabo celic;
• organizmi;
• celicami;
• drugimi viri biološkega materiala.

V raziskavi, v kateri so se uporabljali prepleteni peptidi, so analizirali prepoznavanje T-limfocitov v vzorcih, pridobljenih od darovalcev, in uporabljali biblioteko za identifikacijo prepoznanih regij. [5]

Opazovana odgovora so bila odvisna od biološkega konteksta.

Rezultat, dosežen za enega samega darovalca ali enega samega eksperimentalnega sistema, ni mogoče avtomatično razširiti na vsako osebo ali vsak biološki sistem.

Ponavljalnost torej pomeni možnost ponovnega ustvarjanja konkretnega trdila v ustrezno opisanih pogojih.

Ne pomeni le pridobivanja novega diagrama z podobnim videzom.

Dokumentacija mora omogočati ponovno izdelavo analize

Dobro raziskavo peptidne knjižnice zahteva zadostno dokumentacijo, da bo drugi raziskovalec lahko razumel, kako je bil dosežen rezultat.

Uporabni eksperimentalni podatki vključujejo:

• natančno zaporedje peptida;
• dolžina peptida;
• skupine končne;
• kemijske modifikacije;
• arhitekturo knjižnice;
• identifikatorji vzorcev;
• pogoje za pregled;
• merjen končni točki;
• kontrole;
• strukturo ponovitev;
• način določanja ozadja;
• meja kvalifikacije za zadetek;
• merila za izbor kandidatov;
• uporabljene analitične metode.

V računalniških raziskavah so lahko pomembni:

• ime programske opreme;
• različica;
• protokol;
• vstopna struktura;
• način predstavljanja molekule;
• nabor parametrov;
• obdelava podatkov;
• način razdelitve treningov in testov;
• metoda točk;
• postopek za razvrščanje kandidatov;
• Merila za izbor.

Ohranjanje samo najvišje ocenjenega modela, najboljšega rezultata ali končne sekvence lahko onemogoči poznejšo reprodukcijo načina pridobivanja rezultata.

Lastnosti same knjižnice so tudi element ponavljanja.

Raziskave sestave fagocitnih tkiv in obremenitve z zrnci kažejo, da lahko spremenljivost obstaja že pred začetkom presejanja. [4] [8]

Dokumentiranje samo končnega zadetka lahko torej izpusti pomembne informacije o začetnem materialu.

Pozitivne napovedi in negativni rezultati so enako pomembni

Predvideni računalniški kandidat, ki se ni potrdil eksperimentalno, lahko še vedno zagotavlja koristne informacije.

Morda razkrije:

• omejitve modela;
• napačen mehanistični predpostavki;
• nezadostno prikaz kemijske lastnosti;
• problem s hipotezo glede testa;
• regija zaporednega prostora, v kateri model slabo splošča.

Takšne rezultate ni treba izključiti iz ocene le zato, ker niso potrdili prvotne napovedi.

Iterativno načrtovanje postane bolj vredno, ko eksperimentalne opazovalne podatke – tudi nepredvidene in negativne rezultate – upoštevamo pri sprejemanju nadaljnjih odločitev.

Raziskava o načrtovanju encimskih substratov je uporabljala splošen cikel:

predikcija → eksperimentalni meritve → izboljšanje modela na podlagi podatkov. [3]

Njegova znanstvena vrednost je izhajala iz povezovanja izračunov z opazovanjem, in ne iz obravnavanja prvega razvrščanja kot končnega odgovora.

Najmočnejši predlog bi torej moral natančno določiti, kaj je bilo dokazano:

• obogatitev;
• vezanje;
• držanje kot substrat za encim;
• inhibicija;
• celična reakcija;
• računalniška napoved;
• učinkovitost v strukturalnem primerjalnem testu.

Vsak od teh rezultatov je lahko znanstveno vredno.

Vendar pa ga ni treba nadomestiti z drugim.

Najpogostejše napake pri interpretaciji peptidnih knjižnic

Rezultati raziskav peptidnih molekul lahko povzročijo zmedo, če sklepi presegajo tisto, kar je dejansko bilo merjeno.

Med pogostimi napakami je obravnavanje teoretičnega števila biblioteke kot eksperimentalno potrjene raznolikosti. Fizične biblioteke lahko kažejo na neenakomerno zastopanost, manjkajoče elemente, dvojnike ali obremenitve, ki izhajajo iz procesa sinteze. [4]

Drugi napak je obravnavanje obogatitve kot dokaza povezanosti. Obogatitev lahko tudi izvira iz prednosti pri razmnoževanju, vezavi na površino ali drugih lastnostih, povezanih s procesom selekcije. [6] [7]

Tretji problem je pripisovanje vezave funkciji. Peptid lahko deluje s ciljem, ne da bi povzročal predlagani biološki učinek.

Podobno rezultat vezave z vezivom ne smemo obravnavati kot eksperimentalni izmerjen učinek. Rezultati so pridobljeni s pomočjo računalniških modelov in potrebujejo potrditev, preden jih lahko šteje za kvantitativen dokaz vezi. [10] [11] [13]

Virtualni peptid ni samodejno tudi peptid, ki ga je mogoče enostavno pridobiti v pravilni kemijski obliki. Sintetizacija, topnost in molekularna identiteta ter značilnosti vzorca ostajajo eksperimentalna vprašanja.

Končni rezultat za peptid, ki je predstavljen na fagu in je vezan na površino ali na kroglico, morda ne bo reproduciran s sorodno prosto molekulo, saj lahko sam način predstavljanja vpliva na konformacijo, dostopnost, lokalno gostoto in avidnost.

Ti omejitvi ne zmanjšujejo vrednosti peptidnih knjižnic.

Namesto tega določajo način, kako je treba razlagati dokaze, ki jih zagotovijo.

Pogosto zastavljena vprašanja

1. Kaj je knjižnica nadomestnih peptidov?

Biblioteka nakładających się peptydów je zbirka fragmentov, ki vključujejo daljšo matično sekvenco, pri čemer sosednji peptidi imajo skupno sekvenco aminokislin. Takšen pristop pomaga raziskovalcem pri identifikaciji regij, povezanih z zaznavanjem ali drugimi merjenimi odzivi. Raziskava, ki je uporabljala nakladalne fragmente meningokoknega proteina, je pokazala uporabo te metode za mapiranje odziva limfocitov T v vzorcih, pridobljenih od darovalcev. [5] Vendar pozitivni rezultat za fragment ne identificira samodejno minimalnega epitopa, ne dokazuje, da je vsaka skupna sestavina nujna in ne pomeni, da fragment natančno ponazarja strukturo in predelavo celotnega proteina.

2. Ali lahko računalniške napovedi nadomestijo poskuse?

Ne. Računalni prediktivi lahko pomagajo pri določanju prednostnih nalog kandidatov, prepoznavanju vzorcev, oblikovanju strukturnih hipotez in omejevanju števila zaporedij, ki zahtevajo takojšen eksperimentalni pregled. Njihova verodostojnost pa je odvisna od modela, treningnih podatkov, načina predstavljanja molekul, sprejetih predpostavk in specifičnega problema. V raziskovanju načrtovanja encimskih substratov so večkrat testirali peptide, ki jih je izbral algoritem, in rezultate eksperimentov so uporabljali za nadaljnje kroge selekcije. [3] To kaže na sodelovanje računalniških metod z eksperimentom in ne nadomestitev eksperimenta z modelom. Kandidat ostaja računalniško prediktivno orodje, dokler njegova ustrezna lastnost ne bo ocenjena eksperimentalno.

3. Ali je biblioteka peptidov fizični nabor ali podatkovna zbirka?

Lahko sta lahko tako in drugače. Fizične knjižnice vsebujejo molekule, ki jih je mogoče neposredno raziskovati z eksperimentalnimi metodami, medtem ko virtualne knjižnice vsebujejo digitalne sekvence, molekularne strukture ali druge računalniške reprezentacije. Prva raziskovanja fizikalnih knjižnic sintetičnih molekul so temeljila na fizičnih bibliotekah, medtem ko metode računalniškega modeliranja analizirajo molekularne reprezentacije pred sintezo izbranih kandidatov. [2] [3] Sama prisotnost sekvence v virtualni knjižnici ne potrjuje, da je ustrezajoči peptid pravilno sintetiziran, ima predvideno kemijsko obliko ali kaže pričakovano lastnost. Zato je pri razpravljanju o velikosti knjižnice ali rezultatih skeniranja vedno treba določiti njen format.

4. Ali večja knjižnica vedno vodi do iskanja boljših kandidatov?

Ne. Velikost knjižnice je pomembna le, če vključuje pomembno, dostopno, prepoznavno in ustrezno zastavljeno raznolikost. Globoko sekvencioniranje fagne knjižnice je pokazalo neenakomerno število sekvenc ter dejavnike, ki zmanjšujejo učinkovito raznolikost, kljub obsežnemu načrtovanemu projektu. [4] Zelo velike knjižnice lahko tudi povečajo težave z vzorčenjem in interpretacijo, saj ne vsi teoretično možni elementi dejansko obstajajo ali so ustrezno preučeni. Kakovost kandidatov je torej odvisna od sestave knjižnice, projekta preverjanja, kakovosti testa, kontrole in validacije, in ne le od oglaševane količine možnih sekvenc.

5. Ali so naključne baze peptidov res brezbrižne?

Ne vedno. Randomizirana konstrukcija lahko še vedno povzroči neenakomerno zastopanost nukleotidov, aminokislin in celotnih sekvenc. Biološka produkcija, razmnoževanje, kemija sinteze in selekcija lahko vključujejo dodatne vire obremenitev. Globoko sekvencioniranje komercialne fagocitne baze podatkov je pokazalo neenakomerno zastopanost še pred začetkom selekcije glede na cilj. [4] To ne pomeni, da je vsaka naključna baza neverodostojna. Namesto tega kaže, da sta „naključni projekt” in „eksperimentalno potrjena enakomernost” dva različna trdila. Ocenjevanje začetne baze podatkov pomaga ločiti veliko začetno število od dejanskega bogatenja, odvisnega od selekcije.

6. Kako lahko phagen prikaz omogoča identifikacijo sekvence peptida?

Phage display združuje peptid, ki je na površini bakteriofaga, z genetsko informacijo, ki se nahaja v isti molekuli. Izbrane faje lahko torej pridobimo in ustrezne peptidne sekvence določimo na podlagi povezanega genetskega materiala. V zgodnjih raziskavah z naključnimi peptidi, ki so bili prikazani na nitfolikularnih fagih, je bila ta povezava med genotipom in fenotipom uporabljena za pridobivanje in karakterizacijo ligandov, ki jih vežejo. [1] Sama pridobitev faga ne dokazuje avtonomnosti glede na cilj, saj na številčnost lahko vplivajo interakcije s površino, razlike v razmnoževanju in druge selektivne pritiske. Genetsko povezovanje omogoča določitev identitete kandidata, nadaljnji eksperimenti pa pomagajo razložiti vzrok njegove selekcije.

7. Zakaj se lahko fag obogati brez povezave z želenim ciljem?

Nekontrolovanemu cilju lahko pride do bogatenja na več načinov. Fag lahko vpliva na testno površino, izjemno dobro prenaša pogoje selekcije ali se uspešneje razmnožuje od konkurenčnih klonov. V ločenih raziskavah so pokazali pridobivanje vezano na polistiren ter bogatenje, povezano z večjo razširjenostjo. [6] [7] To so različni mehanizmi in zahtevajo drugačne kontrole. Zato je treba bogatenje interpretirati kot dokaz, da je klon preživel in povečal svojo zastopanost med procesom selekcije. Z dokazovanjem svojevrstnega prepoznavanja cilja je treba dodati dodatne dokaze, ki bi omogočili ločitev te možnosti od alternativnih razlag.

8. Kaj pomeni one-bead–one-compound?

Besedna zveza ena-kula–en spoj pomeni, da bi morala vsaka kroglica v teoretičnem primeru predstavljati več kopij enega samega specifičnega spojine, zaradi česar bi lahko izbrano kroglico končno povezali z eno samo komponento knjižnice. Ta koncept omogoča izdelavo velikih kombinatoričnih knjižnic sintetičnih spojin in je bil predstavljen v zgodnjih raziskavah one-bead–one-peptide. [2] Termin pa opisuje zamišljeno organizacijo knjižnice in ne zagotavlja enake obremenitve, odlične sinteze ali kemijske homogenosti vsake kroglice. Nadaljnji meritvi posameznih kroglic so pokazale znatne razlike v količini prikazanega peptida. [8] Kakovost materiala in obremenitev sta torej značilnosti, ki zahtevajo eksperimentalno oceno.

9. Ali lahko količina peptida na igli vpliva na rezultat pregleda?

Da. Kugla z večjim deležem razpoložljivega peptida lahko ustvari močnejši testni signal, tudi če sama molekularna interakcija ni močnejša. V raziskavi, ki je uporabljala Ramanovsko spektroskopijo za analizo knjižnic eno-nadišnega spojin, so ugotovili precejšnjo variabilnost količine peptida, zlasti pri daljših verigah. [8] Raziskava ne določa vpliva obremenitve v vseh možnih preskusnih sistemih, vendar identificira vir variabilnosti, ki lahko vpliva na intenzivnost signala. Rezultate preverjanja na kuglah je torej treba interpretirati tako v kontekstu same molekularne interakcije kot tudi gostote prikazanega materiala.

10. Ali je vezava enako kot biološka aktivnost?

Ne. Vezava pomeni delovanje molekul v določenih pogojih. Biološka ali biokemijska aktivnost zahteva posebej opredeljen končni izid. Peptid lahko veže beljakovino, vendar ne aktivira ali zavira njega, in celična reakcija se lahko pojavi prek mehanizma, ki ni povezan z pričakovanim učinkom. Raziskave phage display so se predvsem osredotočile na vezavo, medtem ko je raziskava z uporabo strojnega učenja obravnavala zadrževanje peptidov kot substratov encimskih reakcij. [1] [3] To sta različna znanstvena vprašanja. Zato je treba ugotovitve iz presejanja opisati v skladu z lastnostjo, ki je dejansko bila izmerjena, brez pripisovanja širšega učinka.

11. Zakaj je smiselno ponovno sintetizirati in individualno preučiti zadetek?

Neodvisna sinteza pomaga ugotoviti, ali določen opredeljen peptid dejansko reprodukuje opaženo vedenje zunaj prvotnega bibliografskega sistema. Pridružitev na fag, količina materiala na krogli, učinki mešanice, interakcije z nosilcem ali drugi elementi screeninga lahko vplivajo na začetni izid. V zgodnjih raziskavah phage displaya so predstavljene ligande primerjali z peptidnimi spojinami, pridobljenimi s kemično sintezo, kar ponazarja ta potrditveni korak. [1] Ponovna sinteza je najbolj informativna, ko je pridobljen material ustrezno karakteriziran in preizkušen v testu, ki se nanaša na prvotno trditev. Sama sinteza še ne potrjuje funkcije ali mehanizma.

12. Kaj predvideva Rosetta FlexPepDock?

Model Rosetta FlexPepDock modelira strukture peptid–beljakovnih kompleksov, vendar posamezni postopki, povezani s FlexPepDockom, zahtevajo različno raven začetnih informacij. Prvotna publikacija o strežniku predvsem opisuje visokoločljivostno izboljšanje modela peptida, ki je že približno v bližini mesta vezave receptorja. [10] PIPER-FlexPepDock uporablja širšo strategijo globalnega dokiranja, po kateri sledi prilagodljiva izboljšava modela. [11] Rezultati primerjave ne zagotavljajo pravilnosti za vsako novo paro peptid–beljakov. Zato bi bil koristni poročili morali navajati uporabljen protokol, začetne informacije in način ocene pričakovanih struktur.

13. Ali ugoden izid zlitja potrjuje močno vezavo?

Ne. Rezultat vezave je vrednost, ki jo generira računalniška funkcija točke in ni samodejno enakovreden eksperimentalno izmerjenemu afinitetu, kot je konstanta disocijacije. Njegova pomembnost je odvisna od protokola vezave, molekularne reprezentacije, načina vzorčenja konformacije, cilja raziskovanja in kalibracije. V raziskavi FlexPepDock o kompleksih peptida–MHC so bili rezultati izračunov primerjani z relativnimi merami vezave v določenem naboru podatkov, kar je pokazalo, da je takšne odvisnosti treba preučevati in ne domnevati. [13] Ugoden rezultat vezave lahko pomaga določiti prioritete kandidatov ali podpreti strukturno hipotezo, vendar močno vezavo zahtevajo ustrezni eksperimentalni dokazi.

14. Zakaj ima amidacija C-konca pomen pri modeliranju peptida?

C-endamidacija spreminja kemijsko skupino, ki se nahaja na koncu peptida, in lahko vpliva na formalni naboj, vodne vezi, elektrostatiko in konformacijo molekule. Računalniški model bi torej moral prikazovati enako kemijo konca, kot jo ima eksperimentalno preučevan peptid. V raziskavah z maximin H5 so opazili razlike v strukturi in interakcijah s membrano, povezane s spremembo končne oblike. [15] To ne pomeni, da bi C-endamidacija vedno izboljšala lastnosti peptidov. Namesto tega kaže, zakaj bi se kemija končnih skupin morala pravilno opredeliti in upodabljati v modelu.

15. Ali ustvarjanje modela v CHARMM-GUI potrjuje lastnosti peptida?

Ne. Program CHARMM-GUI pomaga pripraviti molekularne sisteme za simulacijo. Uspeli ustvarjeni strukturi ali vhodnih datotekah pomeni, da je bila ustvarjena računalniška reprezentacija obravnavanega sistema; ne potrjuje eksperimentalno vezave, biološke aktivnosti, stabilnosti ali kliničnega pomena. Uradna dokumentacija prav tako navaja, da spremenjene dele zahtevajo ustrezne strukturne definicije in parametre. [14] Priprava računalniškega modela je torej izhodišče za nadaljnje modeliranje. Vprašanje, ali resnična molekula ravna v skladu s pričakovanji, ostaja ločen eksperimentalni vprašanji.

16. Zakaj lahko prediktivni model ne uspe pri novem peptidu?

Nov del peptida se lahko razlikuje od primerov, ki so bili uporabljeni med treningom, na način, ki ga model ni naučil pravilno predstavljati. Razlike lahko vključujejo sekvenco, strukturo, dolžino, modifikacije, molekularni cilj ali druge značilnosti. Raziskava modelov, ki predvidevajo vezavo receptorjev limfocitov T, je pokazala, da se ocena učinkovitosti spreminja glede na to, kako se upošteva podobnost sekvence in strukture med treningovim in testnim peptidom. [9] To ne pomeni, da bo vsaka prediktacija nove sekvence napačna. Namesto tega kaže na to, da morajo splošne statistične ocene modela biti interpretirane v kontekstu tega, kako zelo so testni pogoji podobni njegovi načrtovani uporabi.

17. Kaj povzroča, da so rezultati raziskav o peptidnih molekulah ponavljajoči se?

Ponovljivost zahteva zadostno količino informacij, ki omogočajo opredelitev knjižnice, kandidatne molekule, eksperimentalne pogoje, kontrole, način analize ter kriterije za priznanje rezultata kot uspešnega. Raziskave sestave fagoforskih knjižnic in količine peptida na kroglicah kažejo, da lahko spremenljivost obstaja še pred začetkom presejanja. [4] [8] Zato podajanje le končne sekvence in rezultat točke izključuje potencialno pomembne vire razlik. Ponovljive raziskave zahtevajo jasen poročanje o sekvenci, spremembah, strukturi knjižnice, identifikatorjih vzorcev, končnih točkah testa, kontrolah, analitičnih kriterijih, računalniških parametrih in neodvisnem potrjevanju glavnega rezultata.

18. Ali najbogatejši peptid mora biti tudi najboljši ligand?

Ne. Veliko bogatenje lahko izvira iz povezave z ciljem, vendar na to lahko vplivajo tudi začetna števila sekvenc, učinkovitost razmnoževanja, nenatančne interakcije s površino in druge lastnosti, povezane s selekcijo. Globoko sekvencioniranje je pokazalo neenakomerno začetno zastopanost fagofilnih knjižnic, druge raziskave pa so dokumentirale bogatenje, povezano z večjo razmnoževanjem. [4] [6] Zato najštevilčnejši končni sekvenc lahko ne avtomatično enačimo z ligandom z najvišjim afinitetom. Močnejši dokazi zagotavljajo primerjavo začetne in končne številske koncentracije, ustrezne kontrole ter neodvisen izmerjen afinitet.

19. Ali predvideni zaporedje peptida dokazuje, da ga je mogoče učinkovito sintetizirati?

Ne. Računalniški projekt ustvari sekvenco ali molekularno hipotezo, vendar ne potrdi uspeha sinteze. Nekatere sekvence lahko povzročijo težave v zvezi z učinkovitostjo vezave, agregacije, čiščenja, raztopljivosti ali kemijskimi modifikacijami. Zato lahko virtualna knjižnica vsebuje kandidatke z zelo različno praktično uporabno sintezno izvedljivostjo. Šele eksperimentalno pridobivanje materiala in njegova analitska karakterizacija omogočata ugotovitev, ali je namenjena molekula dejansko bila pridobljena. Računalniško prednostno razvrščanje in kemijska izvedljivost sta povezani, vendar sta ločeni koraki raziskovanja.

20. Ali se lahko peptid, izbran v phage displayu, obnaša drugače kot samostojna molekula?

Da. V fag displayu se peptid nahaja v okolju, povezanem z nosilcem, ki lahko vpliva na njegovo konformacijo, orientacijo, dostopnost, lokalno gostoto in avidnost. Prost peptid nima teh lastnosti in zato lahko med vezavo kaže drugačno navidezno vedenje. V zgodnjih raziskavah fag displaya so ligande, prikazane na fagih, primerjali z njihovimi kemično sintetiziranimi analogi, kar kaže na pomen tega eksperimentalnega razlikovanja. [1] Zato je uspešna fagovska selekcija dragocen dokaz za predstavljeno sekvenco, medtem ko je neodvisno raziskovanje potreben za ugotovitev vedenja prostega peptida, ki mu odgovarja.

Omejitve dokazov, ki izhajajo iz peptidnih zbirk in prediktivnih modelov

Pri interpretaciji raziskav o peptidnih bibliotekah je treba upoštevati nekaj omejitev.

Prvič, teoretična raznolikost ni enaka dejanski eksperimentalni raznolikosti. Neenakomerna zastopanost, sintetične težave, razlike v množenju in način vzorčenja lahko spremenijo dejanski sestav biblioteke. [4]

Drugič, obogatitev med preverjanjem ne potrjuje samodejne povezave z ciljem. Interakcije s površino in prednost pri razmnoževanju lahko vodijo v obogatitev z različnimi mehanizmi. [6] [7]

Po tretjem, način prezentacije je pomemben. Peptidi, ki so vezani na fagove, kocke ali površine, se lahko obnašajo drugače kot iste molekule v raztopini zaradi razpoložljivosti, orientacije, lokalne gostote ali avidnosti. [1] [8]

Četrtič, vezavnost, selektivnost in funkcija so različne lastnosti. Dokazovanje ene od njih sam po sebi ne potrjuje ostalih.

Po peti, računalniška napoved je odvisna od modela. Treningni podatki, način ocenjevanja, molekularna reprezentacija in sprejeti predpostavki določajo, kakšno pomembnost lahko pripišemo rezultatu. [3] [9]

Šestič, rezultati vezave niso eksperimentalni meritvi afinitete. Strukturalni modeli in točke vrednosti lahko pomagajo pri izbiri hipotez, vendar dejansko vedenje med vezavo zahteva eksperimentalne meritve. [10] [11] [13]

Po sedmo, kemijska oblika je pomembna. Končne skupine, nestandardne aminokisline, stereokemija in druge modifikacije morajo biti pravilno predstavljene tako v eksperimentalnih opisih kot v računalniških modelih. [13] [14] [15]

Končno je ugotovitev na podlagi pregleda začetek validacije in ne njen konec. Neodvisno pripravo materiala, molekularno karakterizacijo, kontrole, komplementarne teste in replikacijo postopoma krepi razpoložljive dokaze.

Povzetek

Biblioteki peptidov omogočajo sistematično raziskovanje ogromnega obsega možnih molekularnih zaporedij.

Omogočajo primerjavo več kandidatov in analizo vprašanj, povezanih z:

• molekularnim prepoznavanjem;
• substrati encimov;
• sestavljeni motivi;
• zavezovanje;
• zaupanjem v strukturo–aktivnost;
• celularnimi odgovori;
• računalniškimi napovedmi.

Opredelitev „biblioteke peptidov” pa vključuje več bistveno različnih raziskovalnih formatov.

Biblioteka prepletenih peptidov pomaga pri mapiranju regij večje sekvence.

Navajena knjižnica osnovnih postav daje možnost za analizo pomena posameznih postav.

Biblioteka phage display združuje predstavljen peptid z genetsko informacijo in omogoča selekcijo.

Biblioteka one-bead–one-compound organizira sinteze kandidatov na posameznih kroglicah.

Virtualna knjižnica obstaja v digitalni obliki in lahko služi za določitev prednostnih nalog zaporedja pred začetkom eksperimentalnih raziskav.

Ti formati se ne smejo obravnavati kot nadomestni.

Ostrožna interpretacija zahteva tudi velikost knjižnice.

Teoretična zbirka, ki vključuje milijone možnih sekvenc, ne dokazuje, da je vsak njen element fizično prisoten, enakomerno zastopan, kemijsko pravilno in dejansko podvržen preverjanju. Raziskave z uporabo globokega sekvencioniranja kažejo, zakaj dejanski sestave knjižnice lahko odstopajo od načrtovane raznolikosti. [4]

Podobno tudi obogatitev ni sinonim za lasten namen.

Fagové klone se lahko obogatijo zaradi mehanizmov, ki niso povezani z ustreznim ciljem, kot so učinek na površino ali prednost pri razmnoževanju. [6] [7]

Zato so ustrezni pregledi in neodvisne raziskave tako pomembni.

Enako previdnost velja za računalniško načrtovanje peptidov.

Sekvenčne modele in orodja za konstruiranje lahko pomagajo pri prepoznavanju obetavnih kandidatov in pri oblikovanju mehanističnih hipotez, vendar njihove napovedi so odvisne od treningnih podatkov, strukturnih reprezentacij, točkovnih funkcij in začetnih predpostavk. [3] [9] [10] [11]

Ugoden rezultat vezave ne potrjuje sam po sebi močne vezi med eksperimentalnim in teoretičnim modelom.

Računalno generirana sekvenca ne dokazuje, da jo je mogoče pravilno sintetizirati.

Pričakovana interakcija ne potrjuje biološke funkcije.

Najbolj informativen proces odkrivanja peptidov torej obravnava posamezne vrste dokazov kot ločene, vendar medsebojno dopolnjujoče se faze:

projektiranje → konstrukcija knjižnice → screening → identifikacija ustreznih rezultatov → neodvisno potrjevanje → karakterizacija → matematična izboljšava → eksperimentalna validacija.

Moč končnega zaključka je odvisna od tega, kako natančno so bile te faze povezane med seboj.

Najpomembnejšo načelo je mogoče enostavno opisati:

knjižnica navaja možnosti, screening identificira znake, model generira predvidevanja, validator pa določa, katere ugotovitve so dejansko podprte z eksperimentalnimi dokazi.

Zavrnitev odgovornosti

Članek ima izključno izobraževalni in znanstveno-informacijski značaj. Opisuje splošna načela glede bibliotek peptidov, tehnologije phage display, preverjanja sinteznih peptidov, projektiranja sekvenc, računalniške prediktive, vezave peptidov, molekularnega modeliranja, eksperimentalne validacije in ponovljivosti raziskav. Ne predstavlja zdravniške navodila, terapevtskih priporočil, navodil za uporabo peptidov, informacij o odmerjanju ali navodil za dajanje peptidov ljudem. Prediktivnih računalniških modelov, ugotovljenih pri preverjanju, rezultatov vezave in predkliničnih eksperimentalnih rezultatov ni mogoče interpretirati kot dokaz, da je določen peptid varen, učinkovit, klinično validiran ali primeren za uporabo pri ljudeh.

Reference

1. Barrett, R. W., Cwirla, S. E., Ackerman, M. S., Olson, A. M., Peters, E. A., & Dower, W. J. (1992). Selektiveno obogatitev in karakterizacija ligandov z visoko afiniteto iz zbirk naključnih peptidov na filamentnih fagih. Analitična biokemija, 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). Nov tip sintetičnega peptidnega knjižnice za identifikacijo aktivnosti vezave na ligand. Narava, 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). Ugotavljanje de novo peptidnih substratov za encime z uporabo strojnega učenja. Nature Communications, 9(1), člen 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). Analiza kompozicijskega pristranskosti v komercialni biblioteki peptidov za fenotipsko razmnoževanje z naslednjo generacijo sekvenciranja. Virusi, 14(11), člen 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). Identifikacija epitopov T celic, ki se pojavljajo v zunanjem membranskem proteinu meningokokov razreda 1, z uporabo prekrivajočih peptidov, sestavljenih s simultano večplastno sintezo peptidov. 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). Bela plaka, povezana z genomske izločitve, pridobljena iz peptidne knjižnice na osnovi M13KE, se med biopanningom s fagi prikriva v neusklajenem odnosu s tarčo zaradi prednosti razmnoževanja. International Journal of Molecular Sciences, 23(6), člen 3308. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). Peptid, vezan na polistiren, ki je bil izoliran med preverjanjem knjižnice fagov z prikazovanjem. Analitična biokemija, 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). Kvantifikacija nabora peptidov z enim iglom za sintezo knjižnice z eno spojino z uporabo konfokalne Ramanove spektroskopije. Analitska kemija, 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). Ocena sploščevalnih zmogljivosti prediktorskih markerjev vezave TCR z analizo peptidne razdalje. PLOS ONE, 20(5), člen e0324011. https://doi.org/10.1371/journal.pone.0324011
10. London, N., Raveh, B., Cohen, E., Fathi, G., & Schueler-Furman, O. (2011). Rosetta FlexPepDock spletni strežnik – modeliranje interakcij peptidov in proteinov z visoko ločljivostjo. 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). Globalno povezovanje peptidov in proteinov z visoko ločljivostjo z uporabo PIPER-FlexPepDock, ki temelji na fragmentih. PLOS Computational Biology, 13(12), člen e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (n.d.). FlexPepDock. Dostopano 20. septembra 2026, iz Uradna dokumentacija
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). Rosetta FlexPepDock za napovedovanje vezave peptidov z MHC: pristop za nekanonické aminokisline. PLOS ONE, 17(12), člen e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (n.d.). Pogosto zastavljena vprašanja. Dostopano 20. septembra 2026, iz Uradna dokumentacija
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). Vloga C-končne amidacije pri interakcijah anionskega antimikrobnega peptida maximin H5 z membrano. Biokemija in biofizika Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014