Informations

Comment la liaison de ligand est-elle modélisée ?

Comment la liaison de ligand est-elle modélisée ?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

J'ai l'exercice suivant à résoudre :

Pour être honnête, pour les deux parties, ma seule idée jusqu'à présent serait de diviser l'expression du taux par la surface de la sphère et de la multiplier par les nouvelles surfaces disponibles (celle d'un cercle pour la partie a et celle de plusieurs cercles pour la partie b). Mais si je fais cela, j'aurai toujours un paramètre "a", ce qui n'a aucun sens car il n'est représentatif que de la sphère. Des idées sur la façon d'aborder cela? Toute aide est grandement appréciée.


n'utilisez pas le modèle carré parfait. Vous continuerez à obtenir Pi mais ce n'est pas une formule de la vie réelle uniquement utilisée pour la théorie. Essayez d'utiliser un graphe cartésien mais en trois dimensions pour tenir compte de la flexibilité de la courbe. Le calcul intégral est similaire ou meilleur.


Etude de la liaison protéine-ligand par fluorescence

Laboratoire de biochimie physique, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay. Tél. : 5982-525-86-18 Fax : 5982-525-07-49Rechercher d'autres articles de cet auteur

Laboratoire de biochimie physique, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay

Laboratoire de biochimie physique, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay

Laboratoire de biochimie physique, Facultad de Ciencias, Universidad de la República, Iguá 4225, 11400 Montevideo, Uruguay. Tél. : 5982-525-86-18 Fax : 5982-525-07-49Rechercher d'autres articles de cet auteur


Pour deux sites de liaison et deux ligands, L et D, la liaison de L est :

Notez que la concentration non liée de chaque ligand est nécessaire pour prédire la liaison. Habituellement, les expériences sont conçues en utilisant des concentrations totales de ligand connues avec précision et des mesures sont effectuées sur le ligand lié. La liaison de tous les ligands du système doit être connue pour prédire la concentration non liée. Cela peut être fait en utilisant un modèle de liaison général décrit par Feldman (1972) et mis en œuvre par Munson & Rodbard (1980). Ce modèle est implémenté dans la bibliothèque BIND de MKMODEL.

  • Feldman HA. Théorie mathématique des systèmes complexes de liaison de ligands à l'équilibre. Analyse Biochem 1972 48:317-338
  • Munson PJ, Rodbard D. LIGAND : Une approche informatisée polyvalente pour la caractérisation des systèmes de liaison de ligands. Analyse Biochem 1980 107:220-239

11 : Protéines de liaison - Anticorps, Myoglobine/Hémoglobine



Structure d'anticorps IgG : les chaînes légères sont en vert et bleu foncé, les chaînes lourdes en bleu clair et orange, les liaisons disulfure dans l'espace jaune, les glucides en fil de fer rouge.

3. Pour la chromatographie d'immunoaffinité, les anticorps spécifiques à votre protéine sont liés à des billes et utilisés pour purifier votre protéine. Peut parfois être élué avec du sel, mais peut nécessiter des moyens plus puissants (urée concentrée, SDS) pour éluer les protéines.

Procédure de production d'anticorps :

  1. Purifiez une petite quantité de vos protéines.
  2. Injectez un échantillon à un mammifère (généralement un lapin, une souris, un rat ou une chèvre) ou un poulet.
  3. Attendez et faites une deuxième injection pour augmenter la réponse immunitaire.
  4. Le système immunitaire de l'animal produit des anticorps qui se lieront étroitement à la protéine injectée.
  5. Récoltez du sang (mammifère) ou un œuf (poulet).
  6. Utilisez directement le sérum sanguin ou effectuez une purification supplémentaire à partir de ce "antisérum".
  7. Les lipides et autres contaminants du jaune d'œuf doivent être séparés des anticorps avant utilisation.

Les anticorps sont liés à des billes pour une utilisation en chromatographie d'immunoaffinité (chromatographie d'affinité d'anticorps).
Les anticorps marqués avec des radioactifs, fluorescents ou histochimiques (une enzyme attachée qui produira une couleur à partir d'un composé incolore) peuvent être utilisés pour détecter des protéines qui ont été traitées sur un gel.


Structure tridimensionnelle des protéines et liaison au ligand

Les élèves synthétiseront une protéine sous forme d'acides aminés individuels et fonctionneront comme un catalyseur.

Enzymes : structure et fonction 3D

Comprendre comment les enzymes fonctionnent est extrêmement important pour développer des traitements et des technologies médicales. Cette activité sur la structure et la fonction des enzymes 3-D est conçue pour les étudiants en biologie du secondaire et les familiarise avec les caractéristiques de la structure des protéines qui déterminent sa fonction. L'activité globale se compose de trois parties : la première est une présentation d'introduction, la deuxième est une activité kinesthésique et la troisième est une visualisation de la structure en 3D. La présentation d'introduction donne le ton à l'activité et donne aux élèves des informations sur les protéines et les acides aminés. Il introduit également les enzymes et leurs diverses fonctions physiologiques. L'activité Kinesthésique présente aux élèves le défi de plier correctement une protéine. Ils représenteront chacun un acide aminé et formeront une chaîne polypeptidique en se tenant la main et formeront la conformation la plus énergétique. La visualisation de la structure en 3D permet aux étudiants de voir une vue moléculaire d'une enzyme et de son site actif d'un point de vue atomique. Les étudiants seront évalués à l'aide d'un sondage qui interroge ce qu'ils savaient auparavant, ce qu'ils ont appris et ce qu'ils veulent en savoir plus. 

Durée: 60-95 minutes

Objectifs d'apprentissage:

  • De quoi sont faites les protéines et comment elles sont chimiquement structurées en général
  • Une enzyme est une classe spéciale de protéines qui peuvent effectuer des réactions catalytiques en convertissant les substrats en produits
  • Les catalyseurs ne sont pas consommés dans la réaction mais sont réutilisés
  • Le site actif est nécessaire à l'accomplissement de cette fonction mais peut être perturbé par des inhibiteurs ou des mutations
  • La FORME d'une protéine affecte sa FONCTION
  • Changer l'environnement de l'enzyme modifiera sa fonction

Documents : 

Activité de fertilisation et de développement des oursins

Dans cette activité, les étudiants découvriront les organismes modèles et le développement cellulaire en fertilisant les œufs d'oursins et en surveillant leur développement. Les embryons d'oursins sont utilisés comme organisme modèle dans le laboratoire d'Amro Hamdoun au Scripps Research Institute de l'UC San Diego pour étudier une classe de protéines appelées transporteurs ABC. Ces protéines sont importantes pour évacuer les substrats chimiques toxiques des cellules et rendent également certaines cellules cancéreuses résistantes à la chimiothérapie. La croissance et le développement des oursins peuvent être facilement observés avec un simple microscope optique et les principales étapes de l'embryogenèse peuvent être suivies sur quelques jours. L'extraction du sperme et des œufs des oursins est relativement facile et si elle est effectuée de manière appropriée, les oursins peuvent être recyclés pour collecter plusieurs fois les gamètes. Brièvement, les élèves vont fertiliser Lytechinus pictus œufs d'oursins et observer les changements de morphologie cellulaire au fil du temps. Ils décriront et illustreront ce qu'ils observent tout au long de l'activité de deux jours. En intégrant l'enquête à l'activité, les élèves feront ensuite des dilutions en série du sperme et observeront les différences de fécondation lorsque ces dilutions sont ajoutées aux ovules. Les élèves seront évalués en répondant à des questions à la fin de chaque section qui les obligent à faire et à enregistrer leurs observations. Cette activité est une modification de plusieurs protocoles de fertilisation des oursins.


Discussion et conclusion

Dans ce travail, nous considérons que la liaison est un événement local et mettons l'accent sur l'information locale dans la prédiction de l'interaction cible-ligand. Nous appliquons des interactions site-ligand au lieu d'interactions cible-ligand et proposons un modèle chimique interprétable pour couvrir les interactions site-ligand. Nous extrayons d'abord les sites de liaison du ligand des complexes cible-ligand. Ensuite, nous décomposons les sites de liaison et les ligands en fragments afin qu'ils puissent être codés en tant que vecteurs de fragments basés sur la cible et le dictionnaire de ligands respectivement. Enfin, nous supposons que les interactions des fragments déterminent l'interaction site-ligand et proposons un modèle, le modèle d'interaction des fragments (FIM), pour généraliser l'hypothèse. Le modèle proposé démontre un score AUC plus élevé (92 %) par rapport à deux algorithmes de prévalence CS-PD (80 %), BLM-NII (85 %) et RF (85 %). De plus, le réseau d'interaction des fragments provenant de FIM est interprétable chimiquement. Comparé aux modèles BLM-NII, RF et CS-PD, il nécessite une structure cristalline pour extraire les informations locales (site de liaison) dans la FIM, ce qui entrave parfois l'application de la FIM. Cependant, avec la détermination croissante des structures cristallines des protéines et le développement de la technique de modélisation moléculaire, nous pouvons modéliser une structure 3D par ordinateur et extraire le site de liaison.

Par rapport aux approches traditionnelles basées sur des cibles ou des ligands, la méthode FIM proposée présente l'avantage de trouver des candidats cibles et des candidats ligands simultanément. De plus, la FIM peut prédire l'interaction entre des cibles inédites et des candidats ligands. Différente des autres méthodes basées sur le ligand cible, notre méthode met l'accent sur les interactions chimiques de base entre les acides aminés et les fragments de ligand, ce qui est plus général et pourrait être appliqué au-delà des interactions médicament-cible. De plus, nous ne représentons plus la cible dans son ensemble mais extrayons les sites de liaison du ligand des complexes cible-ligand et appliquons les sites de liaison pour décrire l'espace génomique. D'une part, représenter l'espace génomique par des sites de liaison nous permet de prévoir l'interaction site-ligand, ce qui est important pour les cibles multi-sites. D'autre part, les sites de liaison sont locaux, ce qui facilite la réalisation de modèles chimiques interprétables. Ce faisant, nous décomposons les sites de liaison et les ligands en fragments et considérons les interactions de fragments comme des interactions spatiales génomiques et chimiques. Nous savons clairement comment l'espace génomique interagit avec l'espace chimique sous FIM.

Dans l'ensemble, nous mettons en évidence les informations locales au cours du processus de liaison et essayons de comprendre une relation claire entre les espaces génomiques et chimiques. Le modèle proposé (FIM) applique les sites de liaison du ligand en tant qu'informations locales et considère les interactions entre le site de liaison et les fragments de ligand comme des interactions spatiales génomiques et chimiques. Les interactions des fragments sont simples et interprétables chimiquement, et le réseau d'interactions des fragments reflète les interactions chimiques. Le résultat de la comparaison montre que la FIM surpasse les trois autres approches. L'enquête sur le rôle de l'information globale montre que l'information locale domine l'exactitude prédictive et l'intégration de l'information globale pourrait favoriser la capacité prédictive dans une mesure très limitée.


Objectifs de cet article

Une caractéristique de la plupart des récepteurs d'intégrine est leur capacité à se lier à une grande variété de ligands. De plus, de nombreuses protéines d'adhésion à la matrice extracellulaire et à la surface cellulaire se lient à de multiples récepteurs d'intégrine (Humphries, 1990 Plough et al., 2000 van der Flier et Sonnenberg, 2001). Ces dernières années, des analyses structure-fonction des intégrines et de leurs ligands ont révélé un mode d'interaction moléculaire similaire qui explique cette promiscuité. Néanmoins, la littérature sur les intégrines regorge d'études décrivant différentes paires intégrine-ligand, et l'objectif principal de cet article est de fournir une clarification de cette image.


Matériaux et méthodes

Génération de jeux de données et de leurres

Le PDBbind v2017 constitue la source de notre présente étude et contient en moyenne 16 151 complexes protéine-ligand (Wang et al., 2005). Environ 270 complexes contenant des types d'atomes rares (tels que) qui ne pouvaient pas être traités par RDKit ont été supprimés (Wildman & Crippen, 1999) et après avoir nettoyé les données, nous avons 14 491 complexes protéine-ligand pour un traitement ultérieur. L'outil fpocket a été utilisé pour générer les poches pour la protéine donnée avec les paramètres par défaut (Le Guilloux, Schmidtke & Tuffery, 2009). Les poches et leurs ligands correspondants ont été utilisés pour générer l'entrée pour notre modèle. Le processus de préparation des données est similaire à nos travaux précédents (Zhang et al., 2019a). Les ligands ont été convertis au format SMILES par open babel (O'Boyle et al., 2011) puis convertis en un vecteur à 300 dimensions par l'outil mol2vec (Jaeger, Fulle & Turk, 2018). L'idée de base de mol2vec est de considérer la chaîne SMILES comme une phrase moléculaire composée de mots (sous-structure), et comme la méthode de traitement du langage naturel word2vec, une méthode d'apprentissage automatique non supervisée a été utilisée pour construire le mol2vec en apprenant le vecteur de chaque mot basé sur une grande quantité de données disponibles sur les composés chimiques (corpus) (Krallinger et al., 2015). Les résidus dans la poche sont convertis en un vecteur à 300 dimensions par l'outil mol2vec et additionnés en un vecteur à 300 dimensions pour représenter la poche. La liaison protéine-ligand est ensuite représentée sous la forme d'un vecteur de 600 dimensions qui concatène le vecteur de ligand et le vecteur de poche par un script python interne. Les structures tridimensionnelles présentées dans l'article sont tracées en utilisant Visual Molecular Dynamics (VMD) et Chimera (Humphrey, Dalke & Schulten, 1996 Pettersen et al., 2004).

Ensembles de données positifs et négatifs

Nous avons construit deux ensembles de données positifs avec des stratégies différentes. La stratégie 1 consiste à définir une collection d'atomes situés à moins de 1 nm autour du ligand connu en tant que poche connue. Les poches potentielles qui sont proches des poches connues (ont une distance centrale C alpha avec une poche connue inférieure à 0,3 nm) ont été considérées comme l'ensemble de données positif. La stratégie 2 est que les poches connues sont choisies directement comme ensemble de données positif. L'ensemble de données négatif est construit à partir des prédictions de fpocket sur les poches potentielles des protéines dans la base de données PDBbind. Les paramètres sont définis par défaut pour effectuer la prédiction de fpocket. Nous choisissons au hasard trois poches qui ont une distance centrale C alpha avec une poche native supérieure à 1 nm. Si le nombre de poches qui ont une distance supérieure à 1 nm à la poche native est inférieur à trois, nous considérons toutes les poches. Les poches prédites sélectionnées avec les ligands sont considérées comme l'ensemble de données négatif. Si la poche de leurre est éloignée de la poche de liaison de ligand connue (le centre de distance entre une poche connue et la poche de leurre est supérieur à 3 nm) et que le vecteur de la poche n'est pas similaire à cette poche de liaison de ligand connue, nous supposons que la poche n'est pas la poche quasi native du ligand. Nous comprenons qu'il s'agit d'une grosse approximation, nous ne pouvons pas garantir que la poche de liaison non-ligand définie n'est pas un site médicamenteux, mais il est fort possible que la poche de liaison non-ligand définie ne soit pas le site de liaison du ligand donné. L'apprentissage en profondeur peut tolérer le bruit (de très petites portions de données non fiables) et une telle approximation peut toujours être utilisée dans la construction de notre modèle.

Pour nous assurer que chaque vecteur de poche de leurre est éloigné de leur poche connue correspondante, nous avons utilisé la formule suivante pour calculer leur similarité vectorielle. En utilisant la valeur de coupure de 0,995, nous supprimons les poches qui sont très similaires à la poche native.

(1) S i j = ( V i ∗ V j ) / ( | V i | | V j | ) où le Sje est la similitude mesurée entre la poche je et poche j, les Vje est le vecteur de poche je, et le Vj est le vecteur de poche j. L'ensemble de données a été divisé en deux groupes aussi proches des indigènes que positif « A » et des poches indigènes comme positif « B ». L'entraînement, la validation et les tests pour deux groupes d'ensembles de données sont illustrés à la figure 1. Le modèle généré avec l'entraînement A est validé et testé avec l'ensemble de données B et vice versa.

Figure 1 : Classification des ensembles de données en différents groupes.

Préparation d'ensembles de test supplémentaires

Nous avons collecté des complexes protéine-ligand qui sont déposés dans la base de données PDB après l'année 2018 (Berman et al., 2000). Nous supprimons la redondance en ne conservant qu'une seule structure PDB si les structures proviennent du même gène. Ces complexes protéine-ligand ne figurent pas dans l'ensemble de données PDBbind 2018 (Wang et al., 2005) et sont utilisés comme ensemble de test supplémentaire. L'ensemble de test supplémentaire est divisé en trois parties : 11 cas dans lesquels fpocket ont généré des poches quasi natives (ensemble de test supplémentaire A) 6 cas dans lesquels fpocket n'a pas généré de poches quasi natives (ensemble de test supplémentaire B) 2 cas ont deux poches correspondantes à différents ligands (série de test supplémentaire C). La classification et le regroupement des données sont présentés dans la figure 1. Les 6 cas où fpocket ne peut pas générer de leurres quasi natifs ont été utilisés comme positifs dans la poche native. Les protéines avec l'identifiant PDB 6QTN (chaîne A, F) et 5ZG2 contiennent deux poches avec différents ligands liés. Nous avons tenté de vérifier si notre méthode peut identifier avec succès les poches correctes pour chacun des ligands. La poche connue et la poche quasi native sont définies par la même méthode que ci-dessus. Les protéines des ensembles de tests supplémentaires A et B ont été soumises à la prédiction du P2Rank avec ses paramètres par défaut pour la comparaison (Krivák & Hoksza, 2018 Jendele et al., 2019).

Préparation de l'ensemble de données de test indépendant des récepteurs couplés aux protéines G

Nous avons récupéré 98 complexes GPCR-ligand de la base de données GPCRDB (https://www.gpcrdb.org/) (Pándy-Szekeres et al., 2018). La poche quasi-native a été définie comme la même que la procédure mentionnée précédemment. Nous sommes intéressés à tester si nos méthodes peuvent bien fonctionner sur ces protéines GPCR difficiles, caractéristiques d'un véritable scénario d'application de découverte de médicaments basé sur la structure.

Construction d'un modèle d'apprentissage profond

Les détails de la procédure de construction du modèle sont illustrés à la Fig. 2. Il contient le traitement des données, l'apprentissage du modèle, la validation et les tests. Nous utilisons le DFCNN inspiré de DenseNet comme modèle (Huang et al., 2017). L'architecture du modèle DFCNN est similaire à nos travaux précédents (Zhang et al., 2019a). Le réseau de neurones entièrement connecté convient aux vecteurs comme entrées. De plus, DenseNet peut surmonter le problème de la disparition du gradient et permet à de nombreuses couches profondes d'apprendre des fonctionnalités plus abstraites. Ce modèle a montré de bonnes performances dans l'identification de l'affinité de liaison protéine-ligand dans nos travaux précédents (Zhang et al., 2019a). Il présente des avantages dans l'estimation de la liaison protéine-ligand par rapport à la plupart des autres méthodes d'apprentissage automatique, notamment Support Vector Machine (Suykens & Vandewalle, 1999), RandomForest (Breiman, 2001), XGBoost (Chen & Guestrin, 2016), Convolutional Neural Network (CNN) ( Krizhevsky, Sutskever & Hinton, 2012). Le réseau neuronal densément connecté (DFCNN) et le CNN ont été construits à l'aide de Keras (Chollet, 2015) avec le back-end Tensorflow (Abadi et al., 1983). Le DFCNN a 16 couches densément connectées produisant 100 unités simultanément plus une couche normale entièrement connectée produisant une unité comme sortie finale. Plus précisément, une couche densément connectée fait référence à une couche prenant toutes les sorties de ses couches précédentes comme entrée, ce qui peut remarquablement résoudre le problème de la disparition du gradient. Les taux pour les couches d'abandon sont tous définis sur 0,25. Les couches denses utilisaient la fonction d'activation ReLU à l'exception des couches de sortie qui utilisaient la fonction d'activation sigmoïde. L'entrée pour le réseau a été normalisée pour que sa moyenne et son écart type soient 0 et 1 séparément. L'optimiseur Adam a été utilisé pour minimiser l'entropie croisée binaire de DFCNN.

Figure 2 : Le workflow du modèle DeepBindPoc.

Normalisation des données et évaluation des performances

Toutes les données ont été normalisées avant l'entrée finale du modèle. La normalisation est la suivante : (2) t = d a t a _ s e t (3) t n o r m a l i z e = ( t − m e a n ) / s t d où t est la valeur de l'ensemble de données, la moyenne est la valeur moyenne des données et le std est l'écart type des données. Nous avons testé deux stratégies de normalisation, l'une est basée sur des valeurs de moyenne et d'écart-type fixes directement à partir de l'ensemble de données d'apprentissage (moyenne = -0,5696 et std = 30,8744 pour l'utilisation du natif proche comme positif et moyenne = -0,9610 et std = 63,6607 pour l'utilisation du natif comme positif). L'autre stratégie consiste à normaliser par l'ensemble de données lui-même, qui est utilisé à des fins de comparaison dans la présente étude. Nous trouvons que la normalisation par l'ensemble de données d'entraînement est plus fiable, nous avons donc utilisé la normalisation par l'ensemble de données d'entraînement, sauf indication contraire. Plusieurs métriques ont été utilisées pour évaluer les modèles proposés, notamment la précision, l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) (Hanley & McNeil, 1982), le coefficient de corrélation de Matthews (MCC), le taux de vrais positifs (TPR), la spécificité et la sensibilité.

Serveur Web

Les structures protéiques et ses ligands connus au format PDB sont requis en entrée du serveur Web http://cbblab.siat.ac.cn/DeepBindPoc/index.php. Nous utilisons d'abord le fpocket pour générer les leurres de poche et nous utilisons mol2vec pour convertir la poche et le ligand en vecteurs. Une fois les vecteurs de protéines et de ligands concaténés, DeepBindPoc marquera les leurres avec une possibilité de type natif et sélectionnera les trois premiers leurres comme poches potentielles. Le nom de poche prédit était affiché sur la page avec le score fpocket et le score DeepBindPoc. Les résultats peuvent également être téléchargés sous forme de fichier pour la commodité de l'utilisateur. Nous fournissons également le mode batch à l'utilisateur et fournissons un fichier zip de protéines avec leurs ligands correspondants. Pour le modèle unique et le modèle par lots, nous avons fourni un exemple d'entrée pour la commodité de l'utilisateur.


Résumé

La prise en compte de l'effet du solvant sur la force des interactions moléculaires est un problème de longue date pour les calculs moléculaires en général et pour la conception de médicaments basés sur la structure en particulier. Ici, nous explorons le modèle de solvatation généralisé (GB/SA) (Still, W. C. Tempczyk, A. Hawley, R. C. Hendrickson, T. J.Un m.Chem.Soc.1990, 112, 6127-9) pour calculer les énergies de liaison ligand-récepteur. L'approche GB/SA permet d'estimer les contributions électrostatiques, van der Waals et hydrophobes à l'énergie libre de liaison. La formulation GB/SA offre un bon équilibre entre la vitesse de calcul et la précision de ces calculs. Nous avons dérivé une formule pour estimer l'énergie libre de liaison. Nous avons également développé une procédure pour pénaliser tout espace incrusté inoccupé qui pourrait se former entre le ligand et le récepteur pendant le processus d'amarrage. Pour améliorer la vitesse de calcul, la contribution des protéines au criblage électrostatique est précalculée et stockée sur une grille. Le raffinement de la position du ligand est nécessaire pour optimiser les interactions non liées entre le ligand et le récepteur. Notre version de l'algorithme GB/SA prend environ 10 s par orientation (avec minimisation) sur une station de travail Silicon Graphics R10000. Dans deux systèmes de test, la dihydrofolate réductase (dhfr) et la trypsine, nous obtenons de bien meilleurs résultats que le DOCK actuel (Ewing, T. J. A. Kuntz, I. D. J. Informatique. Chem. 1997, 18, 1175−89) méthode de notation du champ de force (Meng, E. C. Shoichet, B. K. Kuntz, I. D. J.Calcul.Chem.1992, 13, 505−24). Nous suggérons également une méthodologie pour identifier un régime de paramètres approprié pour équilibrer la spécificité et la généralité des équations.

Adresse actuelle : Dalton Cardiovascular Research Center and Department of Biochemistry, University of Missouri, Columbia, MO 65211.

Adresse actuelle : Conception de médicaments assistée par ordinateur, Bristol-Myers Squibb Company, 5 Research Parkway, Wallingford, CT 06492.

Dans les articles avec plus d'un auteur, l'astérisque indique le nom de l'auteur à qui les demandes de renseignements sur l'article doivent être adressées.


Comment la liaison de ligand est-elle modélisée ? - La biologie

De nombreuses molécules biologiquement importantes ont de multiples sites de liaison. Par exemple, l'hémoglobine, la molécule transportant l'oxygène dans les globules rouges, se lie à quatre molécules d'oxygène moléculaire, chacune se liant à son propre site de liaison distinct. L'hémoglobine est un exemple de molécule coopérative, c'est-à-dire une molécule où la liaison d'un ligand à un site modifie l'affinité d'autres sites de liaison pour leurs ligands. Dans le cas de l'hémoglobine, la liaison d'une molécule d'O2 sur un site augmente l'affinité des autres sites pour O2.

Cette propriété est critique pour la fonction de l'hémoglobine, qui capte quatre molécules d'O2 dans l'environnement riche en oxygène des poumons, puis le délivre aux tissus qui ont une concentration beaucoup plus faible en oxygène. Comme chaque molécule d'O2se lier à l'hémoglobine, l'affinité du site de liaison restant augmente, ce qui facilite la production de plus d'O2 lier . Inversement, comme chaque molécule de O2 est libéré dans un tissu, l'affinité des sites restants pour O2 diminue, ce qui rend plus facile pour les molécules suivantes d'O2 se dissocier.

Micrographie électronique à balayage du sang. Les cellules en forme de beignet sont des globules rouges. Crédit photo: Bruce Wetzel. Avec l'aimable autorisation de l'Institut national du cancer.

Le problème de la façon dont l'hémoglobine fournit de l'oxygène dans tout le corps a été étudié au cours des 100 dernières années. En 1910, le biochimiste Archibald Hill a modélisé cette propriété de l'hémoglobine en utilisant la fonction rationnelle,

&thêta est le pourcentage de sites de liaison occupés, [L] est la concentration de ligand, m est le coefficient de Hill, qui représente le degré de coopérativité, et K est la constante de dissociation. Rappeler que K est égal à la concentration en ligand lorsque la moitié des sites de liaison sont remplis.

Une application courante de l'équation de Hill est la modélisation des enzymes coopératives. Ces enzymes sont sous contrôle allostérique, c'est-à-dire que la liaison d'une molécule à un site modifie l'affinité de l'enzyme pour son substrat et donc régule l'activité enzymatique. Dans ce cas, l'équation de Hill est réécrite comme la fonction rationnelle,

V est la vitesse de réaction, Vmax est la vitesse de réaction maximale, et [S] est la concentration du substrat. La constante K est analogue à la constante de Michaelis (Km) et m est le coefficient de Hill indiquant le degré de coopérativité.

Coefficient de colline Coopérativité
m = 1 rien
m > 1 positif
m < 1 négatif

Une coopérativité positive se produit lorsqu'une enzyme a plusieurs sites auxquels un substrat peut se lier, et la liaison d'une molécule de substrat augmente le taux de liaison d'autres substrats. La coopérativité peut être reconnue en traçant la vitesse en fonction de la concentration du substrat. Une enzyme qui affiche une coopérativité positive sera sigmoïde (ou en forme de S), tandis que les enzymes non coopératives affichent une cinétique de Michaelis-Menten et les tracés sont hyperboliques.

Utilisez l'équation de Hill pour répondre aux questions suivantes :



Commentaires:

  1. Cal

    Comme un joli message

  2. Broc

    Vous ne changerez rien.

  3. Nazeem

    Il y a quelque chose dans ce domaine. I agree with you, thank you for your help in this matter. Comme toujours, tout ingénieux est simple.

  4. Llyr

    J'ai supprimé cette phrase

  5. Kigasho

    C'est juste une grande pensée.



Écrire un message