Бесплатный автореферат и диссертация по биологии на тему

Учет гидрофобных взаимодействий при оценке пространственной структуры мембранных белков и разработке действующих на них лигандов

ВАК РФ 03.01.02, Биофизика

Автореферат диссертации по теме "Учет гидрофобных взаимодействий при оценке пространственной структуры мембранных белков и разработке действующих на них лигандов"

На правах рукописи

Новоселецкий Валерий Николаевич

УЧЁТ ГИДРОФОБНЫХ ВЗАИМОДЕЙСТВИЙ ПРИ ОЦЕНКЕ ПРОСТРАНСТВЕННОЙ СТРУКТУРЫ МЕМБРАННЫХ БЕЛКОВ И РАЗРАБОТКЕ ДЕЙСТВУЮЩИХ НА НИХ ЛИГАНДОВ (НА ПРИМЕРЕ АНТАГОНИСТОВ Р2АИ-РЕЦЕПТ0РА)

Специальность: 03.01.02 - Биофизика

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата физико-математических наук

1 1 НОЯ 2010

Москва-2010

004612560

Работа выполнена в Лаборатории моделирования биомолекулярных систем Учреждения Российской академии наук Института биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН, на кафедре физико-химической биологии и биотехнологии Московского физико-технического института.

Научный руководитель:

Ведущая организация:

Институт биомедицинской химии им. В.Н. Ореховича РАМН

Защита диссертации состоится « 25 » ноября 2010 г. в 14 ч. 00 мин. на заседании диссертационного совета Д 501.001.96 Биологического факультета Московского Государственного университета им. М.В. Ломоносова по адресу: 119992, Москва, Воробьевы горы, МГУ, Биологический факультет, кафедра Биофизики, «Новая» аудитория.

С диссертацией можно ознакомиться в библиотеке Биологического факультета Московского Государственного университета им. М.В. Ломоносова.

Автореферат разослан « 15 » октября 2010 г.

Доктор физико-математических наук, профессор Ефремов Роман Гербертович

Официальные оппоненты:

доктор физико-математических наук, профессор Ризниченко Галина Юрьевна

доктор биологаческих наук, профессор Коротков Евгений Вадимович

Ученый секретарь Диссертационного совета, кандидат биологических наук

М.Г. Страховская

1. Общая характеристика работы

1.1. Актуальность проблемы

Мембранные белки (МБ) широко участвуют в таких важных биологических процессах, как передача сигналов, транспорт веществ, создание и поддержание трансмембранных (ТМ) потенциалов и т.д., составляя при этом около 30% от общего числа белков, синтезируемых клеткой. Наиболее обширным классом МБ являются рецепторы, чье действие опосредовано G-белками (G-protein Coupled Receptors - GPCR), которые ответственны за клеточную реакцию на гормоны и нейротрансмиттеры, а также за зрение, обоняние и вкус. Неправильное функционирование этих рецепторов порождает большое число заболеваний (Schoneberg et al., 2004), поэтому неудивительно, что в настоящее время действие приблизительно 30% представленных на рынке лекарственных препаратов направлено именно на рецепторы семейства GPCR. Особенно полезным для конструирования лекарств является наличие пространственной структуры соответствующего рецептора, однако возможности экспериментальных методов в этой области ещё ограниченны, хотя за последние годы прогресс стал особенно заметен. Так, до недавнего времени была известна структура высокого разрешения лишь для одного белка из семейства GPCR - зрительного родопсина, выделенного из сетчатки быка (Palczewski et al, 2000). Теперь же достижения в технике кристаллизации МБ позволили получить структуры бета2-адренэргического рецептора человека (Cherezov et al., 2007), бета1-адренэргического рецептора индейки (Warne Т. et al., 2008) и альфа2-аденозинового рецептора человека (Jaakola et al., 2008). Все эти структуры оказались весьма схожими в области ТМ доменов и заметно отличающимися в области внемембранных петель, что указывает на сохранившуюся нетривиальность в моделировании структур других рецепторов семейства GPCR.

Для понимания механизмов функционирования белков на молекулярном уровне, а также для рационального конструирования новых лекарственных препаратов, требуется знание пространственной структуры белков в комплексах с лигандами - природными субстратами, ингибиторами и пр. Однако определение структуры комплекса МБ с лигандами всё ещё сопряжено со значительными техническими трудностями. В связи с этим, а также благодаря росту вычислительных мощностей современных компьютеров, все более широкое (

распространение получают методы молекулярного моделирования структуры комплекса. Одним из таких методов является молекулярный докинг - процедура предсказания структуры комплекса белок-лиганд (Kitchen et al., 2004). Полученные с помощью докинга данные о расположении лиганда в активном центре белка позволяют детально изучать взаимодействия между лигандом и рецептором, что дает возможность судить о биологической роли лиганда. Таким образом, численная оценка процессов распознавания является важным шагом на пути к пониманию функциональной роли этих процессов и предсказанию аффинности и селективности лигандов. Одним из явлений, оказывающих заметное влияние на связывание лигандов, является гидрофобный эффект. В частности, в литературе подробно описано влияние гидрофобности бета-блокаторов на их фармакокинетические, фармакодинамические и клинические свойства (Mannhold, 2005). Для рассмотрения вопроса о гидрофобных свойствах можно воспользоваться концепцией молекулярного гидрофобного потенциала (МГП), который основывается на эмпирических константах атомной гидрофобности, рассчитанных из экспериментальных значений коэффициентов распределения в среде октанол-вода (logP) для органических соединений. Ранее в многочисленны:: работах уже было показано, что МГП может быть использован, в том числе, и при построении 3D-QSAR моделей, позволяя улучшить результаты предсказания констант связывания и биологической активности (Testa et al., 1996).

Рассмотрение как структур МБ, так и комплексов белок-лиганд с целью выявления лучших из них требует применения различных оценочных функций. В настоящей работы описывается новый метод оценки качества упаковки полипептидных цепей в ТМ доменах мембранных белков. Кроме того, предложен интегрированный подход, объединивший в себе традиционный анализ решений молекулярного докинга с количественным описанием гидрофобной/ гидрофильной организации комплексов рецептора с его лигандами. Данный подход стал возможным благодаря появлению кристаллографической структуры бета2-адренэргического рецептора и позволил уточнить наши представления о роли гидрофобных взаимодействий в связывании бета-блокаторов с этим рецептором.

1.2. Цели настоящей работы

Разработка новых эффективных функций для оценки качества упаковки альфа-спиральных доменов МБ, в т.ч. в крупнозернистом представлении, на основе молекулярного гидрофобного потенциала;

2

Разработка и тестирование метода учета индуцированного соответствия рецептора и лиганда на примере комплексов адренэргического рецептора с антагонистами, для которых известны пространственные структуры высокого разрешения;

Разработка и тестирование фрагментарной функции оценки гидрофобной комплементарное™ лиганда и сайта связывания на примере антагонистов бета2-адренэргического рецептора.

1.3. Основные результаты, выносимые на защиту

1. На основе анализа представительного набора пространственных структур МБ высокого разрешения предложен метод количественной оценки качества упаковки их ТМ доменов, основанный на использовании молекулярного гидрофобного потенциала. Показана применимость метода при рассмотрении больших наборов теоретических моделей для выявления тех из них, которые наиболее близки к экспериментальной структуре.

2. На основе анализа кристаллографических структур бета2-адренэргического рецептора человека и данных о связывании с ним ряда антагонистов создан метод предсказания константы связывания аналогичных соедииений, использующий фрагментарную гидрофобную комплементарность лиганда и рецептора. Предложен алгоритм модификации существующих антагонистов бета2-адренэргического рецептора человека для повышения их активности.

1.4. Научное значение и новизна работы

Все представленные результаты получены впервые. Разработанный метод качества упаковки ТМ альфа-спиральных доменов является новым подходом к моделированию МБ и, в частности, рецепторов семейства СРСИ и химерных рецепторов на их основе. Ключевым свойством нашего метода, которое отличает его от аналогичных методов, разработанных ранее, является его ориентация на крупнозернистое представление белковых структур. Такое нововведение позволяет, с одной стороны, избавиться от излишней чувствительности к конформации боковых цепей, а с другой существенно ускоряет расчеты, позволяя проводить оценку большого числа конформаций белковой структуры в разумные сроки.

Предложенный метод предсказания константы связывания антагонистов с бета2-адренэргическим рецептором человека исключительно на основе

гидрофобных характеристик взаимодействия лиганда с рецептором также оригинален. Другой особенностью метода является фрагментарный подход, позволяющий избирательно оценивать комплементарность различных групп, что позволило добиться высокой корреляции предсказанных констант связывания с экспериментальными данными.

1.5. Практическое значение работы

Предложенные в работе методы могут найти применение в построении и оптимизации теоретических моделей МБ, в частности, таких важных классов как GPCR или каналов. Метод фрагментарной оценки гидрофобных взаимодействий белок-лиганд позволит с большей аккуратностью идентифицировать активные соединения и предсказывать структуры комплексов, чем стандартные, широко используемые методы докинга.

Указанные подходы могут быть востребованы как в фундаментальных исследованиях структурно-динамических аспектов взаимодействия белков с лигандами, так и в фармацевтической области при рациональном конструировании прототипов новых лекарственных препаратов. Особенно актуальной представляется разработка высокоаффинных и селективных лигандов для рецепторов семейства GPCR, что требует создания точных пространственных моделей этих белков.

1.6. Публикации и апробация

Основные результаты работы изложены в 6 статьях, опубликованных в российских и международных реферируемых научных журналах. Материалы работы докладывались на I международной конференции «Математическая биология и биоинформатика» (Пущино, 2006), XIV конференции «Математика. Компьютер. Образование» (Пущино, 2007), XIX зимней молодежной научной школе «Перспективные направления физико-химической биологии и биотехнологии» (Москва, 2007), XV конференции «Математика. Компьютер. Образование» (Дубна, 2008), IV Российском симпозиуме «Белки и пептиды» (Казань, 2009), Пятом международном симпозиуме по вычислительным методам в токсикологии и фармакологии с использованием ресурсов интернет (CMTPI-2009) (Стамбул, 2009), XVII конференции «Математика. Компьютер. Образование» (Дубна, 2010).

1.7. Структура и объем диссертации

Диссертационная работа имеет следующую структуру. В Глав,г 1 (Введение) сформулированы основные цели и задачи исследования, и обоснована его практическая важность. Глава 2 представляет собой обзор литературы. Он посвящен современным методам моделирования структур мембранных белков вообще и рецепторов ОРСЯ в особенности, а также методам предсказания биологической активности низкомолекулярных соединений. Полученные результаты и их обсуждение приведены в Главе 3, состоящей из двух разделов. В разделе 3.1 описана разработка и тестирование оценивающих функций для структур мембранных белков на основе анализа доступных экспериментальных структурных данных. В разделе 3.2 описан оригинальный подход к предсказанию констант связывания антагонистов бета2-адренэргического рецептора. Глава 4 (Заключение) составляет перечень основных результатов работы, обсуждение их научно-практического значения и дальнейших перспектив исследований в данной области. Описание методов и алгоритмов, использованных в работе., дано в Главе 5. Завершает диссертацию список литературы.

Диссертация изложена на 137 страницах машинописного текста, содержит 43 рисунка и 12 таблиц. Список литературы включает 188 источников,

2. Основные результаты и их обсуждение

2.1. Разработка и тестирование оценочных функций для мембранных белков

Создание базы остатков. Для проведения анализа из базы данных PDB был выбран представительный набор из 18 структур неродственных белков с разрешением < 3.5 Ä, содержащих около 5 тысяч остатков в ТМ доменах. Как и следовало ожидать, преобладают в этой базе неполярные остатки (Leu, Ala, Val, lie,...) (Рис. 3).

г s? i » â S S 5

h- vo

ШШ

ÏÏ

ÏÏ

Рис. 1.

белков.

ALA. ARG ASN ASP CYS GL.N GLU GLY his ¡le LEU LYS MET fke pro ssr THR тяр туй val Аминокислотные остатки Доля различных аминокислотных остатков в ТМ доменах мембранных

Крупнозернистое представление. Для моделирования систем биомакромолекул на больших временных и пространственных масштабах можно использовать крупнозернистое (КЗ) представление этих систем, суть которого заключается в том, что группа реальных атомов заменяется на один псевдоатом, что позволяет резко уменьшить число взаимодействующих частиц и время расчета их взаимодействий. Поскольку конкретная реализация такого представления не столь важна, то мы остановились на одночастичном представлении, когда один аминокислотный остаток представляется одним зерном (Рис. 2). Носителями свойств остатков выбирали геометрические центры их боковых цепей без учета атомов водорода. Кроме того, для остатков Leu, Ile, Met, Phe, Trp, His, Туг, Gin, Glu, Lys, Arg не учитывали Ср-атомы, a для Lys и Arg - ещё и Ст-атомы. Подобные смещения зёрен

от геометрических центров остатков к их функциональным группам были использованы для лучшего соответствия координат зёрен координатам функциональных групп, свойства которых эти зёрна призваны представлять. При необходимости предлагаемый подход может быть адаптирован и к другим вариантам КЗ представлений.

Рис. 2. Полноатомное и крупнозернистое представление аргинина и тирозина.

Микроокружение остатков в структуре белка может быть описано с помощью различных параметров. Определив предпочтения остатков обучающего набора обладать теми или иными значениями выбранных параметров, можно проанализировать эти параметры в тестовой структуре и сделать вывод о близости микроокружения каждого остатка в тестовой структуре микроокружению остатков такого же типа в структурах обучающего набора. Как и прежде (Chugunov et al., 2007), было выбрано два параметра - гидрофильная и гидрофобная составляющие микроокружения. Будем называть их Fp и F пр. Для расчета этих параметров был использован подход молекулярного гидрофобного потенциала - МШ (Gaillard et al., 1994; Efremov et al., 2007).

Вычисление параметров микроокружения для крупнозернистого представления. При создании крупнозернистой оценочной функции (КЗОФ) для каждого из 20 типов остатков были протабулированы значения двух параметров - mhp* и mhp~, которые вычисляются суммированием, соответственно, положительных и отрицательных значений МГП-параметров атомов этого остатка (Ghose et al., 1998), с учетом смещения шкалы МГП (MHP-offset = -0.06 на атом), введенного для повышения точности оценки (Рис. 3).

Arg

Туг

■ а

А1А А1

и

СУ5 а|т\

«У НЕ II

1 3 1

МЕТ РНЕ РКО 51

.тШ

ТВР лУ УА1.

в тЬр+ □ тЬр-

Аминокислотныа остатки

Рис. 3. Гидрофобные-гидрофильные свойства боковых цепей аминокислотных остатков.

Затем параметры микроокружения рассматриваемого остатка могут быть вычислены через параметры тЪр+ и ткр остатков, составляющих это микроокружение, т.е. соседних с рассматриваемым. Для этого дополнительно были введены следующие параметры зёрен:

а) заглубленность а = 1 -

2>-

, где Г, - вектор от рассматриваемого зерна к

соседнему с ним (т.е. находящемуся ближе, чем 7 А) (Рис. 4);

Рис. 4. Иллюстрация алгоритма вычисления заглубленности. Центральное зерно, очевидно, является заглубленным; для него 2^=0. Крайние зерна являются

экспонированными; для них ^>0. Для

наглядности проведены не все радиус-векторы.

b) суммарнаягидрофильность Np= 'Y_iw{rl)-mhp~ и гидрофобность

t

Nnp = ^w(r,)-rnhp*, наведенная соседними зернами, а весовая функция w(r)

I

представлена на рисунке (Рис. 5).

т

Все вышеуказанные суммы вычисляются по зёрнам, не принадлежащим той же спирали, что и анализируемое зерно.

Теперь параметры микроокружения могут быть вычислены по формулам

Квадратный корень использован для придания распределениям остатков по параметрам Рр и Рпр более наглядного вида.

Вычисление параметров микроокружения для полноатомного представления. Сначала для а-спирали, содержащей анализируемый остаток, строили молекулярную поверхность, для каждой точки которой вычисляли её гидрофобность и заглубленность с учетом всех атомов рассматриваемой структуры. При этом использовали весовую функцию, аналогичную приведённой на рисунке (Рис. 5), но интервал убывания составлял 2 ■*■ 4 А. Затем для анализируемого остатка вычисляли общее число точек его поверхности (Щ, включая число заглубленных гидрофобных (Ыпр) и заглубленных гидрофильных (Ыр) точек. Тогда параметры Рр и Рпр могут быть вычислены по тем же формулам

(1), но теперь заглубленность должна быть рассчитана как а = —.

Построение оценочных функций. Имея в виду природу параметров Рр и Рпр, очевидно, что их значения принадлежат диапазону от 0 до 1. Разбиение этого диапазона на 20 интервалов для каждого из параметров дает 400 классов окружения. Теперь каждый остаток из обучающего набора может попасть в тот или иной класс окружения в зависимости от значений Рр и Рпр, которыми он обладает.

Рис. 5. Весовая функция уу(г), используемая для расчета наведенного МГП.

(1)

Соответствие каждого из 20 типов остатков с каждым классом окружения может быть выражено следующей функцией

Здесь Ру - вероятность обнаружения остатка типа г в классе у, а Ру — вероятность обнаружения остатка произвольного типа в классе у. Таким образом, если какой-либо остаток имеет повышенное сродство к какому-либо классу окружения, то вероятность его обнаружения там будет выше средней и > 0. Поскольку не представлялось возможным собрать данные о встречаемости каждого типа остатков в каждом классе окружения, то была применена интерполяция (Рис. 6). Параметры интерполяции были подобраны для достижения самосогласованности метода.

Рпр

Рр рР

Рис. 6. Слева - распределение остатков аланина по параметрам Ер и Рпр. Справа -сглаженный вид плотности этого распределения. Рр может принимать значения 0 до 1 по горизонтальной оси, Рпр аналогично - по вертикальной.

Тестирование оценочных функций. Для проверки применимости разработанных ОФ на практике они были использованы для оценки тестового набора МБ. Исходя из предположения, что с точки зрения микроокружения остатков белки обучающего и тестового наборов устроены сходным образом, можно сделать вывод, что структуры с близкой длиной ТМ сегментов должны иметь близкие значения оценочных функций. На рисунке (Рис. 7) показана зависимость значений КЗОФ от длины последовательности ТМ домена для обучающего и тестового наборов МБ.

Число остатков в ТМ домене

Рис. 7. Зависимость значений КЗОФ от длины ТМ домена для обучающего набора МБ (чёрные ромбы, сплошная аппроксимирующая прямая), тестового набора (белые треугольники, прерывистая прямая) и набора теоретических моделей зрительного родопсина (серые квадраты). Кристаллографическая структура зрительного родопсина (1U19) обведена. Толстая чёрная линия - «прямая отклонения 3 А» (пояснения в тексте).

Несмотря на то, что вариацией подгоночных параметров не удалось достичь полного совпадения линий тренда для обучающего и тестового наборов, для них обоих прослеживается четкая тенденция к практически равномерному увеличению значений КЗОФ с ростом длины ТМ домена. Кроме того, хорошо видно, что кристаллографическая структура (КС) зрительного родопсина получает заметно более высокое значение ОФ, чем его модели. Это наблюдение, а также ряд аналогичных (изложены ниже), позволяют выявить связь между отклонением модели от КС и соответствующим уменьшением значения ОФ1: чем ближе структура модели к КС, тем большим значением ОФ она обладает. Таким образом, становится возможным сформулировать критерий корректности структуры МБ («прямая отклонения 3 А», см. ниже). В случае с полноатомной оценочной функцией (ПАОФ) ситуация полностью аналогична (данные не приведены). Здесь удалось добиться лучшего соответствия линий тренда для обучающего и тестового наборов, особенно в диапазоне 150 - 300 а.о. Этот диапазон наиболее важен с точки зрения фармацевтических приложений, поскольку такую длину ТМ домена

имеют большинство рецепторов (в частности, рецепторы ОРСЯ). Так, длина ТМ домена родопсина составляет 194 а.о., бета2-адреноцептора - 167 а.о.

Критерий корректности структуры МБ. Если доступно несколько шаблонов при моделировании на основании гомологии, то проблема выбора наиболее подходящего из них достаточно актуальна. Рассмотрим построение моделей галородопсина (РШ-код 1Е12) по гомологии с несколькими шаблонами различной степени родства, а также оценку полученных моделей предлагаемыми ОФ. В качестве шаблонов были выбраны КС бактериородопсина (РБВ-код 1ВМ1) и зрительного родопсина (РБВ-код 1Ш9), а также самого галородопсина.

© о

I

В 30 §

< 20

Е

1 2 3 4 5

СКОпоТМ домену, А

2 3 4 5 СКО поТМ домену, А

Рнс. 8. Зависимость КЗОФ (слева) и ПАОФ (справа) от близости моделей к нативной структуре. Белый круг - кристаллографическая структура галородопсина. Модели построены по шаблонам (в порядке возрастания СКО): самого галородопсина (черные кружки), бактериородопсина (белые квадраты), сенсорного родопсина II (черные ромбы) и зрительного родопсина (белые треугольники).

На рисунке (Рис. 8) приведена зависимость значений ОФ для моделей галородопсина, построенных по гомологии с каждым упомянутым шаблоном, от близости моделей к нативной структуре, в терминах среднеквадратичного отклонения (СКО). Хорошо видно, что чем выше СКО от нативной структуры, тем ниже значение ОФ для соответствующей модели. Это наблюдение подтверждает, что применение метода оценки качества упаковки МБ при моделировании на основании гомологии позволяет идентифицировать наиболее близкие к нативной структуры. К. сожалению, КЗОФ демонстрирует низкую чувствительность в диапазоне СКО 0-^2 А, что, вероятно, является следствием самой природы крупнозернистого представления и не может быть устранено. Подобное моделирование может быть проведено ещё для нескольких МБ с различной длиной ТМ домена: кальциевой АТФ-азы, аммониевого транспортёра и цитохром С оксидазы. Как и в случае моделей галородопсина, для всех наборов моделей хорошо прослеживается убывание значений ОФ с ростом СКО, а также

нечувствительность КЗОФ в диапазоне отклонений 0 ■*■ 2 А. Если теперь отметить те значения ОФ, при которых модели (будь у нас такие) имели бы отклонение от кристаллографической структуры, равное 3 А, то применительно к аммониевому транспортёру это будет - 2 для КЗОФ и ~ 5 для ПАОФ (Рис. 8). Результат моделирования и оценки моделей галородопсина и еще трех вышеупомянутых МБ удобно представить в виде диаграмм (Рис. 9).

в зо о

т ад

х 20

х

ш

У

т

т 10

■

/ о /

■ / / г г г г

Iй й

О <

с

я

■

Гс * ' * *

С (/ /

100 200 300 400 500 Число остатков в ТМ домене

100 200 300 400 500 Ч исло остатков в ТМ домене

Рис. 9. Уменьшение значений (показано стрелкой) КЗОФ (слева) и ПАОФ (справа) при отклонении моделей от КС на 3 А для галородопсина (170 а.о. в ТМ домене), кальциевой АТФ-азы (192 а.о.), аммониевого транспортёра (261 а.о.) и цитохром С оксидазы (383 а.о.). Чёрные квадраты соответствуют КС мембранных белков, белые - их гипотетическим моделям с СКО 3 А.

Чётко видно, что регрессионные прямые, соответствующие оценкам КС и гипотетических моделей, практически параллельны. Это наблюдение позволяет предположить общность данного явления не только для четырёх смоделированных белков, но для всех остальных МБ, а также для обеих ОФ. Руководствуясь такими соображениями, можно провести «прямые отклонения на 3 А» и на диаграмме, где представлена зависимость значений ОФ от длины ТМ домена для обучающего и тестового наборов структур, а также теоретических моделей зрительного родопсина (Рис. 7). Хорошо видно, что все точки, соответствующие КС МБ, качество которых нами постулируется, как хорошее, лежат выше «прямой отклонения на 3 А». Модели же родопсина, которые в сравнении с его КС мы можем оценить, как недостаточно хорошие, оказываются лежащими ниже этой прямой. Оба указанных обстоятельства позволяют использовать «прямые отклонения на 3 А» (и соответствующие им зависимости значений ОФ от длины ТМ домена) в качестве критерия правильности упаковки структуры МБ.

Возможность выявления ошибок в выравнивании. При моделировании на основании гомологии смещения в выравнивании приводят к существенному искажению получаемых моделей по сравнению с оптимальными. Для изучения возможности идентифицировать такие искажения с помощью КЗОФ и ПАОФ был создан набор моделей р2-адренорецептора по шаблону зрительного родопсина, но с систематическими ошибками в выравнивании ТМ домена. Ошибки состояли в независимом смещении для каждой из 7 спиралей последовательности модели относительно последовательности шаблона на 0, ±1 остаток по сравнению с оптимальным выравниванием; для каждого варианта выравнивания была построена одна модель. Таким образом, всего было получено З7 = 2187 моделей, из которых лишь одна обладает оптимальным выравниванием (Рис. 10). Разумеется, при достаточном уровне идентичности аминокислотных последовательностей правильное выравнивание может быть легко построено с помощью общепринятых методов, но в рассматриваемом случае этот уровень составляет менее 30% по ТМ домену, что является критическим при моделировании на основании гомологии.

Рис. 10. Значения КЗОФ (слева) и ПАОФ (справа) моделей адренорецептора, построенных по шаблону зрительного родопсина с различными варантами выравнивания, и их СКО по ТМ Са-атомам от КС адренорецептора (2ЯН1). Точки, соответствующие модели с правильным выравниванием, обведены.

Хорошо видно, что модель, отвечающая правильному выравниванию, обладает не только минимальным значением СКО, но и достаточно высокими значениями ОФ, соответствующими их нахождению выше «прямой отклонения на 3 А» (Рис. 7). Если теперь не принимать во внимание данные о КС адреноцептора, то распределение его моделей по КЗОФ и ПАОФ будет иметь следующий вид (Рис. 11).

1

I

-20 -I-1-i-t-1-1-!-

-20 -15 -10 -5 0 5 10 15

Значение КЗОФ

Рис. 11. Распределение моделей адренорецептора, построенных по шаблону зрительного родопсина при искаженном выравнивании, по значениям КЗОФ и ПАОФ. Точка, соответствующая модели с правильным выравниванием, обведена. Вертикальная линия - пороговое величина значения КЗОФ, соответствующее отклонению в 3 Ä для длины ТМ домена 167 а.о. (что наблюдается в случае с адренорецептором). Горизонтальная линия - аналогично для ПАОФ.

Легко видеть, что модель, отвечающая правильному выравниванию, является «хорошей» как по КЗОФ, так и по ПАОФ, что существенно сужает область поиска этой модели среди прочих в случае, если бы правильность её выравнивания не была нам известна заранее.

Выводы (1)

а) Предложен оригинальный метод «крупнозернистого» представления белковых структур.

| б) Разработаны функции оценки качества упаковки мембранных белков на

основе «крупнозернистого» и полноатомного представления.

в) Предложен критерий, позволяющий разграничивать множество моделей на «плохие» и «хорошие» (по СКО от КС), основываясь лишь на значении оценочных функций.

г) Разработанные методы и функции реализованы в программе PROMETHEUS (PROtein MEmbrane THEoretical Ultimate Score), созданной в хода выполнения диссертационной работы.

2.2. Гидрофобная комплементарность бета-блокаторов в сайте связывания р2-адрензргического рецептора и её использование для предсказания константы связывания

Гидрофобная организация комплексов йРСЯ с лигандами. Для анализа гидрофобной организации комплексов использовали интегральный параметр Мз1сЬ2 (Ругкоу й а1, 2009), соответствующий комплементарности гидрофобных свойств поверхности лиганда и рецептора. Этот параметр может изменяться в диапазоне от 0, что соответствует отсутствию комплементарности, до 1, означающей полное соответствие. В качестве примера комплекса ОРСЯ с лигандом рассмотрим зрительный родопсин. Его лиганд ретиналь имеет сопряженную полиеновую структуру и является гидрофобным. Естественно ожидать поэтому, что и находящиеся в контакте с ретиналем аминокислотные остатки также будут гидрофобными. С расшифровкой пространственной структуры родопсина стало возможным полное рассмотрение всех таких остатков, и, действительно, большей частью они оказываются либо гидрофобными, либо имеющими значительные гидрофобные фрагменты. В то же время, контактируют с ретиналем и несколько гидрофильных остатков. Все эти контакты вносят свой вклад в величину комплементарности гидрофобных свойств ретиналя, которая в кристаллографической структуре (РБВ код 1Ш9) составляет 0,85. Для выяснения того, насколько стабильным является полученное значение комплементарности, был выполнен расчет МД молекулы зрительного родопсина с ретиналем, встроенной в гидратированный липидный бислой.

1.0 -г

!М 0.8 ,

и

0.6 •

ф

5

X О) 0.4 -

<ч

X РП 0.2 -

0.0 -

Г

| |

; ;

з.о

2.5

х 1-5 ' Г 11

1 1.0 • -

1

Г

!

г з а Бремя, нс

2 3 4 5 Время, нс

Рис. 12. Флуктуации значений комплементарности гидрофобных свойств ретиналя в активном центре (слева) и СКО атомов ретиналя (справа) в процессе МД.

Оказалось, что значения комплементарности подвержены лишь незначительным случайным колебаниям (Рис. 12, слева), в то время как СКО от стартовой

16

структуры атомов как ретиналя (Рис. 12, справа), так и активного центра родопсина (данные не приведены) флуктуирует значительно сильнее. Таким образом, комплементарность лучше подходит для оценки правильного положения лиганда в активном центре, что делает её ценным инструментом, например, при ранжировании решений докинга.

Комплементарность гидрофобных свойств в комплексах бета-блокаторов. Появление кристаллографической структуры бета2-адренорецептора с различными лигандами и возможность их использования в качестве мишеней для молекулярного докинга позволяет детально изучить гидрофобную организацию комплексов антагонистов с рецептором. Для исследования взаимодействий лигандов с рецептором использовали веб-сервер PLATINUM (Pyrkov et al., 2009), a также программные пакеты GOLD и Glide. Были рассмотрены как оценивающие функции целиком, так и их отдельные термы, описывающие физически различные межмолекулярные взаимодействия, такие как гидрофобные контакты и водородные связи. Оказалось, что ни одна из функций не показала приемлемой корреляции с константами связывания и, следовательно, не может быть использована для надежных предсказаний (данные не приведены). Аналогично оказались неприменимыми и параметры собственной гидрофобности лиганда, т.е. гидрофобности, наведенной на поверхности лиганда его же собственными атомами, а также интегральная комплементарность гидрофобных и гидрофильных свойств лиганда и активного центра. Причина этих неудач, вероятно, кроется в том, для лиганда в целом комплементарность гидрофобных свойств между ним и

Рис. 13. Молекула каразолола из кристаллографической структуры бета2-АР (2RH1) и ее молекулярная поверхность, раскрашенная по значениям комплементарное™ гидрофобных свойств лиганда и рецептора. Благоприятные контакты (гидрофобно-гидрофобные и гидрофильно-гидрофильные) показаны светлым, неблагоприятные - темным.

Поскольку интегральные параметры бета-блокаторов не проявили достаточной корреляции с константами связывания, было решено обратиться к параметрам молекулярных групп. Для учета гидрофобных предпочтений различных групп в молекулах лигандов использовали разбиение молекулы антагонистов на 10 фрагментов, которое ниже проиллюстрировано на примере бгта-блокатора каразолола (Рис. 14). Фрагмент Р/ представляет собой ароматическую систему (как правило, бензольное кольцо). Фрагмент в случае каразолола также представляет собой бензольное кольцо. Во фрагменте Рз всего два атома - азот и водород. Фрагменты Р4, Р5, Р6 отсутствуют, так как располагающиеся на соответствующих местах атомы водорода отнесены к фрагменту Фрагментом Ру является группа -0-СН2- (отсутствует у ряда бета-блокаторов). Фрагменты Ря и Р9 одинаковы для всех лигандов и содержат группы -СН-СН2-НН2+- и -ОН, соответственно. Фрагмент Р10 в случае каразолола представляет собой изопропил, но сильно варьирует от лиганда к лиганду.

Рис. 14. Схема разбиения молекулы антагониста на фрагменты на примере каразолола (подробности см. в тексте).

Для каждого фрагмента в молекулах лигандов вычисляли комплеменгарность гидрофобных свойств Match2, для чего учитывали только те точки молекулярной поверхности, которые соответствовали атомам рассматриваемого фрагмента. Оказалось, что фрагмент F; во всех случаях проявляет высокую комплементарность, а фрагмент Р9 - отсутствие таковой. В самом деле, Fj представляет собой бензольное кольцо в контакте с гидрофобным окружением, a Fg

18

является гидроксилыюй группой, которая, очевидно, не способна проявлять гидрофобную комплементарность из-за своей гидрофильной природы. Кроме того, чрезвычайно высокую комплементарность была выявлена у фрагмента F2 в некоторых лигандах, в то время как другие фрагменты продемонстрировали низкую комплементарность.

Фрагментарная функция расчета аффинности. После того, как определены основные благоприятные факторы связывания антагонистов, становится возможным составить оценочную функцию для предсказания их аффиности. Мы рассмотрели функцию следующего общего вида:

pKdpred = А + В-ММН + • Match2(F,),

I

где ММН - середина диапазона распределения гидрофобности (полусумма максимального и минимального значения собственного МГП на поверхности лиганда), Match2(F,) - гидрофобная комплементарность г-го фрагмента лиганда, а А, В, С, - весовые коэффициенты. Среднее значение и медиана гидрофобности лиганда также были опробованы вместо ММН, но оказалось, что именно ММН позволяет получить наиболее эффективную ОФ для предсказания аффинности. Определение наиболее существенных факторов и подгонка коэффициентов были выполнены с помощью множественной регрессии. Коэффициенты А, В, Q были усреднены по 8 редуцированным обучающим наборам в процессе кросс-валидации при 6 исключенных точках (leave-6-out cross-validation) и итоговое уравнение получило вид:

рК(1рЫ = 10.0 +13.2 • ММН + 2.4 • Ma!ch2(F2) -1.8 • Match2{FL) + + 2.1- Match2(F6) + 3.1 • Matchl{Ft) Соотношение предсказанных и экспериментальных значений аффинности для набора обратных агонистов и антагонистов с широким спектром значений pKd (от 5 до 11) показано на рисунке (Рис. 15) (R2 = 0.77; s = 0.76; F5, i8 = 11.95).

о I и у ♦

* Г/" ♦

» ✓ ♦

Л У} и

/ □

4 5 6 7 8 9 10 11 12 рКс! измеренное

Рис. 15. Соотношение предсказанных и экспериментальных значений аффинности (рК<1) для набора обратных агонистов и антагонистов бета2-АР (Я2 = 0.77). Ромбы и квадраты относятся к обучающему набору (24 случая) и тестовому (5 случаев), соответственно.

Коэффициент корреляции для предсказанных значений составил 0.62, при том, что приемлемым значением в данном случае является q2 > 0.3. Таким образом, наши результаты подтверждают возможность использования комплементарности гидрофобных свойств для предсказания аффинности соединений.

Соединения с потенциально высокой аффинностью. Принимая во внимание вышесказанное, можно попытаться модифицировать ингибитор с уже высокой аффинностью в сторону дальнейшего ее увеличения. Для этого необходимо улучшить гидрофобную комплементарность его отдельных фрагментов с окружающими этот фрагмент остатками рецептора. Из формулы для расчета значений константы связывания рКёпред видно, что благодаря положительности коэффициентов С2 и Сб эффективным может быть введение гидрофобных заместителей в качестве фрагментов ^ и ^ (Рис.). Для проверки этого предположения с использованием программы комбинированного докинга СотЫОШе был выполнен поиск оптимальных заместителей в качестве фрагмента Г^ для пропранолола (фрагмент ^ в нем уже присутствует и состоит из двух атомов углерода и двух атомов водорода бензольного кольца). После выполнения всех вычислений, описанных выше (докинг с помощью СотЫСМе, минимизация энергии полученного комплекса с наложением ограничений на

20

лиганд и оценка с помощью фрагментарной ОФ) получили значение рК(1ПрСд= 11.1 в случае метального заместителя (Рис. 16). Это значение заметно выше тех, которые получены для обучающего и тестового наборов, однако, несомненно, данное предсказание нуждается в экспериментальном подтверждении.

Рис. 16. Потенциальный бета-блокатор аналогичный пропранололу, но отличающийся от него наличием метального заместителя у бензольного кольца.

Выводы (2)

а) Предложен оригинальный метод разбиения молекулы лиганда на фрагменты для детального учета гидрофобной комплементарности.

б) Разработана функция количественной оценки аффинности бета-блокаторов.

в) Предложен ряд соединений, предположительно обладающих высоким сродством к бета2-адренэргическому рецептору.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Чугунов А.О., Новоселедкий В.Н.. Арсеньев А.С., Ефремов Р.Г. Новый метод оценки качества упаковки трансмембранных а-спиральных доменов » белках. (2007). Биохимия Т. 72, № 3, 358-367.

English version: Chugunov А.О., Novoseletskv V.N.. Arseniev A.S., Efremov R.G. A novel method for packing quality assessment of transmembrane alpha-heli cal domains in proteins. (2007) Biochemistry (Moscow). V. 72, N 3, 293-300.

2. Chugunov A.O., Novoseletskv V.N.. Nolde D.E., Arseniev A.S., Efremov R.G. A method to assess packing quality of transmembrane o-helices in proteins. I. Parameterization using structural data. (2007). J. Chem. Inf. Mod. v. 47, N 3, 1150-1162.

3. Chugunov A.O., Novoseletskv V.N.. Nolde D.E., Arseniev A.S., Efremov R.G. A method to assess packing quality of transmembrane a-helices in proteins. II. Validation by "correct vs. misleading" test. (2007). J. Chem. Inf. Mod. v. 47, N 3,1163-1170.

4. Чугунов A.O., Новоселецкий B.H.. Арсеньев A.C., Ефремов Р.Г. Интегральные мембранные белки: подход к созданию реалистичных моделей in silico. (2007). Мембраны, изд. ВИНИТИ, Серия «Критические технологии», № 1 (33), С. 21-31.

5. Новоселецкий В.Н.. Чугунов А.О., Ефремов Р.Г. Метод распознавания некорректно свернутых моделей а-спиральных трансмембранных доменов белков, В: Математика. Компьютер. Образование. Сб. трудов XIV международной конференции. Под общей редакцией Г.Ю. Ризниченко Ижевск: Научно-издательский центр "Регулярная и хаотическая динамика", 2007. Том 2, 392 стр. Стр. 313-318.

6. Novoseletskv V.N.. Pyrkov T.V., Efremov R.G. Analysis of hydrophobic interactions of antagonists with the beta2-adrenergic receptor. (2010) SAR and QSAR in Environmental Research v. 21, N 1,37-55.

7. Новоселецкий B.H.. Чугунов A.O., Ефремов Р.Г. (2006). Метод оценки упаковки трансмембранных а-спиралей в моделях мембранных белков. VIII чтения, посвященные памяти академика Ю.А. Овчинникова, Москва, стр. 35.

8. Новоселецкий В.Н.. Чугунов А.О., Ефремов Р.Г. «Метод распознавания некорректно свернутых моделей а-спиральных трансмембранных доменов белков». Современные проблемы фундаментальных и прикладных наук - общая и прикладная физика: Сборник трудов 49-й научной конференции МФТИ, Долгопрудный, (2006). http:/Aio.fizteh.ru/student/mipt_conference/conf_result.html

9. Chugunov А.О., Novoseletskv V.N.. Efremov R.G. "A method to assess correct/misfolded structures of transmembrane domain of membrane proteins". Proceedings of the Fifth International Conference on Bioinformatics of Genome Regulation and Structure, Novosibirsk, Russia 16-22 July, (2006), 1,247-251.

10. Novoseletskv. V.N.. Chugunov A.O., Efremov, R.G. (2006). Assessment of the packing quality of a-helical transmembrane domains. Proceedings of the V International Conference on Mathematical Biology and Bioinformatics, Pushchino, Russia, 14-15. Изд-во "МАКС-ПРЕСС", Москва, 2006.

11. Новоселецкий В.Н.. Чугунов А.О., Ефремов Р.Г. Метод распознавания некорректно свернутых моделей а-спиральных трансмембранных доменов белков. XIV Международная конференция «Математика. Компьютер. Образование». 22-27 января 2007 г., Пущино, Сборник научных тезисов под ред. Г.Ю. Ризниченко, НИЦ «Регулярная и хаотическая динамика», г. Ижевск, 2007, С. 176.

12. Новоселецкий В.Н.. Чугунов А.О., Ефремов Р.Г. Оптимизация конформаций боковых цепей в моделях мембранных белков. XIXзимняя молодежная научная школа «Перспективные направления физико-химической биологии и биотехнологии», 7-9 февраля 2007 г., Тезисы докладов и стендовых сообщений под ред. Т.В. Овчинниковой и Т.И. Соркиной, ИБХ РАН, Москва, 2007, С. 55.

13. Novoseletskv V.N.. Chugunov А.О., Efremov R.G. A method to recognize misfolded models of alpha-helical transmembrane protein domains. In: Biophysics and the Challenges of Emerging Threats. Proc. of the NATO Advanced Study Institute on Biophysics and the Challenges of Emerging Threats Erice, Sicily, Italy 19-30 June 2007. Series: NATO Science for Peace and Security Series. Subseries: NATO Science for

Peace and Security Series B: Physics and Biophysics. Puglisi, Joseph D. (Ed.), 2009, Approx. 230 p., ISBN: 978-90-481-2366-7, p. 160.

14. Chugunov A.O., Novoseletsky V.N.. Efremov R.G. Quality of computer-built models of membrane proteins accessed via knowledge-based approach. Forth International Symposium on Computational Methods in Toxicology and Pharmacology Integrating Internet Resources. September 1-5,2007, Moscow, Russia, p. 89.

15. Новоселецкий B.H.. Пырков T.B., Ефремов Р.Г. Функция оценки качества структуры мембранных доменов в «крупнозернистом» представлении. XV Международная конференция «Математика. Компьютер. Образование». 28 января - 2 февраля 2008 г., Дубна, Сборник научных тезисов под ред. Г.Ю. Ризниченко, НИЦ «Регулярная и хаотическая динамика», г. Ижевск, 12008, С. 200.

16. Efremov R.G., Nolde D.E., Polyansky А.А., Novoseletsky V.N.. Volynsky P.E. "Modern computational pharmacology: movement toward biomembranes". Proceedings of the Sixth International Conference on Bioinformatics of Genome Regulation and Structure, Novosibirsk, Russia 22-28 June, (2008), 1, 66

17. Novoseletsky V.N.. Pyrkov T.V., Efremov R.G. Analysis of hydrophobic organization of GPCR complexes with ligands. Fifth International Symposium on Computational Methods in Toxicology and Pharmacology Integrating Internet Resources, Abstract Book, p. 111, Istanbul, Turkey, 2009.

18. Новоселецкий B.H.. Пырков T.B., Ефремов Р.Г. Использование шаблона из идеальных альфа-спиралей для моделирования структуры комплекса адренэргического рецептора с антагонистом. Тезисы докладов IVроссийского симпозиума «Белки и пептиды», стр. 175, Изд-во «ФизтехПресс», Казань, 2009.

19. Новоселецкий В.Н.. Пырков Т.В., Ефремов Р.Г. Анализ гидрофобной комплементарное™ сайта связывания бета2-адренэргического рецептора. XVII Международная конференция «Математика. Компьютер. Образование». 25-30 января 2010 г., Дубна, Сборник научных тезисов под ред. Г.Ю. Ризниченко, стр. 255, НИЦ «Регулярная и хаотическая динамика», г. Ижевск, 2010.

СПИСОК ЦИТИРУЕМОЙ ЛИТЕРАТУРЫ

1. Cherezov, V., Rosenbaum, D.M., Hanson, М.А., Rasmussen, S.G., Thian, F.S., Kobilka, T.S., Choi, H.J., Kuhn, P., Weis, W.J., Kobilka, B.K., Stevens, R.C. (2007). Highresolution crystal structure of an engineered human beta2-adrenergic G protein-coupled receptor. Science 318,1258-1265

2. Chugunov, A.O., Novoseletsky, V.N., Arseniev, A.S., Efremov, R.G. (2007). A novel method for packing quality assessment of transmembrane alpha-helical domains in proteins. Biochemistry (Mosc.) 72,293-300.

3. Efremov, R.G., Chugunov, A.O., Pyrkov, T.V., Priestle, J.P., Arseniev, A.S., Jacoby, E. (2007). Molecular lipophilicity in protein modeling and drug design. Curr. Med. Chem. 14, 393-415.

4. Gaillard, P., Carrupt, P.A., Testa, В., Boudon, A. (1994). Molecular lipophilicity potential, a tool in 3D QSAR: method and applications. J. Comput. Aided. Mol. Des. 8, 83-96.

5. Ghose, A.K., Viswanadhan, V.N., Wendoloski, J.J. (1998). Prediction of hydrophobic (lipophilic) properties of small organic molecules using fragmental methods: an analysis of ALOGP and CLOGP methods. J. Phys. Chem. 102,3762-3772.

6. Jaakola, V.P., Griffith, M.T., Hanson, M.A., Cherezov, V., Chien. Е.У., Lane:, J.R., Ijzerman, A.P., Stevens, R.C. (2008). The 2.6 angstrom crystal structure of a human A2A adenosine receptor bound to an antagonist. Science 322, 1211-1217.

7. Kitchen, D.B., Decornez, H., Furr, J.R., Bajorath, J. (2004). Docking and scoring in virtual screening for drug discovery: methods and applications. Nat. Rev. Drug Discov. 3,935-49.

8. Mannhold, R., (2005). The impact of lipophilicity in drug research: a case report on beta-blockers. Mini Rev. Med. Chem. 5,197-205.

9. Palczewski, K., Kumasaka, Т., Hori, Т., Behnke, C.A., Motoshima, H., Fox, 8.A., Le Trong, I., Teller, D.C., Okada, Т., Stenkamp, R.E., Yamamoto, M., Miyano, M. (2000). Crystal Structure of Rhodopsin: A G-Protein-Coupled Receptor. Science 289', 739-745.

10. Pyrkov, T.V., Chugunov, A.O., Krylov, N.A., Nolde, D.E., Efremov, R.G. (2009). PLATINUM: a web tool for analysis of hydrophobic/hydrophilic organization of biomolecular complexes. Bioinformatics 25,1201-1202.

11. Schoneberg, Т., Schulza, A., Biebermannb, H., Hermsdorf, Т., RSmplera, H., Sangkuhl, K. (2004). Mutant G-protein-Coupled Receptors as a Cause of Human Diseases. Pharmacol. Ther. 104,173-206.

12. Testa, В., Carrupt, P.A., Gaillard, P., Billois, F., Weber, P. (1996). Lipophilicity in molecular modeling. Pharm. Res. 13,335-343.

13. Warne, A., Serrano-Vega, M.J., Baker, J.G., Moukhametzianov, R„ Edwards,

P.C., Henderson, R., Leslie, A.G.W., Tate, C.G., Schertler, G.F.X. (2008) Structure of the Betal-Adrenergic G Protein-Coupled Receptor. Nature 454,486.

Напечатано с готового оригинал-макета

Издательство ООО "МАКС Пресс" Лицензия ИД N 00510 от 01.12.99 г. Подписано к печати 12.10.2010 г. Формат 60x90 1/16. Усл.печл. 1,0. Тираж 100 экз. Заказ 446. Тел. 939-3890. Тел./факс 939-3891 119992, ГСП-2, Москва, Ленинские горы, МГУ им. М.В. Ломоносова, 2-й учебный корпус, 627 к.

Содержание диссертации, кандидата физико-математических наук, Новоселецкий, Валерий Николаевич

Список сокращений.

Глава 1 Введение.

Глава 2 Методы моделирования структуры GPCR, оценки качества упаковки белковых структур и предсказания биологической активности низкомолекулярных соединений (обзор литературы).

2.1. Актуальность моделирования пространственной структуры мембранных белков

2.2. Распространенные методы моделирования рецепторов семейства GPCR.

2.2. L. Общая информация о рецепторах GPCR.

2.2.2. Методы моделирования ab initio.

2.2.3. Методы моделирования на основании гомологии.

2.3. Существующие методы оценки качества упаковки белков.

2.4. Молекулярная динамика мембранных белков.

2.4.1. Полноатомное представление белковых структур.

2.4.2. Крупнозернистое представление белковых структур.

2.5. Расчет гидрофобных взаимодействий.

2.6. Изучение соотношений «структура - активность» для лигандов бета2-адренэргического рецептора.

2.6.1. Экспериментальное изучение влияния структуры на активность соединений

2.6.2. Компьютерный поиск активных соединений.

Глава 3 Результаты и обсуждение.

3.1. Разработка и тестирование оценочных функций для мембранных белков.

3.1.1. Анализ экспериментально установленных структур мембранных белков.

3.1.2. Крупнозернистая и полноатомная оценочные функции.

3.1.3. Идентификация кристаллографической структуры родопсина среди набора неточных моделей.

3.1.4. Формулирование критерия корректности структур МБ на основе оценочных функций.

3.1.5. Возможность оптимизации моделей с правильной укладкой основной цепи.

3.1.6. Выявление ошибок в выравнивании с помощью разработанных оценочных функций.

3.1.7. Сравнение разработанных оценочных функций с существующими.

3.2. Гидрофобная комплементарность бета-блокаторов в сайте связывания р2-адренэргического рецептора и её использование для предсказания константы связывания.

3.2.1. Анализ гидрофобной организации комплексов вРСЯ с лигандами.

3.2.2. Результаты докинга бета-блокаторов.

3.2.3. Комплементарность гидрофобных свойств в комплексах бета-блокаторов.

3.2.4. Фрагментарная функция расчета аффинности.

3.2.5. Поиск соединений с потенциально высокой аффинностью.

3.2.6. Сравнение предложенного метода предсказания аффинности с существующими.

Библиография Диссертация по биологии, кандидата физико-математических наук, Новоселецкий, Валерий Николаевич, Москва

1. Altschul, S.F., Gish, W., Miller, W., Myers, E.W., Lipman, D.J. (1990). Basic local alignment search tool. J. Mol. Biol. 215, 403^110.

2. Altschul, S.F., Madden, T.L., Schaffer, A.A., Zhang, J., Zhang, Z., Miller, W., Lipman, DJ. (1997). Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Res. 25, 3389-3402.

3. Andrade, S.L., Dickmanns, A., Ficner, R., Einsle, O. (2005). Crystal structure of the archaeal ammonium transporter Amt-1 from Archaeoglobus fulgidus. Proc. Natl. Acad. Sci. Usa 102, 14994-14999.

4. Anfinsen, C.B., Harrington, W.F., Hvidt, A., Lindstrom-Lang, K. (1955). Studies on the structural basis of ribonuclease activity. Biochim. Biophys. Acta 17, 141—142.

5. Archer, E., Maigret, В., Escrieut, C., Pradayrol, L., Fourmy, D. (2003). Rhodopsin crystal: new template yielding realistic models of G-protein-coupled receptors? Trends Pharmacol. Sci. 24, 36^10.

6. Ayton, G.S., Voth, G.A. (2009). Systematic inultiscale simulation of membrane protein systems. Curr. Opin. Struct. Biol. 19, 138-44.

7. Baker, D., Sali, A. (2001). Protein structure prediction and structural genomics. Science 294, 93-96.

8. Baker, J.G. (2005). The selectivity of beta-adrenoceptor antagonists at the human betal, beta2 and beta3 adrenoceptors. Br. J. Pharmacol. 144, 317—322.

9. Baldwin, J.M., Schertler, G.F., Unger, V.M. (1997). An a-carbon template for the transmembrane helices in the rhodopsin family of G-protein-coupled receptors. J. Mol. Biol. 272,144-164.

10. Basdevant, N., Borgis, D., Ha-Duong, T. (2007). A coarse-grained protein-protein potential derived from an all-atom force field. J. Phys. Chem. B. Ill, 9390-9399.

11. Becker, O.M., Marantz, Y., Shacham, S., Inbal, B., Heifetz, A., Kalid, O., Bar-Haim, S., Warshaviak, D., Fichman, M., Noiman, S. (2004). G protein-coupled receptors: in silico drug discovery in 3D. Proc. Natl. Acad. Sci. U. S. A. 101, 11304-11309.

12. Benkert, P., Tosatto, S.C.E., Schomburg, D. (2008). QMEAN: A comprehensive scoring function for model quality assessment. Proteins: Structure, Function, arid Bioinformatics 71, 261-277.

13. Berman, H.M., Westbrook, J., Feng, Z., Gilliland, G., Bhat, T.N., Weissig, H., Shindyalov, I.N., Bourne, P.E. (2000). The Protein Data Bank. Nucleic Acids Research 28, 235-242.

14. Beuming, T., Weinstein, H. (2005). Modeling membrane proteins based on low-resolution electron microscopy maps: a template for the TM domains of the oxalate transporter OxlT. Protein Eng. Des. Sel. 18, 119-125.

15. Bhattacharya, S., Hal, S.E., Li, H., Vaidehi, N. (2008). Ligand-stabilized conformational states of human beta(2) adrenergic receptor: insight into G-protein-coupled receptor activation. Biophys. J. 94, 2027-2042.

16. Bowie, J. U.; Liithy, R.; Eisenberg, D. (1991). A method to identify protein sequences that fold into a known three-dimensional structure. Science 253, 164-170.

17. Brodsky L.I., Ivanov V.V., Kalaidzidis Ya.L., Leontovich A.M., Nikolaev V.K., Feranchuk S.I., Drachev V.A. (1995). GeneBee-NET: Internet-based server for analyzing biopolymers structure. Biochemistry 60, 923-928.

18. Brown, E.M., Fedak, S.A., Woodard, C.J., Aurbach, G.D. (1976). Beta-Adrenergic receptor interactions. Direct comparison of receptor interaction and biological activity. J. Biol. Chem. 251, 1239-1246.

19. Brown, W.M., Faulon, J.-L., Sale, K. (2005). A Deterministic Algorithm for Constrained Enumeration of Transmembrane Protein Folds. Comp. Biol. Chem. 29, 143—150.

20. Brizzi, V., Francioli, M., Brufani, M., Filocamo, L., Bruni, G., Massarelli, P. (1999). Synthesis, binding affinity and selectivity of new beta 1- and beta 2-adrenoceptor blockers. Farmaco. 54, 713-720.

21. Buchete, N.V., Straub, J.E., Thirumalai, D. (2004). Orientational potentials extracted from protein structures improve native fold recognition. Protein Sci. 13, 862—874.

22. Bujnicki, J.M., Elofsson, A., Fischer, D., Rychlewski, L. (2001). Structure prediction meta server. Bioinformatics 17, 750-751.

23. Chambers, J.J., Nichols, D.E. (2002). A homology-based model of the human 5-HT2A receptor derived from an in silico activated G-protein coupled receptor. J. Comput. Aided Mol.Des. 16,511-520.

24. Chou, K.-C. (2005). Prediction of G-protein Receptor Classes. J. Proteome Res. 4, 14131418.

25. Chugunov, A.O., Novoseletsky, V.N., Arseniev, A.S., Efremov, R.G. (2007). A novel method for packing quality assessment of transmembrane alpha-helical domains in proteins. Biochemistry (Mosc.) 72, 293-300.

26. Cieplak, M., Hoang, T.X., Robbins, M.O. (2002). Folding and stretching in a Go-like model of titin. Proteins 49, 114-124.

27. Clark, M., Cramer, R.D., van Opdenbosch, N. (1989). Validation of the general-purpose TRIPOS 5.2 force field. J. Comput. Cliem. 10, 982-1012.

28. Connolly, M.L. (1983). Solvent-accessible surfaces of proteins and nucleic acids. Science 221, 709-713.

29. Contreras-Moreira, B., Ezkurdia, I., Tress, M.L., Valencia, A. (2005). Empirical limits for template-based protein structure prediction: the CASP5 example. FEBS Lett. 579, 1203— 1207.

30. Costanzi, S. (2008). On the applicability of GPCR homology models to computer-aided drug discovery: a comparison between in silico and crystal structures of the beta2-adrenergic receptor. J Med Chem. 51, 2907-2914.

31. Cozzetto, D., Giorgetti, A., Raimondo, D., Tramontano, A. (2008). The evaluation of protein structure prediction results. Mol Biotechnol. 39, 1-8.

32. Dallanoce, C., Frigerio, F., De Amici, M„ Dorsch, S., Klotz, K.N., De Micheli, C. (2007). Novel chiral isoxazole derivatives: synthesis and pharmacological characterization at human beta-adrenergic receptor subtypes. Bioorg Med Chetn. 15, 2533-2543.

33. Donnelly, D., Findlay, J. B., Blundell, T. L. (1994). The evolution and structure of aminergic G protein-coupled receptors. Receptors Channels 2, 61—78.

34. Efremov, R.G., Chugunov, A.O., Pyrkov, T.V., Priestle, J.P., Arseniev, A.S., Jacoby, E. (2007). Molecular lipophilicity in protein modeling and drug design. Cttrr. Med. Chetn. 14, 393^115.

35. Efremov, R.G., Nolde, D.E., Konshina, A.G., Syrtcev, N.P., Arseniev, A.S. (2004). Peptides and proteins in membranes: what can we learn via computer simulations? Curr. Med. Chetn. 11,2421-2442.

36. Eilers, M., Shekar, S.C., Shieh, T., Smith, S.O., Fleming, P.J. (2000). Internal packing of helical membrane proteins. Proc. Natl. Acad. Sci. U. S. A. 97, 5796-5801.

37. Essen, L., Siegert, R., Lehmann, W.D., Oesterlielt, D. (1998). Lipid patches in membrane protein oligomers: crystal structure of the bacteriorhodopsin-lipid complex Proc.Natl.Acad.Sci. USA 95, 11673-11678.

38. Eyre, T.A., Partridge, L., Thornton, J.M. (2004). Computational analysis of a-helical membrane protein structure: implications for the prediction of 3D structural models. Protein Eng. Des. Sel. 17, 613-624.

39. Ewing T.J., Makino S„ Skillman A.G., Kuntz I.D. (2001). DOCK 4.0: Search strategies for automated molecular docking of flexible molecule databases. J. Comput. Aided. Mol. Des. 15, 411-428.

40. Fauchere J.L., Quaredon P., Kaetterer L. (1998). Estimating and representing hydrophobicity potential. J. Mol. Graphics 6, 203-206.

41. Finkelstein A. (1997). Protein structure: what is it possible to predict now? Curr. Opin. Struct. Biol. 7, 60-71.

42. Fiser, A., Sali, A. (2003). Modeller: generation and refinement of homology-based protein structure models. Methods Enzymol. 374, 461-491.

43. Fleishman, S.J., Ben-Tal, N. (2006). Progress in structure prediction of a-helical membrane proteins. Curr. Opin. Struct. Biol. 16, 496-504.

44. Fleishman, S.J., Harrington, S., Friesner, R.A., Honig, B., Ben-Tal, N. (2004). An automatic method for predicting transmembrane protein structures using cryo-EM and evolutionary data. Biophys. J. 87, 3448-3459.

45. Fleishman, S.J., Unger, V.M., Ben-Tal, N. (2006). Transmembrane protein structures without X-rays. Trends Biochem. Sci. 31, 106-113.

46. Foord, F.M. (2002). Receptor Classification: Post Genome. Curr. Opin. Pharm. 2, 561—566.

47. Furet, P., Sele, A., Cohen, N.C. (1988). 3D molecular lipophilicity potential profiles: a new tool in molecular modeling. J. Mol. Graphics 6, 182-189.

48. Gaillard, P., Carrupt, P.A., Testa, B., Boudon, A. (1994). Molecular lipophilicity potential, a tool in 3D QSAR: method and applications. J. Comput. Aided. Mol. Des. 8, 83-96.

49. Ghose, A.K., Viswanadhan, V.N., Wendoloski, J.J. (1998). Prediction of hydrophobic (lipophilic) properties of small organic molecules using fragmental methods: an analysis of ALOGP and CLOGP methods. J. Phys. Chem. 102, 3762-3772.

50. Gieldoii, A, Kazmierkiewicz, R, Slusarz, R, Ciarkowski, J. (2001). Molecular modeling of interactions of the non-peptide antagonist YM087 with the human vasopressin Via, V2 receptors and with oxytocin receptors. J Comput Aided Mol Des. 15, 1085-1104.

51. Ginalski, K. (2006). Comparative modeling for protein structure prediction. Curr. Opin. Struct. Biol. 16, 172-177.

52. Guex, N., Peitsch, M.C. (1997). SWISS-MODEL and the Swiss-PdbViewer: An environment for comparative protein modeling. Electrophoresis 18, 2714-2723.

53. Hallmen, C., Wiese, M. (2006). Molecular dynamics simulation of the human adenosine A3 receptor: agonist induced conformational changes of Trp243. J. Comput. Aided. Mol. Des. 20, 673-84.

54. He, Y., Nikulin, V.I., Vansal, S.S., Feller, D.R., Miller, D.D. (2000). Synthesis and human beta-adrenoceptor activity of l-(3,5-diiodo-4- methoxybenzyl)-1,2,3,4-tetrahydroisoquinolin-6-ol derivatives in vitro. J. Med. Chem. 43, 591—598.

55. Heiden, W., Moeckel, G., Brickmann, J. (1993). A new approach to the display of local lipophilicity/hydrophilicity mapped on molecular surfaces. J. Comput. Aided. Mol. Des. 7, 503-514.

56. Henderson, R., Baldwin, J. M., Ceska, T. A., Zemlin, F., Beckmann, E., Downing, K. H. (1990). Model for the Structure of Bacteriorhodopsin Based on High-Resolution Electron Cryo-Microscopy. J. Mol. Biol. 212, 899-929.

57. Henin, J, Maigret, B, Tarek, M, Escrieut, C, Fourmy, D, Chipot, C. (2006). Probing a model of a GPCR/ligand complex in an explicit membrane environment: the human cholecystokinin-1 receptor. Biophys J. 90, 1232-1240.

58. Herzyk, P., Hubbard, R. E. (1998). Combined biophysical and biochemical information confirms arrangement of transmembrane helices visible from the three-dimensional map of frog rhodopsin. J. Mol. Biol. 281, 741-754.

59. Hillisch, A., Pineda, L.F., Hilgenfeld, R. (2004). Utility of Homology Models in the Drug Discovery Process. Drug Discov. Today 9, 659-669.

60. Hooft, R.W.W., Vriend, G., Sander, C., Abola, E.E. (1996). Errors in protein structures. Nature 381, 272.

61. Horn, F., Weare, J., Beukers, M.W., Horsch, S., Bairoch, A., Chen, W., Edvardsen, O., Campagne, F., Vriend, G. (1998). GPCRDB: an information system for G-protein-coupled receptors. Nucleic Acids Res. 26, 277-281.

62. Insightll, Release 2000, Accelrys, San Diego, CA, 2002.

63. Jaakola, V.P., Griffith, M.T., Hanson, M.A., Cherezov, V., Chien. E.Y., Lane, J.R., Ijzerman, A.P., Stevens, R.C. (2008). The 2.6 angstrom crystal structure of a human A2A adenosine receptor bound to an antagonist. Science 322, 1211—1217.

64. Jain A.N. (2006). Scoring functions for protein-ligand docking. Curr. Protein Pept. Sci. 7, 407-420.

65. Jayasinghe, S., Hristova, K., White, S.H. (2001). Energetics, stability, and prediction of transmembrane helices. J. Mol. Biol. 312, 927-934.

66. Jones, G., Willett, P., Glen, R.C. (1995). Molecular recognition of receptor sites using a genetic algorithm with a description of desolvation. J. Mol. Biol. 245, 43-53.

67. Jorgensen, W.L. (2004). The Many Roles of Computation in Drug Discovery. Science 303, 1813-1818.

68. Kabsch, W., Sander, C. (1983). Dictionary of protein secondary structure: pattern recognition of hydrogen-bonded and geometrical features. Biopolymers. 22, 2577—2637.

69. Kim, D.E., Chivian, D., Baker, D. (2004). Protein structure prediction and analysis using the Roberta server. Nucleic Acids Res. 32, W526-W531.

70. Kitchen, D.B., Decornez, H., Furr, J.R., Bajorath, J. (2004). Docking and scoring in virtual screening for drug discovery: methods and applications. Nat. Rev. Drug Discov. 3, 935^49.

71. Klabunde, T., Hessler, G. (2002). Drug Design Strategies for Targeting G-Protein-Coupled Receptors. Chembiochem 10, 928-944.

72. Klepeis, J.L., Lindorff-Larsen, K., Dror, R.O., Shaw, D.E. (2009). Long-timescale molecular dynamics simulations of protein structure and function. Curr. Opin. Struct. Biol. 19, 120— 127.

73. Kobilka, B., Schertler, G.F. (2008). New G-protein-coupled receptor crystal structures: insights and limitations. Trends Pharmacol. Sci. 29, 79-83.

74. Kolb, P., Rosenbaum, D.M., Irwin, J.J., Fung, J.J., Kobilka, B.K., Shoichet, B.K. (2009). Structure-based discovery of beta2-adrenergic receptor ligands. Proc. Natl. Acad. Sei. USA 106, 6843-6848.

75. Kolbe, M., Besir, H., Essen, L.O., Oesterlielt, D. (2000). Structure of the light-driven chloride pump halorhodopsin at 1.8 A resolution. Science 288, 1390-1396

76. Labrid, C., Rocher, I., Guery, O. (1989). Structure-activity relationships as a response to the pharmacological differences in beta-receptor ligands. Am. J. Hypertens. 2, 245S-251S.

77. Lands, A.M., Arnold, A., MacAuliff, J.P., Brown, T.G. (1967). Differentiation of receptor systems activated by sympathomimetic amines. Nature 214, 597-598.

78. Law, R.J., Capener, C., Baaden, M., Bond, P.J., Campbell, J., Patargias, G., Arinaminpathy, Y., Sansom, M.S. (2005). Membrane protein structure quality in molecular dynamics simulation. J. Mol. Graph. Model. 24, 157—165.

79. Lefkowitz, R.J. (2004). Historical Review: A Brief History and Personal Retrospective of Seven-Transmembrane Receptors. Trends Pharmacol. Sei. 25, 413^22.

80. Lesk, A.M., Chothia, C. (1986). The Response of Protein Structures to Amino-Acid Sequence Changes. Philos. Trans. R. Soc. Lond. Biol. Sei. 317, 345-356.

81. Lin, S.W., Imamoto, Y., Fukada, Y., Shichida, Y., Yoshizawa, T., Mathies, R.A. (1994). What makes red visual pigments red? A resonance Raman microprobe study of retinal chromophore structure in iodopsin. Biochemistry 33, 2151-2160.

82. Lindahl, E., Hess, B., van der Spoel, D. (2001). GROMACS 3.0: A package for molecular simulation and trajectoiy analysis. J. Mol. Mod. 7, 306-317.

83. Lindahl, E., Sansom, M.S. (2008). Membrane proteins: molecular dynamics simulations. Curr. Opin. Struct. Biol. 18, 425-431.

84. Lomize, M.A., Lomize, A.L., Pogozheva, I.D., Mosberg, H.I. (2006). OPM: Orientations of Proteins in Membranes database. Bioinformatics 22, 623-625.

85. Louis, S.N., Nero, T.L., Iakovidis, D., Coiagrande, F.M., Jackman, G.P., Louis, W.J. (1999). beta(l)- and beta(2)-Adrenoceptor antagonist activity of a series of para-substituted N-isopropylphenoxypropanolamines. Eur. J. Med. Chem. 34, 919-937.

86. Louis, S.N., Rezmann-Vitti, L.A., Nero, T.L., Iakovidis, D., Jackman, G.P., Louis, W.J. (2002). CoMFA analysis of the human beta(l)-adrenoceptor binding affinity of a series of phenoxypropanolamines. Eur. J. Med. Chem. 37, 111—125.

87. De Los Angeles, J.E., Nikulin, V.I., Shams, G., Konkar, A.A., Mehta, R., Feller, D.R., Miller, D.D. (1996). Iodinated analogs of trimetoquinol as highly potent and selective beta 2-adrenoceptor ligands. J. Med. Chem. 39, 3701-3711.

88. Lundstrom, K. (2005). Structural genomics of GPCRs. Trends Biotechnol. 2, 103-110.

89. Luthy, R., Bowie, J.U., Eisenberg, D. (1992). Assessment of protein models with three-dimensional profiles. Nature 356, 83—85.

90. Manalan, A.S., Besch, H.R., Watanabe, A.M., (1981). Characterization of 3H.(+/-) carazolol binding to beta-adrenergic receptors, Circ.Res. 49, 326-336.

91. Mannhold, R., (2005). The impact of lipophilicity in drug research: a case report on beta-blockers. Mini Rev. Med. Chem. 5, 197-205.

92. Marrink, S. J., A. E. Mark. (2003). Molecular dynamics simulation of the formation, structure, and dynamics of small phospholipid vesicles. J. Am. Chem. Soc. 125, 1523315242.

93. Marrink, S. J., de Vries, A. H., Mark, A. E. (2004). Coarse Grained Model for Semiquantitative Lipid Simulations. J. Phys. Chem. B. 108, 750-760.

94. Marrink, S. J., Risselada H. J., Yefimov S., Tieleman D. P., de Vries A. H. (2007). The MARTINI Force Field: Coarse Grained Model for Biomolecular Simulations. J. Phys. Chem. B. 111,7812-7824.

95. Marti-Renom, M.A., Stuart, A.C., Fiser, A., Sanchez, R., Melo, F., Sali, A. (2000). Comparative protein structure modeling of genes and genomes. Annu. Rev. Biophys. Biomol. Struct. 29, 291-325.

96. Mehler, E.L., Periole, X., Hassan, S.A., Weinstein, H. (2002). Key issues in the computational simulation of GPCR function: representation of loop domains. J. Comput. AidedMol. Des. 16, 841-53.

97. Miller, M.A. (2002). Chemical Database Techniques in Drug Discovery. Nat. Rev. Drug Disc. 1, 223-227.

98. Molecular Simulations Inc. Insightll. (2000). User Guide. MSI, San Diego, CA.

99. Muller-Plathe, F. (2002). Coarse-graining in polymer simulation: from the.atomistic to the mesoscopic scale and back. Cliem. Phys. Chem. 3, 755-769.

100. Nikiforovich, G.V., Galaktionov, S., Balodis, J., Marshall, G.R. (2001) Novel approach to computer modeling of seven-helical transmembrane proteins: current progress in the test case of bacteriorhodopsin. Acta Biochim Pol. 48, 53-64.

101. Nikiforovich, G.V., Marshall, G.R. (2003). Three-dimensional model for meta-II rhodopsin, an activated G-protein-coupled receptor. Biochemistry 42, 9110-9120.

102. Ohlson, T., Wallner, B., Elofsson, A. (2004). Profile-profile methods provide improved fold-recognition: a study of different profile-profile alignment methods. Proteins 57, 188— 197.

103. Okada, T., Sugihara, M., Bondar, A.N., Elstner, M., Entel, P., Buss, V. (2004). The retinal conformation and its environment in rhodopsin in light of a new 2.2 A crystal structure.J. Mol. Biol. 342, 571-583.

104. Palczewski, K., Kumasaka, T., Hon, T., Behnke, C.A., Motoshima, H., Fox, B.A., Le Trong, I., Teller, D.C., Okada, T., Stenkamp, R.E., Yamamoto, M., Miyano, M. (2000). Crystal Structure of Rhodopsin: A G-Protein-Coupled Receptor. Science 289, 739-745.

105. Palczewski, K. (2006). G-Protein-Coupled Receptor Rhodopsin. Annu. Rev. Biochem. 75, 743-767.

106. Pappu, R.V., Marshall, G.R., Ponder, J.W. (1999). A Potential Smoothing Algorithm Accurately Predicts Transmembrane Helix Packing. Nat. Struct. Biol. 6, 50-55.

107. Park, J., Teichmann, S.A., Hubbard, T., Chothia, C. (1997). Intermediate sequences increase the detection of homology between sequences. J. Mol. Biol. 273, 349—354.

108. Park, J.B. (2005). N-coumaroyldopamine and N-caffeoyldopamine increase cAMP via beta 2-adrenoceptors in myelocytic U937 cells. FASEB J. 19, 497-502.

109. Patrick G.L. An Introduction to Medicinal Chemistry, Oxford University Press Inc., New York, 2005, Third Edition.

110. Pearson, W.R. (1990). Rapid and Sensitive Sequence Comparison with FASTP and FASTA. Methods Enzymol. 183, 63-98.

111. Periole, X., Huber, T., Marrink, S.J., Sakmar, T.P. (2007). G protein-coupled receptors self-assemble in dynamics simulations of model bilayers. J. Am. Chem. Soc. 129, 10126-10132.

112. Pierce, K.L., Premont, R.T., Lefkowitz, R.J. (2002). Seven-Transmembrane Receptors. Nat. Rev. Mol. Cell. Biol. 3, 639-650.

113. Pilpel, Y„ Ben-Tal, N., Lancet, D. (1999). kPROT: a knowledge-based scale for the propensity of residue orientation in transmembrane segments. Application to membrane protein structure prediction. J. Mol. Biol. 294, 921-935.

114. Pliego-Pastrana, P., and M. D. Carbajal-Tinoco. (2003). Effective pair potentials between protein amino acids. Phys. Rev. E. 68:011903.

115. Pogozheva, I.D., Lomize, A.L., Mosberg, H.I. (1997). The Transmembrane 7-a-Bundle of Rhodopsin: Distance Geometry Calculations with Hydrogen Bonding Constraints. Biophys. J. 72, 1963-1985.

116. Pogozheva, I.D., Przydzial, M.J., Mosberg, H.I. (2005). Homology modeling of opioid receptor-ligand complexes using experimental constraints. AAPSJ. 7, E434-E448.

117. Press William H., Teukolsky Saul A., Vetterling William T., Flannery Brian P. Numerical Recipes in FORTRAN. 2nd ed. Cambridge University Press, 1992, p. 640.

118. Pyrkov, T.V., Efremov, R.G. (2007). A Fragment-Based Scoring Function to Re-rank ATP Docking Results Int. J. Mol. Sci. 8, 1083-1094.

119. Pyrkov, T.V., Kosinsky, Y.A., Arseniev, A.S., Priestle, J.P., Jacoby, E., Efremov, R.G.2007). Docking of ATP to Ca-ATPase: considering protein domain motions. J. Chem. Inf. Model. 47, 1171-1181.

120. Pyrkov, T.V., Priestle, J.P., Jacoby, E., Efremov, R.G. (2008). Ligand-specilic scoring functions: improved ranking of docking solutions. SAR OSAR Environ Res. 19, 91-99.

121. Pyrkov, T.V., Chugunov, A.O., Krylov, N.A., Nolde, D.E., Efremov, R.G. (2009). PLATINUM: a web tool for analysis of hydrophobic/hydrophilic organization of biomolecular complexes. Bioinformatics 25, 1201-1202.

122. Reddy, Ch.S. et al. (2006). Homology modelling of membrane protein: a critical assessment. Comput. Biol. Chem. 30, 120-126.

123. Rees, D.C., DeAntonio, L., Eisenberg, D. (1989). Hydrophobic organization of membrane proteins. Science 245, 510-513.

124. Reynolds, K.A., Katritch, V., Abagyan, R. (2009). Identifying conformational changes of the beta(2) adrenoceptor that enable accurate prediction of ligand/receptor interactions and screening for GPCR modulators. J. Comput.-AidedMol. Des. 23, 273—288.

125. Röhl, C.A., Strauss, C.E., Misura, K.M., Baker, D. (2004). Protein structure prediction using Rosetta. Methods Enzymol. 383, 66—93.

126. Schertier, G.F., Hargrave, P.A. (1995). Projection structure of frog rhodopsin in two crystal forms. Proc. Natl. Acad. Sei. U. S. A. 92, 11578-11582.

127. Schneider, G., Fechner, U. (2005). Computer-Based De Novo Design of Drug-Like Molecules. Nat. Rev. Drug Disc. 4, 640-663.

128. Schöneberg, T., Schulza, A., Biebermannb, H., Hermsdorf, T., Römplera, IL, Sangkuhl, K. (2004). Mutant G-protein-Coupled Receptors as a Cause of Human Diseases. Pharmacol. Ther. 104, 173-206.

129. Schrödinger, LLC, New York, NY, 2007; Maestro, version 8.0; software available at http://www.schrodinger.com.

130. Schrödinger, LLC, New York, NY, 2007; Glide, version 4.5; software available at http://www.schrodinger.com.

131. Schrödinger, LLC, New York, NY, 2007; CombiGlide, version 1.5; software available at http://www.sclirodinger.com.

132. Schueler-Furman, O., Wang, C., Bradley, P., Misura, K., Baker, D. (2005). Progress in Modeling of Protein Structures and Interactions. Science 310, 638-642.

133. Schuettelkopf, A.W., van Aalten, D.M.F. (2004). PRODRG a tool for high-throughput crystallography of protein-ligand complexes. Acta Crystallographica D60, 1355-1363.

134. Shelley, J. C., Shelley, M. Y„ Reeder, R. C., Bandyopadhyay, S., Moore, P. B., Klein, M. L. (2001). Simulations of phospholipids using a coarse grain model. J. Phys. Chem. B. 105, 9785-9792.

135. Shieh, T., Han, M., Sakmar, T.P., Smith, S.O. (1997). The steric trigger in rhodopsin activation. J. Mol. Biol. 269, 373-384.

136. Shimamura, T., Hiraki, K., Takahashi, N., Hori, T., Ago, H., Masuda, K., Takio, K., Ishiguro, M., Miyano, M. (2008). Crystal structure of squid rhodopsin with intracellularly extended cytoplasmic region. J. Biol. Chem. 283, 17753-17756.

137. Schneider, G., Fechner, U. (2005). Computer-based de novo design of drug-like molecules. Nat. Rev. DrugDiscov. 4, 649-663.

138. Shoichet, B.K. (2004). Virtual Screening of Chemical Libraries. Nature 432, 962-965.

139. Soderhall, J.A., Polymeropoulos, E.E., Paulini, K., Giinther, E., Kiihne, R. (2005). Antagonist and agonist binding models of the human gonadotropin-releasing hormone receptor. Biochem. Biophys. Res. Commun. 333, 568-582.

140. Sorgen, P.L., Hu, Y., Guan, L., Kaback, H.R., Girvin, M.E. (2002). An approach to membrane protein structure without crystals. Proc. Natl. Acad. Sci. U. S. A. 99, 14037— 14040.

141. Strader, C.D., Sigal, I.S., Candelore, M.R., Rands, E., Hill, W.S., Dixon, R.A. (1988). Conserved aspartic acid residues 79 and 113 of the beta-adrenergic receptor have different roles in receptor function. J. Biol. Chem. 263, 10267-10271.

142. Strader, C.D., Sigal, I.S., Dixon, R.A. (1989). Structural basis of beta-adrenergic receptor function. FASEB J. 3, 1825-1832.

143. Strahs, D., Weinstein, H. (1997). Comparative modeling and molecular dynamics studies of the delta, kappa and mu opioid receptors. Protein Eng. 10, 1019-1038.

144. Suryanarayana, S., Kobilka, B.K. (1993). Amino acid substitutions at position 312 in the seventh hydrophobic segment of the beta 2-adrenergic receptor modify ligand-binding specificity. Mol. Pharmacol. 44, 111—114.

145. Takeda, S„ Kadowaki, S„ Haga, T., Takaesu, H., Mitaku, S. (2002). Identification of G-protein-coupled receptor genes from the human genome sequence. FEBSLett. 520, 97-101.

146. Testa, B., Carrupt, P.A., Gaillard, P., Billois, F., Weber, P. (1996). Lipophilicity in molecular modeling. Pharm. Res. 13, 335-343.

147. Tozzini, V. (2005). Coarse-grained models for proteins. Curr. Opin. Struct. Biol. 15, 144150.

148. Tramontano, A. (2003). Comparative Modelling Techniques: Where are we? Comp. Fund. Genomics 4,402-405.

149. Tramontano, A., Morea, V. (2003). Assessment of homology-based predictions in CASP5. Proteins 53, 352-368.

150. Ubarretxena-Belandia, I., Engelman, D. M. (2001). Helical membrane proteins: diversity of functions in the context of simple architecture. Curr. Opin. Struct. Biol. 11, 370-376.

151. Ulmschneider, M.B., Sansom, M.S., Di Nola, A. (2005) Properties of integral membrane protein structures: derivation of an implicit membrane potential. Proteins 59, 252-265.

152. Ulmschneider, M.B., Sansom, M.S., Di Nola, A. (2006). Evaluating tilt angles of membrane-associated helices: comparison of computational and NMR techniques. Biophys J. 90, 1650— 1660.

153. UniProt Consortium. (2010). The Universal Protein Resource (UniProt) in 2010. Nucleic Acids Res. 38(Database issue), D142-8.

154. Vaidehi, T., Floriano, W.B., Trabanino, R., Hall, S.E., Freddolino, P., Choi, E.J., Zamanakos, G., Goddard III, W.A. (2002). Prediction of Structure and Function of G-Protein-Coupled Receptors. Proc. Natl. Acad. Sci. U. S. A. 99, 12622-12627.

155. Wallin, E., Tsukihara, T., Yoshikawa, S., von Heijne, G., Elofsson, A. (1997). Architecture of helix bundle membrane proteins: an analysis of cytochrome e oxidase from bovine mitochondria. Protein Sci. 6, 808—815.

156. Warne, A., Serrano-Vega, M.J., Baker, J.G., Moukhametzianov, R., Edwards,P.C., Henderson, R., Leslie, A.G.W., Tate, C.G., Schertler, G.F.X. (2008) Structure of the Beta 1-Adrenergic G Protein-Coupled Receptor. Nature 454, 486.

157. Weiland, G.A., Minneman, K.P., Molinoff, P.B. (1979). Fundamental difference between the molecular interactions of agonists and antagonists with the beta-adrenergic receptor. Nature 281, 114-117.

158. Wishart, D.S., Knox, C., Guo, A.C., Cheng, D., Shrivastava, S., Tzur, D., Gautam, B., Hassanali, M. (2008). DrugBank: a knowledgebase for drugs, drug actions and drug targets. Nucleic Acids Res. 36, D901-906.

159. White, S.H. (2009). Biophysical dissection of membrane proteins. Nature 459, 344-346.

160. Wolf, S., Bockmann, M., Howeler, U., Schlitter, J., Gerwert, K. (2008). Simulations of a G protein-coupled receptor homology model predict dynamic features and a ligand binding site. FEBSLett. 582, 3335-3342.

161. Yarov-Yarovoy, V., Schonbrun, J., Baker, D. (2006). Multipass Membrane Protein Structure Prediction Using Rosetta. Proteins 62, 1010—1025.

162. Yang, X., Wang, Z., Dong, W., Ling, L., Yang, H., Chen, R. (2003). Modeling and docking of the three-dimensional structure of the human melanocortin 4 receptor. J. Protein Chem. 22, 335-344.

163. Zhang, Y., Devries, M.E., Skolnick, J. (2006). Structure modeling of all identified G-protein-coupled receptors in the human genome. PLoS Comput. Biol. 2, el3.

164. Zhang, Y., Skolnick, J. (2004). Automated structure prediction of weakly homologous proteins on a genomic scale. Proc. Natl. Acad. Sci. U. S. A. 101, 7594-7599.

165. Zhdanov, V.P., Kasemo, B. (2001). Folding of bundles of a-helices in solution, membranes, and adsorbed overlayers. Proteins 42, 481-494.

166. Zhou, J., Thorpe, I.F., Izvekov, S., Voth, G.A. (2007). Coarse-grained peptide modeling using a systematic multiscale approach. BiophysJ. 92, 4289-4303.