PYG

蛋白质磷酸化是细胞中重要的调控方式，而这一机制的发现很大程度上源于Edmond Fischer和Edwin Krebs对糖原磷酸化酶的研究[1-3]。糖原是动物细胞内葡萄糖的储备库；糖原磷酸化酶催化糖原分解为葡萄糖，是糖原降解的限速酶，其活性受到严格的调控。磷酸化酶激酶PhK催化糖原磷酸化酶发生磷酸化，将其从低活性的b形式转化为高活性的a形式。这种磷酸化介导的调节机制的发现不仅拓宽了人们对能量代谢过程的认识，还改变了对细胞信号传导的理解，是生物化学领域的重要里程碑。PhK是第一个被纯化的蛋白激酶，也是最大、最复杂的蛋白激酶之一，总分子量为1.3兆道尔顿。它包含α、β、γ和δ四个亚基。其中，α和β亚基是结构亚基；γ亚基具有激酶活性，由一个持续激活的N端激酶结构域（KD）和一个C端调节结构域（CRD）组成；δ亚基为钙调蛋白，但其特殊之处在于无论Ca2+是否存在，δ亚基都能紧密结合在PhK中，作为其不可或缺的组成部分[4,5]。Ca2+可能通过与钙调蛋白结合产生的构象变化激活PhK。尽管关于PhK的研究已经持续近70年，但其具体的组装方式和激活的分子机理仍不完全清楚。2024年3月28日，肖俊宇课题组在Nature Communications期刊发表题为“Architecture and activation of human muscle phosphorylase kinase”的论文，揭示了PhK全酶的组装和激酶活性自抑制机制，并提出了PhK的Ca2+激活模型。图1. PhK全酶的组装和激酶活性自抑制PhK由α、β、γ和δ四个亚基组装成α4β4γ4δ4十六聚体（图1a）。β亚基和α亚基位于复合体的中心，为十六聚体的组装骨架。其中，2个β亚基和2个α亚基以广泛的相互作用形成α2β2 亚复合体；2个α2β2再经由β亚基C端形成的桥相互连接。行使激酶活性的γ亚基通过与α亚基的相互作用组装到全酶上。δ亚基则牢牢结合在γ亚基CRD中的疏水螺旋αJ上，同时与KD也存在相互作用。γ亚基与α亚基之间的相互作用对其激酶活性的自抑制尤为重要。γ亚基KD的N-lobe和C-lobe分别连接α亚基D2和D5结构域，使得γ亚基以催化口袋朝内的方式扣在α亚基上。同时，γ亚基的自抑制结构域（AID）以广泛的疏水相互作用夹在C-lobe与α亚基D5结构域之间，且AID中Lys361-Gln363占据了底物肽段的结合位置，通过“假底物”竞争抑制的机制实现了激酶活性的自抑制（图1b，c）。该研究也进一步解析了PhK在Ca2+激活状态的结构，并提出了Ca2+激活PhK的分模型：在接受到Ca2+信号后，δ亚基首先会与Ca2+结合并发生构象变化；δ亚基的构象变化传导至AID与KD C-lobe的相互作用界面并将其打破，引起激酶活性自抑制的解除（图2）。图2. PhK的Ca2+激活模型总之，该研究基于高分辨率的结构揭示了人源肌肉亚型PhK全酶的组装机制，并提出了Ca2+激活模型，为深入研究这一重要激酶复合物的功能奠定了理论依据和结构基础。蛋白质与植物基因研究国家重点实验室、北京大学生命科学学院、北大清华生命科学联合中心肖俊宇教授为该论文的通讯作者。北京大学生命科学学院2018级博士生杨晓珂和2021级博士生朱铭淇为该论文的共同第一作者。昌平实验室2022级博士生卢雪和北京大学博雅博士后王禹心为该论文提供了帮助。论文链接：https://www.nature.com/articles/s41467-024-47049-2原文链接：https://www.bio.pku.edu.cn/homes/Index/news_cont/22/17020.html参考文献：1. Krebs, E. G. Protein phosphorylation and cellular regulation I (Nobel Lecture). Angew. Chem. Int. Ed. Engl. 32, 1122–1129 (1993).2. Fischer, E. H. Protein phosphorylation and cellular regulation II (Nobel Lecture). Angew. Chem. Int. Ed. Engl. 32, 1130–1137 (1993).3. Fischer, E. H. & Krebs, E. G. Conversion of phosphorylase b to phosphorylase a in muscle extracts. J. Biol. Chem. 216, 121–132 (1955).4. Vénien-Bryan, C. et al. The structure of phosphorylase kinase holoenzyme at 9.9 Å resolution and location of the catalytic subunit and the substrate glycogen phosphorylase. Structure 17, 117–127 (2009).5. Cohen, P. et al. Identification of the Ca2+-dependent modulator protein as the fourth subunit of rabbit skeletal muscle phosphorylase kinase. FEBS Lett. 92, 287–293 (1978).本文仅用于学术分享，转载请注明出处。若有侵权，请联系微信：bioonSir 删除或修改！

今天给大家讲一篇2024年1月在Journal of Cheminformatics 上发表的运用深度学习方法预测蛋白配体结合亲和力的综述。本文回顾了基于结构的深度学习方法在药物发现中的应用，并讨论了分子表示方法、不同模型架构及模型可解释性等方面的重要性。通过一个分类体系对不同模型的打分和筛选能力进行了一系列评估，以此来揭示现有AI方法对基于结构的药物发现所带来的潜在益处。蛋白质-配体相互作用研究背景蛋白质-配体相互作用指的是蛋白质与小分子化合物之间的相互作用。化合物会与蛋白特定的结合位点发生相互作用，从而形成稳定的蛋白质-配体复合物。分子对接作为一种常见的计算化学方法，用于预测蛋白质与配体之间的结合方式。它能够有效地确定蛋白质-配体复合物的结合位姿，为药物设计提供了一定的帮助。然而，预测蛋白质与配体之间的结合亲和力仍然是一个备受挑战的问题。从亲和力指标中能够获得关于蛋白质与配体相互作用强度的关键信息，并且在药物的虚拟筛选和再利用中发挥着重要作用，为准确设计具有特定生物活性的化合物提供了重要的指导。模型介绍2.1  PLBAP模型架构（基于原子卷积模块）通过设计了多个原子卷积神经网络来预测蛋白配体绑定亲和力。如图1A所示，每个分子的输入为原子坐标及原子的类型，并用复合物和蛋白与配体之间的能量差来估计结合亲和值。其估值表示为。其中原子卷积神经网络（ACNN）模块包括原子类型卷积层和维度分别为32,32,16的三个全链接层。接着，通过将该表征通过聚合函数来预测能量差，从而将原子级别的信息提升到分子水平。图1原子卷积模块的特征提取方法2.2  PLBAP模型架构（基于图卷积模块）首先将配体及绑定位点中的原子构建了节点、化学键的特征矩阵以及邻接矩阵。在邻接矩阵中，非共价相互作用的值比共价键的值要低（图2A）。输入的分子经过多个图卷积模块将节点的邻居节点的特征进行聚合以更新节点的表示。这个过程可以通过多轮的消息传递来实现，每一轮都通过聚合邻居节点的信息来更新节点的特征。这有助于模型在不同层次上捕捉分子结构的局部和全局特征，提高对分子特征提取的完整性。具体而言，每个图卷积模块包含三个维度为128、128和32的卷积层和三个全连接层并聚合，最后将它们输入到一个全连接输出结合亲和力（图2B）。图2 图卷积模块的特征提取方法实验结果3.1模型性能评估作者将PDBbind Refined 集合作为训练集，Core 集合作为验证集，CSAR-HiQ数据集作为外部测试集，并评估了四种方法预测亲和力的性能，评价指标为预测结合亲和力与真实结合亲和力的Pearson相关系数和均方根误差(RMSE)。较高的PC和较低的RMSE表示较好的预测性能。如图3所示，基于网格的CNN架构易于过拟合。此外，在外部测试集中，图卷积模块的预测性能相较于其他方法更有优势。图3 模型预测性能评估3.2 筛选性能评估作者选择了DUD-E数据集上两个靶标用于评估模型的筛选性能，肌肉糖原磷酸化酶（PYGM）和表皮生长因子受体（EGFR）。PYGM数据集有114个活性化合物和4045个阴性样本，并用AutoDOCK Vina为它们生成蛋白配体复合物。筛选效果如图4所示，当阴阳比增大时，富集率急剧下降。其中基于网格的CNN模块在筛选性能上具有一定的优势（top 1%时EF超过40），有望帮助药化专家加速潜在药物分子的筛选。图4筛选性能评估结论基于（PLBAP）模型来预测蛋白质与配体之间的结合亲和力可有效加速药物筛选中的效率。其中原子卷积神经网络模块适合大批量数据的计算。然而在打分或筛选任务上表现效果不佳。网格卷积模块利用了分子结构和体素化信息来提取表征，不过由于不满足旋转不变性使得在筛选任务中缺乏优势。分子图卷积模块可以更灵活地捕获分子拓扑结构，使其在筛选任务中具有竞争力。在未来，通过完善分子图的表示方法，并增强模型的可解释性，有助于在药物筛选方面提供更加智能、高效的解决方法。参考文献Cummings, M. D. & Sekharan, S. Structure-based macrocycle design in small-molecule drug discovery and simple metrics to identify opportunities for macrocyclization of small-molecule ligands. J. Med. Chem. 62, 6843–6853 (2019)版权信息本文系AIDD Pro接受的外部投稿，文中所述观点仅代表作者本人观点，不代表AIDD Pro平台，如您发现发布内容有任何版权侵扰或者其他信息错误解读，请及时联系AIDD Pro (请添加微信号sixiali_fox59)进行删改处理。本文为原创内容，未经授权禁止转载，授权后转载亦需注明出处。有问题可发邮件至sixiali@stonewise.cn关注我，更多资讯早知道↓↓↓

头颈部鳞状细胞癌(HNSCC)是头颈部最常见的恶性肿瘤，发病率高，5年生存率差。不良的临床结果归因于患者间广泛的异质性和化疗耐药性，突显了治愈HNSCC患者的标准疗法的不足。 头颈部鳞状细胞癌(HNSCC)是头颈部最常见的恶性肿瘤，发病率高，5年生存率差。不良的临床结果归因于患者间广泛的异质性和化疗耐药性，突显了治愈HNSCC患者的标准疗法的不足。因此，进一步探讨HNSCC发生的细胞机制，寻找克服化疗耐药的新靶点，对于改善HNSCC患者的预后具有重要意义。 图片来源:https://doi.org/10.1186/s13046-023-02734-w 近日，来自中山大学的研究者们在J Exp Clin Cancer Res杂志上发表了题为“Cellular hierarchy framework based on single-cell/multi-patient sample sequencing reveals metabolic biomarker PYGL as a therapeutic target for HNSCC”的文章，该研究揭示了PYGL是一种代谢相关的致癌生物标志物，通过GSH/ROS/p53通路促进HNSCC的进展、转移和化疗耐药。本研究从细胞代谢重编程的角度揭示了HNSCC的细胞层次组成，可能为未来HNSCC的治疗提供新的启示和靶点。 越来越多的研究揭示了代谢重编程与肿瘤进展的关系，但代谢重编程如何影响头颈部鳞状细胞癌(HNSCC)患者间的异质性和预后仍有待进一步探索。 本研究引入了一个基于代谢特性差异的细胞层次结构框架METARISK，通过使用整合了先前研究的25个原发和8个转移性HNSCC样本的单细胞参考图谱，通过去卷积重新分析了486名患者的批量转录本的细胞组成。 使用机器学习方法来确定代谢相关生物标志物与预后的相关性。通过细胞功能实验和体内移植瘤小鼠模型对筛选出的基因在肿瘤进展、转移和化疗耐药中的功能进行了验证。 结合细胞层次组成和临床特征，META Risk表型将多个患者队列分为两类，其中META Risk高亚组的预后不良与特定的恶性细胞簇有关，这些恶性细胞具有显著的代谢重编程活性，在转移的单细胞样本中丰富。随后针对META风险亚组之间的表型差异的分析发现，PYGL是一个关键的代谢相关生物标记物，它通过GSH/ROS/P53途径增强恶性肿瘤和化疗耐药性，导致HNSCC预后不良。 机制总结图 图片来源:https://doi.org/10.1186/s13046-023-02734-w 总之，本研究通过在转移样本中发现一组独特的具有高代谢活性的恶性细胞和构建META风险表型，揭示了每个患者的细胞层次结构的组成，并与不良预后相关，揭示了细胞代谢重编程是HNSCC的关键风险因素。 此外，META危险表型的DEMRGs分析表明，PYGL是糖原降解的关键生物标志物，通过PYGL/GSH/ROS/P53途径指导HNSCC的发展和耐药性，从而为未来HNSCC的新的临床治疗奠定了基础。（生物谷 Bioon.com） 参考文献 Jiezhong Guan et al. Cellular hierarchy framework based on single-cell/multi-patient sample sequencing reveals metabolic biomarker PYGL as a therapeutic target for HNSCC. J Exp Clin Cancer Res. 2023 Jul 8;42(1):162. doi: 10.1186/s13046-023-02734-w.