Advances to tackle backbone flexibility in protein docking.
Advances to tackle backbone flexibility in protein docking.
复制标题
DOI：
10.1016/j.sbi.2020.11.011
复制
发表时间：
2021-04
影响因子：
6.8
通讯作者：
Gray JJ
中科院分区：
文献类型：
--
作者：
Harmalkar A;Gray JJ
计算对接方法可以提供蛋白质-蛋白质复合物的结构模型，但蛋白质骨架在缔合时的灵活性常常阻碍准确的预测。在最近的盲目挑战中，在不到20%的“困难”目标（具有显著的骨干变化或不确定性）中提交了中等或高精度模型。在这里，我们描述了蛋白质-蛋白质对接的最新进展，并强调了解决骨架灵活性的进展。在分子动力学和蒙特卡罗方法中，增强的采样技术减少了时间尺度限制。内部坐标公式现在可以使用谐波动力学捕获单体和复合物的真实运动。机器学习方法自适应地引导对接轨迹，或从在蛋白质界面上训练的深度神经网络生成新的结合位点预测。这些工具平衡了该领域，以突破正确预测具有显著构象变化的复杂结构的长期挑战。
Computational docking methods can provide structural models of protein–protein complexes, but protein backbone flexibility upon association often thwarts accurate predictions. In recent blind challenges, medium or high accuracy models were submitted in less than 20% of the ‘difficult’ targets (with significant backbone change or uncertainty). Here, we describe recent developments in protein–protein docking and highlight advances that tackle backbone flexibility. In molecular dynamics and Monte Carlo approaches, enhanced sampling techniques have reduced time-scale limitations. Internal coordinate formulations can now capture realistic motions of monomers and complexes using harmonic dynamics. And machine learning approaches adaptively guide docking trajectories or generate novel binding site predictions from deep neural networks trained on protein interfaces. These tools poise the field to break through the longstanding challenge of correctly predicting complex structures with significant conformational change.
登录
查看更多内容
影响因子：
14.8
作者：
Kozakov D;Hall DR;Xia B;Porter KA;Padhorny D;Yueh C;Beglov D;Vajda S
通讯作者：
Vajda S
影响因子：
8
作者：
Kundrotas, Petras J.;Anishchenko, Ivan;Vakser, Ilya A.
通讯作者：
Vakser, Ilya A.
影响因子：
2.9
作者：
Lensink, Marc F.;Nadzirin, Nurul;Wodak, Shoshana J.
通讯作者：
Wodak, Shoshana J.
影响因子：
5.5
作者：
Frezza, Elisa;Lavery, Richard
通讯作者：
Lavery, Richard
影响因子：
29.4
作者：
Hoydahl, Lene Stokken;Richter, Lisa;Loset, Geir Age
通讯作者：
Loset, Geir Age