Substrate-Specific Screening for Mutational Hotspots Using Biased Molecular Dynamics Simulations
Notice bibliographique
Résumé
Prediction of substrate-specific mutational hotspots for enzyme engineering is a complex and computationally intensive task. This becomes particularly challenging when the available crystal structures have no ligand, bind a distant homologue of the desired substrate, or hold the ligand in a nonproductive conformation. To address that shortcoming, we present a combined molecular dynamics simulation and molecular docking protocol to predict the conformation of catalytically relevant enzyme–ligand complexes even in the absence of a ligand-bound structure. We applied the adaptive biasing force method to predict the ligand-specific path of diffusion of a fatty acid substrate from the bulk media into the active site of cytochrome P450 CYP102A1 (BM3). Starting with a ligand-free crystal structure, we successfully identified all residues known to be involved in palmitic acid binding to BM3. The binding trajectory also revealed a yet unknown binding residue, Q73, which we confirmed experimentally. Building the free-energy landscape illustrates that, similar to human cytochrome P450s, binding is multistep and does not follow simple Michaelis–Menten kinetics. We confirmed the robustness of the method using a structurally distinct substrate, the small aromatic indole. We then applied the predicted BM3:palmitate complex to molecular docking of a library of 29 palmitate analogues. This produced catalytically relevant binding poses for the entire library, while docking directly into ligand-free and ligand-bound crystal structures gave poor results. This fast and simple computational method is broadly applicable for predicting binding hotspots in a substrate-specific manner and has the potential to drastically reduce the experimental screening effort to tailor an enzyme to substrates of interest.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».