In Silico Peptide Ligation: Iterative Residue Docking and Linking as a New Approach to Predict Protein-Peptide Interactions
Notice bibliographique
Résumé
Peptide⁻protein interactions are corner-stones of living functions involved in essential mechanisms, such as cell signaling. Given the difficulty of obtaining direct experimental structural biology data, prediction of those interactions is of crucial interest for the rational development of new drugs, notably to fight diseases, such as cancer or Alzheimer's disease. Because of the high flexibility of natural unconstrained linear peptides, prediction of their binding mode in a protein cavity remains challenging. Several theoretical approaches have been developed in the last decade to address this issue. Nevertheless, improvements are needed, such as the conformation prediction of peptide side-chains, which are dependent on peptide length and flexibility. Here, we present a novel in silico method, Iterative Residue Docking and Linking (IRDL), to efficiently predict peptide⁻protein interactions. In order to reduce the conformational space, this innovative method splits peptides into several short segments. Then, it uses the performance of intramolecular covalent docking to rebuild, sequentially, the complete peptide in the active site of its protein target. Once the peptide is constructed, a rescoring step is applied in order to correctly rank all IRDL solutions. Applied on a set of 11 crystallized peptide⁻protein complexes, the IRDL method shows promising results, since it is able to retrieve experimental binding conformations with a Root Mean Square Deviation (RMSD) below 2 Å in the top five ranked solutions. For some complexes, IRDL method outperforms two other docking protocols evaluated in this study. Hence, IRDL is a new tool that could be used in drug design projects to predict peptide⁻protein interactions.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».